《智能家庭环境中用电行为识别研究》由会员分享，可在线阅读，更多相关《智能家庭环境中用电行为识别研究（14页珍藏版）》请在金锄头文库上搜索。
1、智能家庭环境中用电行为识别研究摘要：在家庭环境中, 电力需求侧用户用电行为的识别和反馈是提高终端用户环保意识、节能减排的重要手段。目前, 引起了国内外学者的广泛研究。现有的智能环境在识别家庭行为方面存在一些缺陷。用户很难接受侵入性设备, 非侵入性设备的识别精度不够高。为解决上述问题, 本文采用了一种更合理的数据采集方法, 建立了用户行为的本体模型, 并将改进后的隐式马尔可夫模型作为行为识别方法。本文的主要内容如下: (1) 鉴于用户对行为识别系统采样模式的接受程度较低, 行为识别主要采用现有的数据集, 而不考虑行为中的错误和数据丢失针对这种情况, 设计了用于行为识别的智能套接字采样装置的负载数
2、据, 提出了负载数据验证和融合两种曲线拟合方法的 Lb提升算法来修复数据。该算法利用内核极限学习机了解了家庭电路丢失的特点, 利用全分支的功率关系土堆对数据进行了验证和修复。实验结果表明, Lb提升算法的性能优于拉格朗日插值和 b 样条算法。数据的缺乏对识别性能有重要影响, 数据质量的保证提高了行为识别的准确性。(2) 针对 G 前能量反馈的设计理念过于主观, 对提高能耗行为没有明确的指导, 评价方法模糊, 是以行为为导向的互动反馈 模型, Energyaccess, 被提出。该模型使用焦点 + 上下文 (F + C) 技术来突出显示焦点对象, 以帮助用户改进其行为, 并使用 OZ 向导来设计
3、和测试我们的能量反馈原型。提出了行为变化值的评价标准, 比传统的行为改善评价方法更有效。关键词：智能家居；行为识别，信息目 录第一章 前言31.1 研究目的和意义31.2 国内外研究现状41.2.1 电力负载数据修复的研究方法41.2.2 行为识别的研究现状51.3 研究内容与方法51.4 研究成果6第二章 面向用电行为识别的数据质量保障方法72.1 行为识别系统构建72.2 核极限学习机8第三章 基于上下文本体模型的用电行为识别方法93.1 上下文位置信息获取模块93.2 基于本体论的行为模型93.3 实验10致 谢13参考文献14第一章 前言1.1 研究目的和意义近年来, 随着物联网技术的
4、不断发展和成熟, 智能家居应运而生, 成为时代的要求, 并得到了大力发展。它利用物联网技术连接家庭中的各种设备 (如室内照明系统、空调和供暖系统、数字回放系统、安全保护系统等), 提供照明控制、安全报警、家用电器的远程监控、环境检测等。功能。智能家居不仅具有传统家居功能, 还具有网络通信和设备自动化功能。它提供了全面的信息交换功能, 甚至节省了能耗成本。因此, 智能家居得到越来越多的人的认可和欢迎1, 2。 中国家庭能源消费研究报告 (2015年) 指出, 早在 2010年, 中国的能源消费总量就超过了美国, 成为世界上最大的能源消费国。巨大的能源需求导致了能源供需不平衡、国家能源安全风险和与
5、能源有关的环境污染等诸多问题。目前, 中国已成为世界上最大的温室气体排放国3。在中国的能源消费部门, 住宅能耗已成为仅次于工业部门的第二大能源消费部门, 其中电力消费占居民能源消费总量的比例在不断增加按年份。电能已成为应用最广泛的能源之一。作为能源消费的主要形式, 它被用于住宅生活、工业生产、建筑、交通、服务业等各种情况和情景。在我国住宅能耗中, 消费者节约意识淡薄、公共和家庭用电技术过时等客观因素造成了电力能源的严重浪费。从根本上说, 居民对能源及其行为如何影响能源消耗缺乏认识。基于以上, 智能家居被用来识别用户的能耗行为, 并反馈给用户, 使他们能够了解能耗与自身行为之间的关系, 帮助用户
6、了解自己的用电量行为的根本, 并提高他们的节能意识。 在智能家居中, 行为识别的主要方法是收集环境信息和用户的目标对象, 然后推断用户的行为。大多数行为识别框架都有以下四个步骤: 收集数据、标记数据、提取特征和识别行为。目前, 智能家居行为识别的实施主要要考虑两个问题: 一是根据家庭的具体情况, 安装传感器收集环境和目标信息对象;其次, 如何建立行为模型, 如何使用什么识别算法进行识别。 目前, 越来越多的小米、公牛等厂家投资生产智能插座。大量消费者购买这些产品是为了提供智能家电。此外, 家庭环境中人类行为与电器的耦合程度也在增加。用电行为推断人类的行为是可行的5。1.2 国内外研究现状1.2
7、.1 电力负载数据修复的研究方法基于无线传感器网络的行为识别方法需要大量的无线传感器节点来收集最终用户的上下文, 但这些技术的性能容易受到硬件问题的影响, 如传感器损坏、电池损坏短缺、通信故障和其他原因6。图1.1 说明了传感器数据问题的原因。图1.1 传感器数据问题产生原因国外学者较早研究了负荷数据的清理, 而国内学者起步较晚, 但他们在这一领域也做了相当多的研究。数据清理领域有许多不同的方向。针对本研究中缺失数据的具体情况, 本文主要介绍了我国缺失数据修复的研究现状。2003年, 张伟等人运用粗糙集理论对差异矩阵进行了改进, 以填补缺失的数据。2010年, Guluo 等人以逻辑层作为处理
8、的粒度, 提出了三种基于动态概率路径事件模型的数据填充算法, 计算了事件序列相关性, 推断并修复了后续事件的概率8. 2012年, 武森等人提出了聚类方法, 为缺失的分类变量数据集定义了约束容差集的差异度, 计算了缺失数据集的总差度, 并填补了缺失的数据根据聚类分析结果9。2014年, 卜范玉等人在深度学习的基础上建立了自动编码机, 建立了深填网模型, 分析了数据的特点, 然后利用反向传播算法计算了网络参数, 最后填补了缺失的数据。数据中的值。2015年, 基于聚类方法, 郝胜轩等人利用群集中的平均平方残差来测量群集中数据的相似性, 然后在数据集中填写缺失值。 国内外研究人员主要采用三种数据恢
9、复策略: 基于传统的统计方法、基于数据挖掘方法、基于平滑策略。传统的统计方法需要对数据丢失率非常敏感, 一些统计数据能否表示数据取决于具体情况, 基本上假定数据服从一定的概率分布, 这在家庭的随机环境。基于数据确定的方法主要用于处理结构化关系数据, 一些方法的参数设置对结果的性能有很大影响。大多数时间序列数据恢复方法仍然采用基于距离的相似度计算, 这需要明确的参考值, 但在家庭环境中没有参考和比较的时间序列。目前, 基于参数回归的平滑技术在负载数据领域得到了很好的应用。其实质是模拟负载数据的内部结构和模式。然而, 对于家庭环境的多样性、复杂性和无序性, 需要一个保障机制来确保数据的质量。因此,
10、 本文提出了一种基于数据保证的行为识别方法, 该方法收集家庭电路总分支的负载数据, 计算电路损耗, 验证数据质量, 提高基于数据的数据质量。e 识别系统的来源, 并能处理真实场景中的错误。1.2.2 行为识别的研究现状行为识别作为一个热门话题, 在图像处理、模式识别、无线传感器网络和数据挖掘等领域引起了广泛关注。研究人员开发了许多有效的系统, 这些系统有不同的数据提取方法、行为识别模型等。目前室内行为识别主要有四种采样方法: 基于视频图像的方法;基于便携式设备的方法;基于无线传感器网络的方法;基于无线电技术的方法。这些采样方法为推断用户的特定行为提供了必要的上下文信息, 是室内行为识别的重要先
11、决条件。首先介绍了这些采样方法。一种基于视频图像的采样方法: 主要是在室内安装摄像机时, 根据拍摄到的视频图像, 对用户的行为进行跟踪和识别。目前, 基于视频图像的行为识别在各种场景中得到了广泛的应用。根据具体的环境, 可以分为单用户的行为识别和多用户的行为识别。根据采样摄像头的数量, 可以分为单目摄像机和多摄像机。单目摄像机可以在二维图像的基础上识别, 多眼摄像机可以在合成后基于三维图像的基础上识别。1.3 研究内容与方法本文主要研究了家庭环境下用户的用电行为。具体如下: (1) 鉴于目前的行为识别系统只考虑理想的数据情况, 而不考虑系统的实际部署和数据质量问题的产生, 本文建议将电气数据作
12、为行为分析的元数据, 利用 KELM 了解家庭电路的总分支之间的关系, 改进了家庭负载数据的修复方法, 并探讨了数据的不足。损耗对 HMM 行为推理模型性能的影响。针对单位数据识别行为精度低的问题, 考虑到家庭用户的接受程度, 在系统中增加了室内无缝定位模块, 并建立了家庭用户用电行为的种子本体模型已建立。对于一阶隐藏马尔可夫模型, 只考虑了前一个状态的相关性, 并结合域知识和数据驱动, 考虑了二阶情况。为了获得更好的识别性能, 采用移动方法来识别行为。 (3) 针对现有能量反馈的主观性, 采用 Oz 样机的设计模式对反馈系统进行了设计和测试。针对没有改进指导的能耗行为, 采用数据可视化的 F
13、 + C 技术突出焦点对象, 改进了评价标准, 增加了行为改进值的测量标准。1.4 研究成果(1) 构建了一种比传统的无线传感器网络系统更可行的行为识别系统。针对家庭电路的特点, 提出了一种基于家庭电路特点的负载数据验证与修复算法, 消除了数据采集节点的硬件故障。与拉格朗日插值和 b 样条平滑技术相比, 该修复算法适用于家庭中的随机环境, 对数据丢失具有鲁棒性, 修复精度较高。证明了数据质量对识别结果性能有重要影响。(2) 在行为识别系统中添加定位模块, 收集多元数据, 建立基于本体的行为模型。对传统的 HMM 模型进行了改进, 采用二阶 HMM 来推导将领域知识与知识驱动相结合的 HM2K
14、算法的行为。实验结果表明, 改进后的算法性能优于传统的 HMM 模型。(3) 提出了一种用于数据可视化的能量反馈系统, 解决了传统设计方法在设计过程中过于主观的问题, 指导了行为改进方法。建议的行为改进值清楚地告诉用户他们的行为是否得到了改善。第二章 面向用电行为识别的数据质量保障方法家庭用户需求侧用电行为的识别是研究家庭电能反馈系统的有力工具。建立准确的家庭用户用电行为识别模型, 可以为电力能源管理战略、能耗分析、电力控制和能量反馈提供必要的理论依据和工具。家庭环境, 也改善了智能电网的上部建设和应用。该模型识别了当前家庭环境中的用电行为, 为能量反馈策略提供了必要的理论依据, 使用户能够发
15、现在家庭环境中找不到的高能耗行为。并指示用户修改其行为。2.1 行为识别系统构建目前, 智能电网建设已成为各国的建设目标。目前, 数万家庭都能使用智能电表。小米、公牛等品牌的智能插座只有淘宝一个在线商城每月销量超过万台。基于人们已经开始接受智能插座的使用, 本研究小组建议收集电器的负载数据, 用于元数据收集, 并开发一个智能插座来收集电器的数据实时。如图2.1 所示。图2.1 智能插座功率测量模块: 本智能插座采用 HLW8012, 是深圳市海力科技公司生产的功率测量芯片。该芯片是一种单相多功能测量芯片, 支持 50/Hz IC 6871036 标准的精度要求。错误在0.2% 以内。它为电能测量提供了高频脉冲 CF 的有效值, 为测量电流或电压提供了高频 CF1 的有效值。如图2.2 所示, 芯片由5V 直流电压供电, 电力滤波电容器 C4 和 C5 用于对电网中的低频到高频噪声进行滤波。L-ELAY 是一条连接继电器的火线, 可通过继电保护控制与电网连接。图2.2 功率计量模块2.2 核极限学习机介绍核极限学习机之前，首先要介绍极限学习机（Extreme Learning Machine, ELM），是由南洋理工大学Huang G B副教
