林佳 潘峰 林國營 楊雨瑤 何光宇

?

基于隱馬爾可夫模型的用戶用電狀態(tài)識別*

林佳1潘峰1林國營1楊雨瑤1何光宇2

（1.廣東電網(wǎng)有限責(zé)任公司計量中心 2.上海交通大學(xué)電子信息與電氣工程學(xué)院）

針對生活用電個體用電量小、波動性強、難以預(yù)測識別的問題，提出一種利用隱馬爾可夫模型對不同場景的用電狀態(tài)識別方法。從單用戶單電器、單用戶多電器和多用戶多電器逐漸深入分析，研究學(xué)習(xí)和解碼的主要算法，并求解關(guān)聯(lián)概率矩陣。最后，應(yīng)用該方法對私人電器和公用電器兩個場景進行用電活動自識別，準(zhǔn)確率達90%以上。

用戶用電模式；隱馬爾可夫模型；模式識別

0　引言

傳統(tǒng)用電模式識別通過負(fù)荷管理終端、智能電表等計量設(shè)備獲取初始負(fù)荷數(shù)據(jù)，協(xié)助供電企業(yè)了解用戶用電模式，增加電網(wǎng)經(jīng)濟效益；同時有助于電力系統(tǒng)短期負(fù)荷預(yù)測，從而合理安排電網(wǎng)發(fā)電機組的啟停，保障電網(wǎng)安全性與可靠性[1-4]。傳統(tǒng)用電模式識別主要對象為用電容量較大的工商業(yè)電力客戶[5-8]。然而，隨著生活用電比重逐年上升，居民住宅、辦公樓等生活用電主體區(qū)域的電力負(fù)荷模式識別的研究關(guān)注度逐漸上升。與針對工商業(yè)電力客戶的傳統(tǒng)用電模式識別不同，生活用電最終優(yōu)化策略必須落實到個體目標(biāo)上，因此生活用電模式識別在分析整體用電特性的基礎(chǔ)上，更要深入挖掘個體用戶的行為對用電特性的影響。雖然生活用電的整體用電量大，整體用電特性也較為清晰、易于挖掘，但個體用電量小，且波動性強、難以預(yù)測，識別難度較大[9-11]。

本文提出一種基于隱馬爾可夫模型的用戶用電狀態(tài)識別方法，從單用戶單電器、單用戶多電器和多用戶多電器不同模式深入分析用戶用電狀態(tài)，以提升對用戶用電狀態(tài)識別準(zhǔn)確度，提高用戶能效。

1　基于隱馬爾可夫模型的用戶用電狀態(tài)識別

基于隱馬爾可夫模型的用戶用電狀態(tài)識別主要圍繞單用戶單電器、單用戶多電器和多用戶多電器3種場景進行建模。

1.1　單用戶單電器的隱馬爾可夫模型

圖1 單用戶單電器的隱馬爾可夫模型結(jié)構(gòu)

(1)

(2)

(3)

1.2　單用戶多電器的隱馬爾可夫模型

圖2　單用戶多電器的隱馬爾可夫模型結(jié)構(gòu)

2）觀測狀態(tài)。對原DBN，個電器代表個觀測狀態(tài)節(jié)點，所有節(jié)點的總狀態(tài)集合是個電器狀態(tài)集合的排列組合，包含狀態(tài)的個數(shù)為

(4)

(5)

1.3　多用戶多電器的隱馬爾可夫模型

對每位用戶的用電活動與電器間的關(guān)系進行隱馬爾可夫建模，建模過程與單用戶多電器的隱馬爾可夫建模過程相同。下面重點分析對公用電器與多用戶之間關(guān)系進行隱馬爾可夫建模的方法。

多用戶多電器的隱馬爾可夫模型結(jié)構(gòu)如圖3所示。

圖3　多用戶多電器的隱馬爾可夫模型結(jié)構(gòu)

1）隱藏狀態(tài)。對原DBN，個用戶代表著個觀測狀態(tài)節(jié)點，所有節(jié)點的總狀態(tài)集合是個用戶活動集合的排列組合，包含狀態(tài)的個數(shù)為

(6)

2）觀測狀態(tài)。觀測狀態(tài)表述方法與單用戶多電器相同。

(7)

(8)

(9)

2　算例

以某大學(xué)雙人間實驗室設(shè)計開發(fā)的智能用電網(wǎng)絡(luò)為基本實驗環(huán)境，驗證本文提出的用戶用電模式自識別方法。該實驗室中的主要電器設(shè)備包括空調(diào)、飲水機、筆記本電腦、顯示器和臺燈，其中空調(diào)和飲水機為公用電器；筆記本電腦、顯示器、臺燈為私人電器。智能用電網(wǎng)絡(luò)可通過智能插座、智能紅外等智能終端實現(xiàn)對電器設(shè)備的監(jiān)測與控制，獲取電器設(shè)備的開關(guān)狀態(tài)、功率、電壓和電流等基本運行信息。表1為主要用戶活動與關(guān)聯(lián)電器列表。

表1 主要電器狀態(tài)

用戶活動可能關(guān)聯(lián)的電器額定功率/W 用戶1實驗公用電器空調(diào)1000 飲水機500 私人電器筆記本電腦50 顯示器10 臺燈20 非實驗無 用戶2實驗公用電器空調(diào)1000 飲水機500 私人電器筆記本電腦50 顯示器10 非實驗無

在夏季連續(xù)某12天進行功率采集工作，其中前6天的功率數(shù)據(jù)用來進行參數(shù)學(xué)習(xí)得到隱馬爾可夫最佳模型，后6天的功率數(shù)據(jù)用來進行解碼工作以獲得用戶活動識別結(jié)果。同時記錄后6天的用戶實際活動情況，用以對照分析求得的識別準(zhǔn)確度。還可以結(jié)合用戶個性化設(shè)定，修正參數(shù)學(xué)習(xí)的模型。最后根據(jù)用戶活動識別結(jié)果與電器功率數(shù)據(jù)，進行電器用電能效等級的識別。

2.1　數(shù)據(jù)采集

采集的主要數(shù)據(jù)主要有：在夏季某12天的電器全天功率曲線，采集系統(tǒng)為智能用電網(wǎng)絡(luò)；12天內(nèi)后6天的用戶活動，包括活動類型、起止時間與關(guān)聯(lián)的電器。

智能用電網(wǎng)絡(luò)的本地能量信息網(wǎng)關(guān)每隔5 s向智能插座等智能終端設(shè)備發(fā)送查詢指令，當(dāng)檢測到功率發(fā)生變化時，記錄數(shù)據(jù)，否則不存儲數(shù)據(jù)；最終得到時間與功率等運行信息一一對應(yīng)的電器運行狀況時間序列。

2.2　數(shù)據(jù)預(yù)處理

1）電器設(shè)備運行狀態(tài)劃分與功率數(shù)據(jù)一致性

為了保證數(shù)據(jù)的一致性，在此根據(jù)功率將電器設(shè)備的運行狀態(tài)分為工作、待機和關(guān)閉3類，但不對電器設(shè)備的工作狀態(tài)進一步詳細劃分。關(guān)閉狀態(tài)下的電器設(shè)備的功率為0 W，不同電器設(shè)備的待機功耗有一定差別，應(yīng)針對電器的類型和具體電器的型號進行區(qū)分。

2）時間序列采樣頻率

在設(shè)定時間序列的采樣頻率時，采樣頻率不能過低，需要能完整記錄電器的所有運行狀態(tài)，從而確保所有用戶用電活動的準(zhǔn)確識別；且采樣頻率不能過高，否則會導(dǎo)致識別算法執(zhí)行速度變慢，影響活動識別的實時性。因此，綜合考慮用戶用電活動的頻率、電器的開關(guān)頻率和識別算法的運行速度，可將時間序列的采樣頻率設(shè)置為10 min~20 min。

3）處理尖峰噪點與孤立點

尖峰功率（電壓）產(chǎn)生的原因是電器包括電機、電容器和功率轉(zhuǎn)換設(shè)備等核心部件，數(shù)值很高且持續(xù)時間極短。因此考慮將持續(xù)時間極短的功率值剔除即可。孤立點的情況相同，可按照同樣的方法處理。

2.3　結(jié)果分析

1）私人電器的參數(shù)學(xué)習(xí)與關(guān)聯(lián)概率矩陣

表2 用戶1的活動及其私人電器運行狀態(tài)關(guān)聯(lián)概率

表3 用戶2的活動及其私人電器運行狀態(tài)關(guān)聯(lián)概率

2）公用電器的參數(shù)學(xué)習(xí)與關(guān)聯(lián)概率矩陣

表4 用戶1、用戶2的活動及公用電器運行狀態(tài)關(guān)聯(lián)概率

3）用電活動自識別結(jié)果

圖4　用戶1識別結(jié)果

圖5　用戶2識別結(jié)果

圖6　公用電器識別結(jié)果

表5 用戶活動識別準(zhǔn)確率

圖7　空調(diào)能效評價結(jié)果

圖8　飲水機能效評價結(jié)果

圖9　私人電器能效評價結(jié)果

3　結(jié)語

本文提出一種不同場景下基于隱馬爾可夫模型的用戶用電狀態(tài)識別方法，并從單用戶單電器、單用戶多電器和多用戶多電器進行分析，闡述學(xué)習(xí)和解碼的主要算法，介紹關(guān)聯(lián)概率矩陣的概念。最后，應(yīng)用該方法對私人電器和公用電器兩個場景進行用電活動自識別，準(zhǔn)確率達90%以上。

[1] Jorgensen J M, Sorensen S H, Behnke K, et al. EcoGrid EU—A prototype for European Smart Grids[C]//Power and Energy Society General Meeting, 2011 IEEE. IEEE, 2011: 1-7.

[2] Alemdar H, Ertan H, Incel O D, et al. ARAS human activity datasets in multiple homes with multiple residents[C]//Pervasive Computing Technologies for Healthcare (PervasiveHealth), 2013 7th International Conference on. IEEE, 2013: 232-235.

[3] Noury N, Hadidi T. Simulation of human activity in a Health Smart Home with HMM[C]//IEEE, International Conference on E-Health Networking, Applications & Services. IEEE, 2014: 125-129.

[4] Milenkovic M, Amft O. Recognizing energy-related activities using sensors commonly installed in office buildings[J]. Procedia Computer Science, 2013, 19: 669-677.

[5] Kashimoto Y, Ogura K, Yamamoto S, et al. Saving energy in smart homes with minimal comfort level reduction[C]//Pervasive Computing and Communications Workshops (PERCOM Workshops), 2013 IEEE International Conference on. IEEE, 2013: 372-376.

[6] Pallotti E, Mangiatordi F, Fasano M, et al. GA strategies for optimal planning of daily energy consumptions and user satisfaction in buildings[C]//Environment and Electrical Engineering (EEEIC), 2013 12th International Conference on. IEEE, 2013: 440-444.

[7] Cottone P, Gaglio S, Re G L, et al. User activity recognition for energy saving in smart homes[C]//Sustainable Internet and ICT for Sustainability (SustainIT), 2013 IEEE, 2013: 1-9.

[8] 何永秀,王冰,熊威,等.基于模糊綜合評價的居民智能用電行為分析與互動機制設(shè)計[J].電網(wǎng)技術(shù),2012,36(10):247-252.

[9] 柳萌,吳育堅,伍人劍,等.基于用電效用與電器參數(shù)特征化的用戶側(cè)節(jié)能自趨優(yōu)方法及其應(yīng)用[J].電力建設(shè),2017, 38(10):69-75.

[10] 趙雪霖,何光宇.生活電器用電效用概念及其評估方法[J].電力系統(tǒng)自動化,2016,40(1):53-59.

[11] 何光宇,何勃興,何果紅,等.基于電器用電效用分級和用戶用電行為識別的節(jié)能方法:中國,CN105184408A[P].2015-12-23.

The Pattern Recognition of Residential Power Consumption Based on HMM

Lin Jia1Pan Feng1Lin Guoying1Yang Yuyao1He Guangyu2

(1. Measurement Center of Guangdong Power Grid Co., Ltd. 2. Shanghai Jiao Tong University)

Aiming at the problems of small electricity consumption, strong volatility and unpredictable identification of household electricity consumers, this paper discusses the different scenarios of power use the Hidden Markov Model (HMM) modeling method of pattern recognition, from single-user single-appliance, single-user multi-appliances, multi-users multi-appliances gradually in-depth analysis. Secondly, the main algorithms of learning and decoding are introduced, and the concept of association probability matrix is introduced. Finally, this method is applied to the self-identification of power consumption in two scenarios of private and public appliances, and the accuracy is more than 90%.

Residential Power Consumption; Hidden Markov Model; Pattern Recognition

林佳，男，1990年生，碩士研究生，助理工程師，主要研究方向：智能用電相關(guān)研究工作。E-mial:214541036@qq.com

潘峰，男，1984年生，博士研究生，高級工程師，主要研究方向：智能用電相關(guān)研究工作。E-mial:pf6601@163.com

林國營，男，1982年生，碩士研究生，教授級高級工程師，主要研究方向：智能用電相關(guān)研究工作。E-mial: lingofive@gmail.com

楊雨瑤，男，1993年生，碩士研究生，助理工程師，主要研究方向：智能用電相關(guān)研究工作。E-mial:18588840920@163.com

何光宇，男，1972年生，博士研究生，教授，主要研究方向：智能用電相關(guān)研究工作。E-mial: gyhe@sjtu.edu.cn

南方電網(wǎng)有限責(zé)任公司科技項目 （GDKJXM20161607）