基于隐马尔可夫模型的用户用电状态识别*

林佳 潘峰 林国营 杨雨瑶 何光宇



基于隐马尔可夫模型的用户用电状态识别*

林佳1潘峰1林国营1杨雨瑶1何光宇2

（1.广东电网有限责任公司计量中心 2.上海交通大学电子信息与电气工程学院）

针对生活用电个体用电量小、波动性强、难以预测识别的问题，提出一种利用隐马尔可夫模型对不同场景的用电状态识别方法。从单用户单电器、单用户多电器和多用户多电器逐渐深入分析，研究学习和解码的主要算法，并求解关联概率矩阵。最后，应用该方法对私人电器和公用电器两个场景进行用电活动自识别，准确率达90%以上。

用户用电模式；隐马尔可夫模型；模式识别

0　引言

传统用电模式识别通过负荷管理终端、智能电表等计量设备获取初始负荷数据，协助供电企业了解用户用电模式，增加电网经济效益；同时有助于电力系统短期负荷预测，从而合理安排电网发电机组的启停，保障电网安全性与可靠性[1-4]。传统用电模式识别主要对象为用电容量较大的工商业电力客户[5-8]。然而，随着生活用电比重逐年上升，居民住宅、办公楼等生活用电主体区域的电力负荷模式识别的研究关注度逐渐上升。与针对工商业电力客户的传统用电模式识别不同，生活用电最终优化策略必须落实到个体目标上，因此生活用电模式识别在分析整体用电特性的基础上，更要深入挖掘个体用户的行为对用电特性的影响。虽然生活用电的整体用电量大，整体用电特性也较为清晰、易于挖掘，但个体用电量小，且波动性强、难以预测，识别难度较大[9-11]。

本文提出一种基于隐马尔可夫模型的用户用电状态识别方法，从单用户单电器、单用户多电器和多用户多电器不同模式深入分析用户用电状态，以提升对用户用电状态识别准确度，提高用户能效。

1　基于隐马尔可夫模型的用户用电状态识别

基于隐马尔可夫模型的用户用电状态识别主要围绕单用户单电器、单用户多电器和多用户多电器3种场景进行建模。

1.1　单用户单电器的隐马尔可夫模型

图1 单用户单电器的隐马尔可夫模型结构

(1)

(2)

(3)

1.2　单用户多电器的隐马尔可夫模型

图2　单用户多电器的隐马尔可夫模型结构

2）观测状态。对原DBN，个电器代表个观测状态节点，所有节点的总状态集合是个电器状态集合的排列组合，包含状态的个数为

(4)

(5)

1.3　多用户多电器的隐马尔可夫模型

对每位用户的用电活动与电器间的关系进行隐马尔可夫建模，建模过程与单用户多电器的隐马尔可夫建模过程相同。下面重点分析对公用电器与多用户之间关系进行隐马尔可夫建模的方法。

多用户多电器的隐马尔可夫模型结构如图3所示。

图3　多用户多电器的隐马尔可夫模型结构

1）隐藏状态。对原DBN，个用户代表着个观测状态节点，所有节点的总状态集合是个用户活动集合的排列组合，包含状态的个数为

(6)

2）观测状态。观测状态表述方法与单用户多电器相同。

(7)

(8)

(9)

2　算例

以某大学双人间实验室设计开发的智能用电网络为基本实验环境，验证本文提出的用户用电模式自识别方法。该实验室中的主要电器设备包括空调、饮水机、笔记本电脑、显示器和台灯，其中空调和饮水机为公用电器；笔记本电脑、显示器、台灯为私人电器。智能用电网络可通过智能插座、智能红外等智能终端实现对电器设备的监测与控制，获取电器设备的开关状态、功率、电压和电流等基本运行信息。表1为主要用户活动与关联电器列表。

表1 主要电器状态

用户活动可能关联的电器额定功率/W 用户1实验公用电器空调1000 饮水机500 私人电器笔记本电脑50 显示器10 台灯20 非实验无 用户2实验公用电器空调1000 饮水机500 私人电器笔记本电脑50 显示器10 非实验无

在夏季连续某12天进行功率采集工作，其中前6天的功率数据用来进行参数学习得到隐马尔可夫最佳模型，后6天的功率数据用来进行解码工作以获得用户活动识别结果。同时记录后6天的用户实际活动情况，用以对照分析求得的识别准确度。还可以结合用户个性化设定，修正参数学习的模型。最后根据用户活动识别结果与电器功率数据，进行电器用电能效等级的识别。

2.1　数据采集

采集的主要数据主要有：在夏季某12天的电器全天功率曲线，采集系统为智能用电网络；12天内后6天的用户活动，包括活动类型、起止时间与关联的电器。

智能用电网络的本地能量信息网关每隔5 s向智能插座等智能终端设备发送查询指令，当检测到功率发生变化时，记录数据，否则不存储数据；最终得到时间与功率等运行信息一一对应的电器运行状况时间序列。

2.2　数据预处理

1）电器设备运行状态划分与功率数据一致性

为了保证数据的一致性，在此根据功率将电器设备的运行状态分为工作、待机和关闭3类，但不对电器设备的工作状态进一步详细划分。关闭状态下的电器设备的功率为0 W，不同电器设备的待机功耗有一定差别，应针对电器的类型和具体电器的型号进行区分。

2）时间序列采样频率

在设定时间序列的采样频率时，采样频率不能过低，需要能完整记录电器的所有运行状态，从而确保所有用户用电活动的准确识别；且采样频率不能过高，否则会导致识别算法执行速度变慢，影响活动识别的实时性。因此，综合考虑用户用电活动的频率、电器的开关频率和识别算法的运行速度，可将时间序列的采样频率设置为10 min~20 min。

3）处理尖峰噪点与孤立点

尖峰功率（电压）产生的原因是电器包括电机、电容器和功率转换设备等核心部件，数值很高且持续时间极短。因此考虑将持续时间极短的功率值剔除即可。孤立点的情况相同，可按照同样的方法处理。

2.3　结果分析

1）私人电器的参数学习与关联概率矩阵

表2 用户1的活动及其私人电器运行状态关联概率

表3 用户2的活动及其私人电器运行状态关联概率

2）公用电器的参数学习与关联概率矩阵

表4 用户1、用户2的活动及公用电器运行状态关联概率

3）用电活动自识别结果

图4　用户1识别结果

图5　用户2识别结果

图6　公用电器识别结果

表5 用户活动识别准确率

图7　空调能效评价结果

图8　饮水机能效评价结果

图9　私人电器能效评价结果

3　结语

本文提出一种不同场景下基于隐马尔可夫模型的用户用电状态识别方法，并从单用户单电器、单用户多电器和多用户多电器进行分析，阐述学习和解码的主要算法，介绍关联概率矩阵的概念。最后，应用该方法对私人电器和公用电器两个场景进行用电活动自识别，准确率达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.基于模糊综合评价的居民智能用电行为分析与互动机制设计[J].电网技术,2012,36(10):247-252.

[9] 柳萌,吴育坚,伍人剑,等.基于用电效用与电器参数特征化的用户侧节能自趋优方法及其应用[J].电力建设,2017, 38(10):69-75.

[10] 赵雪霖,何光宇.生活电器用电效用概念及其评估方法[J].电力系统自动化,2016,40(1):53-59.

[11] 何光宇,何勃兴,何果红,等.基于电器用电效用分级和用户用电行为识别的节能方法:中国,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，硕士研究生，助理工程师，主要研究方向：智能用电相关研究工作。E-mial:214541036@qq.com

潘峰，男，1984年生，博士研究生，高级工程师，主要研究方向：智能用电相关研究工作。E-mial:pf6601@163.com

林国营，男，1982年生，硕士研究生，教授级高级工程师，主要研究方向：智能用电相关研究工作。E-mial: lingofive@gmail.com

杨雨瑶，男，1993年生，硕士研究生，助理工程师，主要研究方向：智能用电相关研究工作。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：智能用电相关研究工作。E-mial: gyhe@sjtu.edu.cn

南方电网有限责任公司科技项目 （GDKJXM20161607）