智能家庭环境中用电行为识别研究 电子信息化专业

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1.2.1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,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+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/HzIC6871036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（ExtremeLearningMachine,ELM），是由南洋理工大学HuangGB副教授于2004年提出的、一种求解单隐含层前馈神经网络（Single-hiddenLayerFeedforwardNeuralnetworks,SLFNs）的算法，其是基于SLFNs的模型。现阶段，BP神经网络等传统的机器学习算法已被广泛应用于回归问题中，然而ＢＰ神经网络本身存在着一些缺点和不足：(1)训练时间长。为了完成网络的学习,BP神经网络必须在学习过程中反复调整阈值和权重。(2)必须人为设置大量参数。BP神经网络必须选择合适的参数,如激活函数类型、计算精度、学习速率、最大学习时间和隐藏层中的神经元数量。。第三章基于上下文本体模型的用电行为识别方法在本章中,我们建议使用手机的WiFi信号强度定位室内,以获得多变量数据,并提出了一个电气识别模块来处理电气位置的传输。在此基础上,分析了家庭环境中行为的特点,建立了适合家庭用户行为的本体模型,提出了数据驱动二阶HMM和基于本体的知识驱动相结合的方法提高行为识别精度的方法。在本章中,我们首先介绍了我们系统的其他模块。然后,针对以往一阶概率模型不能捕获实体规则行为的问题,提出了添加二阶模型,利用本体建立行为本体模型,并对系统中的特征进行了规范。结合本体论知识,提高准确性。3.1上下文位置信息获取模块基于移动无线网络的信号强度指示(RSSI)定位:随着智能手机的日益普及,智能手机在人们的生活中越来越不可缺少的设备,而手机往往是由用户携带的。在现代家庭中,路由器是许多家庭不可缺少的设备,它们的位置基本上是固定的,而路由器信号一般不能覆盖家庭的所有部分,有一个以上的路由器已经成为正常的情况,所以没有必要增加更多昂贵的设备。在智能手机系统中使用SDK获取周围WiFi热点(接入点、AP)的信号强度,我们可以使用手机检测人们的室内位置。目前,有两种主要的基于RSSI的室内定位算法。一种是三角定位法,另一种是指纹定位算法。一种三角定位要求我们事先知道AP的位置,这很容易做到,因为ap点在家庭中的位置是固定的。利用经典的信号衰减模型,根据测试数据,可以得到尽可能少的数据点的准确数据,估计模型参数,最后根据计算出的RSSI值得到智能手机与AP接入点之间的距离。根据三角形的质心算法,可以计算出位置。3.2基于本体论的行为模型行为模型是基于家庭中用户行为的知识库。该模型以家庭用电用户行为模型的知识库为基础,可以根据当前的输入环境进行自动分类和推理判断。知识库是语义信息在域中的存储位置。本体模型中的概念、属性、规则和实例存储在知识库中。行为、人、电器、位置等的定义都存储在里面。(1)时间点和持续时间间隔是独立的。家庭用户通常在特定情况下执行日常活动,即在特定的时间和地点执行日常活动。例如,每天在浴室刷牙两次,然后在早上和晚上睡觉。它通常包括使用牙膏、牙刷、水杯和水龙头。此信息称为相应活动的上下文信息。然而,由于家庭环境的特殊性,一项活动可以在一天中的任何时候发生,也可以在任何时候重复。例如,刷牙可以在上午和晚上进行,但如果有人在下午起床,刷牙可能会在下午进行,刷牙的时间也不同。鉴于这种情况,我们不考虑活动的时间点和时间间隔信息维度。(2)元行为的顺序是无关紧要的。因为用户有不同的生活方式、习惯或爱好,一个人的日常活动和别人做这种活动的方式可能会有所不同。例如,在相同行为的情况下(如使用计算机),您可以先打开大型机,然后打开显示器,然后打开立体声以开始使用计算机。或者先打开立体声音响,然后打开显示器,然后打开主机使用计算机。因此,我们不考虑种子行为顺序对种子行为的影响。(3)行为定位相关性。由于家庭环境的特殊性,有些活动只能发生在固定地点,而有些活动可能发生在多个地点,而不是固定地点。例如,用户只能使用厕所去厕所和洗澡在家里;但有了电脑,活动可以在卧室或客厅进行,所以我们需要限制某些活动的地点,并定义可以进行某些活动的多个地点。汉语风格本体论仿真是在问题域中明确指定关键概念及其属性的过程。这些概念可以组织成一个层次结构,在它们的共享部分,以形成超类或子类关系。例如,与计算机一起玩游戏是使用计算机的子类。属性建立概念之间的连接。例如,"位置"的属性是"使用计算机"行为的属性之一,它将"使用计算机"的概念与"位置"的概念联系起来。在问题域中,使用泛型术语模拟概念和属性。最后,推导出的本体本质上是一个知识模型,它可以解码和表示领域知识。在传统的识别方法中,可以避免手工标注、预处理和培训课程。此外,本体允许软件转换数据和推断上下文,从而提高了自动数据转换和推理的能力。3.3实验首先,在Kasteren等人建立的智能家居活动集上进行了实验。该数据集记录了用户14天的活动和23个传感器的13个行为。然后,在我们自己的实际数据集上,我们收集了用户的7天活动,使用11个智能插座和5个位置传感器,确定了10个行为。这两组活动都通过自录记录行为的开始和结束时间,并在用户未记录的时间段内将其标记为"空闲"。对于采集到的数据,根据算法的需要,对数据进行离散化处理。培训或测试日的定义是每天凌晨3点到凌晨3点,一分钟用作离散数据的时间片。如果时间片上有多个行为,则当前时间片上的行为标签是在该分钟中占较大比例的行为标签。我们使用实际情况中记录的每秒的时间片作为测试性能的时间片。首先,我们对不包含明显位置信息的公共数据集进行了实验,因此我们的位置活动矩阵不能使用,因此我们只测试二阶隐藏马尔可夫模型的性能。表3.1显示了二阶概率模型的性能。表3.1二阶ＨＭＭ性能对比从表中我们可以看出,二阶隐藏马尔可夫模型的性能比一阶隐藏马尔可夫模型略好。然而,我们需要考虑数据数量的问题。我们考虑的影响因素越多,我们需要的数据就越多,高阶模型所需的数据也就越多。因此,二阶模型的性能仅略有提高,但显示了高阶模型性能改进的可能性。由于本文添加了位置信息,以前的方法没有使用此信息来执行此操作,因此在我们的数据集中测试的其他方法没有添加此位置信息,而只使用静态电气数据来执行此操作。性能比较见表3.2。表3.2实验结果对比根据结果表,将位置信息的知识矩阵应用到概率模型中,并在Witby算法迭代的搜索空间中执行状态规范,这样就不能搜索整个状态空间,只可以搜索可能的空间,从而节省时间并提高准确性。因此,在HMM2中添加域知识是可行的,该方法验证了高阶概率模块。模型的假设更符合家庭的实际情况。致谢时光飞逝，终于到了论文定稿的这一刻。虽然文章显得有些粗糙，但毕竟凝聚了自己的心血，在此谨向曾经关心、帮助、支持和鼓励我的老师、同事、同学、亲人和朋友们致以最诚挚的谢意和最衷心的祝福衷心感谢我的导师谢铁兔。老师对我两年来的学习、生活给予了悉心的关怀，在本论文的开题、写作、修改、定稿方面更是给予了悉心指导和匠心点拨，论文凝结着导师的汗水和心血。在这两年多的学习和生活过程中，我要向老师们表示衷心的感谢是他们给了我热情的