基于单传感器的家庭智能用电模型建立方法与流程

本发明涉及数据挖掘与模式识别技术领域，特别涉及一种基于单传感器的家庭智能用电模型建立方法。

背景技术：

“互联网+”，是推动移动互联网，云计算，大数据，物联网等和包括传统行业在内的各行各业结合起来，利用信息通讯技术，在传统领域创造出一种新的生态。能源信息化是将互联网与传统电力行业结合，人们使用电的情况通过测电传感器实时传送到云端，云端中央处理会统计该大数据，并分析与感知用电情况，从而控制电力的使用。

发展能源信息化来缓解日益凸显的环境问题和能源稀缺问题已成为全球公认的事实，在中国的研究和实践也得到了高度重视。由于家庭用电占总用电的41％，因此，侧重于用户端的家庭智能用电系统的发展将成为智能电网中重要的组成部分，具有重要的研究意义。

目前家庭用电系统方面的研究存在两个方向：一方面是通过理论分析建立家庭用电模型，然后采用仿真技术设计出最优的家庭用电管理策略；另一方面通过用电模型的实际应用，对用户用电行为进行跟踪调查，验证系统的有效性。但是，在大量研究中，也存在很多问题：1.大量研究采用了一台用电器各一个传感器的测电模式，虽然该系统的输入数据清晰明了，算法简单即可实现对电力消耗的建模或生活行为的分析，但其具有系统搭建复杂，多信号干扰，经济效益低等问题。因此，发明一种基于单一传感器的能耗建模方法具有很强的必要性；2.采样频率的问题在大多研究中并未提及，由于高频数据具有噪声，跳跃，不规则等特性，因此提及的研究中也仅是采用的低频采样数据，这样便失去了很多的细节信息， 不能更好的描述模型。因此，以高频输入数据为研究对象成为重中之重；3.对总用电量数据如何分解的问题，较多研究进行了深入的研究，但是其前提条件全部是增加了很多输入的已知条件作为系统约束，这就导致了无监督学习机制失去其根本意义，因此，如何真正意义上解决平行用电器分解问题所使用的无监督学习的方法具有关键意义。目前，分布式供电系统与区域智能协调用电方面的研究略少，仍处于起步阶段，但由于其现实意义与经济效益的重大，如何进一步将用电模型应用于分布式供电建模与区域协调用电建模等方面必然成为未来研究的发展方向。

技术实现要素：

本发明的目的是提供一种以单一测电传感器和家庭总用电数据为基础的家庭智能用电模型的建立方法。

为此，本发明技术方案如下：

一种基于单传感器的家庭智能用电模型建立方法，包括如下步骤：

S1、家庭用电数据的采集与处理：使用一个测电传感器连续采集家庭总用电数据，并将该原始不规律且有噪声的数据利用噪声点去除、中值滤波和插值的方法进行处理，使数据完整、有规律、并凸显细节，利于后续分析；

S2、家庭用电数据的峰值提取与分类：将处理后的家庭总用电数据进行峰值提取，分离出峰值与基础值；然后对分离出的峰值进行分类，将拥有相似的电量与持续使用时间的峰值分为一类，即认为分为同一类的峰值来自同一用电器(称为虚拟用电器)；

S3、平行用电器识别与分解：对峰值分类中来自平行用电器的峰值进行识别与分解，使平行用电器分解后的每种单一用电器重新进行分类，并重复该过程直至峰值分类的个数与用电器个数相同为止；

S4、事件概率模型建立：将每种用电器分别采用一个高斯混合概率模型描述相应的虚拟用电器模型，并用贝叶斯信息准则来判定高斯的个数，其中，每一个 高斯模型称为一个“事件”，事件概率模型为多个事件的集合；

S5、基础值模型建立：采用分季节、分工作日与周末、分时间段的方法对基础值进行分类并函数拟合获得表示用电器a在时间t时开始使用，持续使用时间d，消耗平均瞬时电量w的基础值模型；

S6、家庭总用电模型建立：采用随机采样的方法，将事件概率模型生成事件模型，并结合基础值模型建立家庭总用电模型，该模型可以预测家庭用电的趋势，随着学习数据的增大，该模型预测的准确度将逐步提高。

其中，步骤S1中，所述家庭总用电数据包括连续时间内每个时间点对应的所有家用电器总电量数据，即每个时间点均对应采集一次所有家用电器的实际用电功率；其中，采样频率小于1s，并使经过噪声点去除、中值滤波和插值的方法进行处理后的数据达到频率为1s。

步骤S2中的峰值提取采用高斯尺度空间滤波方法；具体地，所述高斯尺度空间滤波方法具体步骤为：将家庭用电数据与不同尺度的高斯函数做卷积运算得到多条平滑曲线；然后分别在每条平滑曲线上寻找拐点并生成区间树；最后，在区间树上按照尺度由高至低对每个区间依次与设定的阈值进行比较，将低于阈值的设定为基础值，否则继续判定其子区间，直到不存在子区间，设定其为峰值；其中，所述阈值包括该区间的电量的平均值阈值与标准差阈值。

步骤S2中的峰值分类的方法为：通过电量值w_i、标准差s_i、起始时刻t_0i和持续时间d_i对峰值p_i进行描述p_i(w_i,s_i,t_0i,d_i)，其中，峰值的电量值采用聚类的方法获得，峰值的标准差利用傅里叶变换到频域再获取标准差；然后应用马氏距离计算任意两个峰值的相似度，将相似度相近的峰值归为同一类。

步骤S3中，平行用电器识别与分解的具体步骤为：首先，采用试凑法识别平行用电器，将多组单一用电器曲线进行两组和两组以上叠加，并与目标平行用电曲线进行相似性对比，确定平行用电器的叠加方式；然后采用基于贝叶斯理论的最大似然估计法来分解平行用电曲线。

步骤S4中，建立事件概率模型的具体步骤为：设虚拟用电器{a₁,a₂,...,a_j,...,a_n}，设事件总集合为：

其中，表示为第j个用电器 _aj的第i个事件；电量值w_t，起始时刻t_k，持续时间d₀服从一个数学期望为方差为的正态分布：因此，发生事件时，从起始时刻t_k开始，持续使用时间d₀，产生电量值w_t的概率为P，依次发生以上事件的概率集合为事件概率模型，即：

步骤S6中，家庭总用电模型建立的具体步骤为：以时间从零点零分一秒为开始，如果此时发生某个事件的概率为零，则此时的电量值为零，再继续判定下一时刻；若此时的事件概率不为零，则随机选取发生在此刻的多个事件中的一个，然后，生成服从正态分布(该事件中的所有持续时间的均值、标准差)的随机数作为持续使用时间d₀，最后，生成服从正态分布(该事件中的所有电量的均值、标准差)的d₀个随机数作为瞬时电量，以此类推，直至时间到达86400s结束，家庭总用电模型生成。

该基于单传感器的家庭智能用电模型建立方法的有益效果：

1)针对目前用电器电力采集频率低的问题，本发明采用1s的高采样频率，虽然导致采样原始数据存在不稳定性、噪声较多以及电力曲线的波动较大等问题，但依次通过采用预处理的方法对原始数据进行整理、峰值提取、分别建立峰值模型与基础值模型，实现通过高频率采集电力数据的方式，有效保留细节信息，准确描述用电趋势；

2)针对每个用电器各使用一个测电传感器带来的信号干扰与经济问题，本发明仅使用一个测电传感器来测量家庭总用电量，提出“虚拟用电器”的概念，采用基于贝叶斯理论的识别与分解平行用电器的策略，解决了平行用电器无法识 别以及不同用电器却拥有相同用电曲线从而无法将其分离的问题；

3)采用该基于单传感器的家庭智能用电模型建立方法对家庭用电进行模拟的结果准确，精确率能够达到82％以上。

附图说明

图1为本发明的基于单传感器的家庭智能用电模型建立方法的结构示意图；

图2为本发明实施例的峰值分类示意图；

图3为本发明实施例的虚拟用电器概率模型；

图4(a)为本发明实施例的基础值模型；

图4(b)为本发明实施例的基础值数据及其模型；

图5为本发明的随机采样算法流程图；

图6(a)为本发明实施例中某家庭90天中第N₁天的原始实际用电曲线；

图6(b)为本发明实施例中某家庭90天中第N₂天的原始实际用电曲线；

图6(c)为本发明实施例中某家庭90天中第N₃天的原始实际用电曲线；

图6(d)为本发明实施例中某家庭90天中第N₄天的原始实际用电曲线；

图6(e)为采用本发明模型建立方法模拟的家庭某一天用电的预测曲线图。

具体实施方式

下面结合附图及具体实施例对本发明做进一步的说明，但下述实施例绝非对本发明有任何限制。

如图1所示，该基于单传感器的家庭智能用电模型建立方法，由家庭用电数据的采集与处理、家庭用电数据的峰值提取与分类、平行用电器识别与分解、事件概率模型建立、基础值模型建立和家庭总用电模型建立六个步骤构成。

S1、家庭用电数据的采集与处理：

1)使用单独一个测电传感器对某家庭连续90天内的家庭用电数据进行采集；

所述家庭用电数据包括连续时间内每个时间点对应的所有家用电器总电量 (实际功率)数据，即每个时间点均对应采集一次所有家用电器的实际用电功率；具体地，采样频率＜1s。

考虑到测电传感器的不稳定性，对采集的全部家庭用电数据进行预处理，具体地，对电量极其大的数据采用去噪的方法进行处理；对采样频率大于1s的数据采用插值的方法进行处理；对其他采样频率小于1s的数据，采用中值滤波的方法进行处理，最终使采样频率等于1s，即对该家庭每一天采集的家庭用电数据共计86400个(24h*60min*60s＝86400)；因此，90天的家庭用电数据合计为86400*90＝7776000个。

S2、家庭用电数据的峰值提取与分类：

S201、峰值提取采用高斯尺度空间滤波方法，具体步骤如下：

首先，将家庭用电数据与不同尺度(minSigma＝100，maxSigma＝20000和sigmaRatio＝1.1)的高斯函数做卷积运算得到多条平滑曲线；然后分别在每条平滑曲线上寻找拐点并生成区间树；最后，在区间树上按照尺度由高至低对每个区间依次进行判定，即将每个区间与设定的阈值进行比较；

其中，所述阈值包括该区间的电量的平均值阈值与标准差阈值；由于各个家庭用电器类型、数量、用电习惯均不相同，因此各个家庭的阈值也不同，需要事先对电量值进行分析后设定阈值；

若区间树上区间的电量平均值与标准差均低于平均值阈值与标准差阈值，则设定为基础值；否则继续按照上述判定方式判定其子区间，直到不存在子区间，分离出基础值，其余设定其为峰值，以实现将间歇式大功率家电数据(即峰值p_i)从全部家庭用电数据中提取出来；

S202、将从家庭用电数据中提出的全部峰值p_i分别进行描述，通过电量值w_i，标准差s_i，起始时刻t_0i和持续时间d_i对峰值定义为p_i(w_i,s_i,t_0i,d_i)；具体步骤如下：

依次将每个峰值p_i的电量值w_i采用K-means(K＝2)聚类的方法分 成两类，阶跃型峰值的两类，每类拥有电量值的数量相差甚多，此时求取电量值多的那类的中心点作为电量值w_i；跳跃型峰值的两类，每类拥有电量值的数量类似，此时求取两类中心点较大的值作为电量值w_i；

利用傅里叶变换将峰值变换到频域求取标准差作为标准差s_i；

峰值发生的开始时间定义为起始时刻t_0i；

峰值持续发生的时间定义为持续时间d_i；

由于同一种用电器有可能在每天的不同时间使用，因此在进行峰值分类时仅使用电量值w_i，标准差s_i，持续时间d_i三个特征信息，并应用马氏距离，按照公式(1)：

依次计算每两个峰值的相似度，根据相似值将峰值进行分类；其中，设峰值集合p＝(p₁,…,p_i,…p_j,…)，式中，为峰值p_i的特征向量p_i(w_i,s_i,d_i)，为峰值p_j的特征向量p_j(w_j,s_j,d_j)，Σ为数据集p的协方差矩阵，表示峰值p_i与p_j的距离，即相似度。

S3、平行用电器识别与分解：

经上述步骤S2的分类结果中的小类，即分类后所含峰值较少的类(例如：分类后一共有5个类，而用电器一共使用了4种，因此5个类中含峰值较少的1个类认定为小类)，定义为两种或以上用电器同时使用产生的数据，属于平行用电器产生的数据；因此，需要对平行用电器产生的数据进行识别和分解；其中，平行用电器的识别采用试凑法实现；平行用电器的分解采用基于贝叶斯理论的最大似然估计法实现，具体步骤如下：

S301、平行用电器的识别：将多组单一用电器曲线依次进行两组和两组以上叠加，并与目标平行用电曲线进行如上述步骤S202所述方法将目标平行用电曲线与至少两组单一用电器叠加后的曲线依次进行相似性对比，相似度高的即认 为是相应的单一用电器叠加而成；

S302、平行用电器的分解：通过上述识别步骤后，将已知单用电器叠加获得的平行用电器利用公式(2)：

进行分解；其中，x₁,x₂,...,x_n分别为识别后的单用电器的峰值曲线，y为平行用电器的曲线峰值，分别为x₁,x₂,...,x_n所服从的概率分布，分别为平行用电器y分解后得到的两个或多个单用电器曲线；

S303、运用最大似然估计法求解上述公式得到然后重复上述步骤S202，对平行用电器分解后得到的两个或多个单用电器曲线的峰值进行分类，直至峰值分类的个数与用电器个数相同为止；

S304、将最终通过分类获得的单用电器的峰值绘制三维峰值分类图，其中，横坐标为使用的起始时间，纵坐标为电量，第三维坐标为持续使用时间；如图2所示为经过步骤S3得到的结果示例，即单用电器峰值分类图；其中，相同形状标识(如“Δ”)代表同一种虚拟用电器，相同形状的每一个标识(每一个“Δ”)代表一个峰值曲线，即某个虚拟用电器的电量曲线。

S4、事件概率模型建立：

由于我们通常在每天相同时间段使用同一种家电，且假设每种用电器相对独立，因此将每种用电器分别采用一个高斯混合概率模型来描述相应的虚拟用电器模型，并用贝叶斯信息准则来判定高斯的个数，每一个高斯模型称为一个“事件”，事件概率模型为多个事件的集合；具体地步骤如下：

设虚拟用电器{a₁,a₂,...,a_j,...,a_n}；此外，这里，我们定义另一个概念“事件”，所谓事件，是在一段时间t内发生，电量w相似，持续时间d相似的同属性峰值曲线的集合。

设事件总集合为其中， 表示为第j个用电器a_j的第i个事件；另外，电量值w_t，起始时刻t_k，持续时间d₀服从一个数学期望为方差为的正态分布，即

例如，对如图2所示的单用电器峰值分类图进行事件概率模型建立；如图3所示为虚拟用电器概率模型，其中，虚拟用电器为：{a₁,a₂,a₃,a₄}，事件总集合为 对应建立事件概率模型为：

S5、基础值模型建立：

基础值的特征为每天连续存在，数值低且变化范围小，因此将经步骤S2提取出的基础值采用“三分拟合”的方法生成基础模型，具体地，所谓三分为，分季节、分工作日与周末、分时间段；在季节，日期，时间分类后使用二次曲线拟合的方法，得到基础值模型，如图4(a)所示，即用电器a在时间t时开始使用，持续使用时间d，消耗平均瞬时电量w；图4(b)显示为某四天的所有基础值数据及其模型。其中，基础值数据中的各尖点数据(1s)为用电器冰箱在间歇式起动时所产生的，在本发明中设为噪声点，仅去除不做分析建模。

S6、家庭总用电模型建立：

对步骤S4和S5生成的基础模型与事件概率模型采用随机采样的方法建立家庭总用电模型；如图5所示，具体步骤如下：

S601、时间从零点零分一秒t_k＝1s开始，如果此时发生某个事件的概率为零，则此时的电量值为零；继续判定下一时刻t_k＝t_k+1(t_k＜86400s)；若某时刻的事件概率不为零，则进入步骤S602；

S602、随机选取发生在此时刻的多个事件中的任一个事件并生成服从正态分布(和分别为该事件中的所有持续时间的均值和标准差) 的随机数作为持续使用时间d₀；然后生成服从正态分布(ew_m和分别为该事件中的所有电量的均值和标准差)的d₀个随机数作为瞬时电量w_k，并开始步骤S603；

S603、判定时刻修订为t_k＝t_k+d₀(t_k＜86400s)，并重复步骤S601和步骤S602，以此类推，直至时间到达86400结束，事件模型生成；最终，结合基础值模型建立家庭总用电模型。

如图6(a)～(d)所示分别为该家庭90天中随机选择的第N₁天、第N₂天、第N₃天和第N₄天(N₁≠N₂≠N₃≠N₄)的原始实际用电曲线；而图6(e)为经过上述步骤S1～S6最终得到的该家庭用电的预测曲线。

家庭总用电模型建立后，我们对该模型进行了准确度评估。首先，我们划分每天从0点至24点，每半小时一个时间段，在每个时间段内计数原始数据与预测结果中发生峰值的数量，从而进行比较评估。通过统计，采用该基于单传感器的家庭智能用电模型建立方法对家庭用电进行模拟的结果准确，精确率能够达到82％以上，这一判断也可以从图6(a)～(e)的比较结果中看出。

综上所述，该方法从家庭能源信息化着眼，建立家庭智能用电系统，针对使用单一传感器带来的输入信息量少的问题，引入虚拟用电器，通过无监督的学习机制，基于贝叶斯估计的平行用电器识别与分解，建立事件混合高斯概率模型；针对高频采样数据导致的数据跳跃问题，创新提出了提取峰值数据，将峰值与基础值分别建模的方法，建立基础&事件家庭电力消耗模型，实现对家庭用电数据进行精确模拟，为进一步分布式供电系统与区域智能协调用电方面的研究打下研究基础。