智能家庭環境中用電行為識別研究摘要：在家庭環境中,電力需求側用戶用電行為的識別和反饋是提高終端用戶環保意識、節能減排的重要手段。目前,引起了國內外學者的廣泛研究。現有的智能環境在識別家庭行為方面存在一些缺陷。用戶很難接受侵入性設備,非侵入性設備的識別精度不夠高。為解決上述問題,本文采用了一種更合理的數據采集方法,建立了用戶行為的本體模型,并將改進后的隱式馬爾可夫模型作為行為識別方法。本文的主要內容如下:(1)鑒于用戶對行為識別系統采樣模式的接受程度較低,行為識別主要采用現有的數據集,而不考慮行為中的錯誤和數據丟失針對這種情況,設計了用于行為識別的智能套接字采樣裝置的負載數據,提出了負載數據驗證和融合兩種曲線擬合方法的Lb提升算法來修復數據。該算法利用內核極限學習機了解了家庭電路丟失的特點,利用全分支的功率關系土堆對數據進行了驗證和修復。實驗結果表明,Lb提升算法的性能優于拉格朗日插值和b樣條算法。數據的缺乏對識別性能有重要影響,數據質量的保證提高了行為識別的準確性。(2)針對G前能量反饋的設計理念過于主觀,對提高能耗行為沒有明確的指導,評價方法模糊,是以行為為導向的互動反饋模型,Energyaccess,被提出。該模型使用焦點+上下文(F+C)技術來突出顯示焦點對象,以幫助用戶改進其行為,并使用OZ向導來設計和測試我們的能量反饋原型。提出了行為變化值的評價標準,比傳統的行為改善評價方法更有效。關鍵詞：智能家居；行為識別，信息目錄第一章前言 31.1研究目的和意義 31.2國內外研究現狀 41.2.1電力負載數據修復的研究方法 41.2.2行為識別的研究現狀 51.3研究內容與方法 51.4研究成果 6第二章面向用電行為識別的數據質量保障方法 72.1行為識別系統構建 72.2核極限學習機 8第三章基于上下文本體模型的用電行為識別方法 93.1上下文位置信息獲取模塊 93.2基于本體論的行為模型 93.3實驗 10致謝 13參考文獻 14第一章前言1.1研究目的和意義近年來,隨著物聯網技術的不斷發展和成熟,智能家居應運而生,成為時代的要求,并得到了大力發展。它利用物聯網技術連接家庭中的各種設備(如室內照明系統、空調和供暖系統、數字回放系統、安全保護系統等),提供照明控制、安全報警、家用電器的遠程監控、環境檢測等。功能。智能家居不僅具有傳統家居功能,還具有網絡通信和設備自動化功能。它提供了全面的信息交換功能,甚至節省了能耗成本。因此,智能家居得到越來越多的人的認可和歡迎[1,2]。中國家庭能源消費研究報告(2015年)指出,早在2010年,中國的能源消費總量就超過了美國,成為世界上最大的能源消費國。巨大的能源需求導致了能源供需不平衡、國家能源安全風險和與能源有關的環境污染等諸多問題。目前,中國已成為世界上最大的溫室氣體排放國[3]。在中國的能源消費部門,住宅能耗已成為僅次于工業部門的第二大能源消費部門,其中電力消費占居民能源消費總量的比例在不斷增加按年份。電能已成為應用最廣泛的能源之一。作為能源消費的主要形式,它被用于住宅生活、工業生產、建筑、交通、服務業等各種情況和情景。在我國住宅能耗中,消費者節約意識淡薄、公共和家庭用電技術過時等客觀因素造成了電力能源的嚴重浪費。從根本上說,居民對能源及其行為如何影響能源消耗缺乏認識。基于以上,智能家居被用來識別用戶的能耗行為,并反饋給用戶,使他們能夠了解能耗與自身行為之間的關系,幫助用戶了解自己的用電量行為的根本,并提高他們的節能意識。在智能家居中,行為識別的主要方法是收集環境信息和用戶的目標對象,然后推斷用戶的行為。大多數行為識別框架都有以下四個步驟:收集數據、標記數據、提取特征和識別行為。目前,智能家居行為識別的實施主要要考慮兩個問題:一是根據家庭的具體情況,安裝傳感器收集環境和目標信息對象;其次,如何建立行為模型,如何使用什么識別算法進行識別。目前,越來越多的小米、公牛等廠家投資生產智能插座。大量消費者購買這些產品是為了提供智能家電。此外,家庭環境中人類行為與電器的耦合程度也在增加。用電行為推斷人類的行為是可行的[5]。1.2國內外研究現狀1.2.1電力負載數據修復的研究方法基于無線傳感器網絡的行為識別方法需要大量的無線傳感器節點來收集最終用戶的上下文,但這些技術的性能容易受到硬件問題的影響,如傳感器損壞、電池損壞短缺、通信故障和其他原因[6]。圖1.1說明了傳感器數據問題的原因。。圖1.1傳感器數據問題產生原因國外學者較早研究了負荷數據的清理,而國內學者起步較晚,但他們在這一領域也做了相當多的研究。數據清理領域有許多不同的方向。針對本研究中缺失數據的具體情況,本文主要介紹了我國缺失數據修復的研究現狀。2003年,張偉等人運用粗糙集理論對差異矩陣進行了改進,以填補缺失的數據。2010年,Guluo等人以邏輯層作為處理的粒度,提出了三種基于動態概率路徑事件模型的數據填充算法,計算了事件序列相關性,推斷并修復了后續事件的概率[8].2012年,武森等人提出了聚類方法,為缺失的分類變量數據集定義了約束容差集的差異度,計算了缺失數據集的總差度,并填補了缺失的數據根據聚類分析結果[9]。2014年,卜范玉等人在深度學習的基礎上建立了自動編碼機,建立了深填網模型,分析了數據的特點,然后利用反向傳播算法計算了網絡參數,最后填補了缺失的數據。數據中的值。2015年,基于聚類方法,郝勝軒等人利用群集中的平均平方殘差來測量群集中數據的相似性,然后在數據集中填寫缺失值。國內外研究人員主要采用三種數據恢復策略:基于傳統的統計方法、基于數據挖掘方法、基于平滑策略。傳統的統計方法需要對數據丟失率非常敏感,一些統計數據能否表示數據取決于具體情況,基本上假定數據服從一定的概率分布,這在家庭的隨機環境。基于數據確定的方法主要用于處理結構化關系數據,一些方法的參數設置對結果的性能有很大影響。大多數時間序列數據恢復方法仍然采用基于距離的相似度計算,這需要明確的參考值,但在家庭環境中沒有參考和比較的時間序列。目前,基于參數回歸的平滑技術在負載數據領域得到了很好的應用。其實質是模擬負載數據的內部結構和模式。然而,對于家庭環境的多樣性、復雜性和無序性,需要一個保障機制來確保數據的質量。因此,本文提出了一種基于數據保證的行為識別方法,該方法收集家庭電路總分支的負載數據,計算電路損耗,驗證數據質量,提高基于數據的數據質量。e識別系統的來源,并能處理真實場景中的錯誤。1.2.2行為識別的研究現狀行為識別作為一個熱門話題,在圖像處理、模式識別、無線傳感器網絡和數據挖掘等領域引起了廣泛關注。研究人員開發了許多有效的系統,這些系統有不同的數據提取方法、行為識別模型等。目前室內行為識別主要有四種采樣方法:基于視頻圖像的方法;基于便攜式設備的方法;基于無線傳感器網絡的方法;基于無線電技術的方法。這些采樣方法為推斷用戶的特定行為提供了必要的上下文信息,是室內行為識別的重要先決條件。首先介紹了這些采樣方法。一種基于視頻圖像的采樣方法:主要是在室內安裝攝像機時,根據拍攝到的視頻圖像,對用戶的行為進行跟蹤和識別。目前,基于視頻圖像的行為識別在各種場景中得到了廣泛的應用。根據具體的環境,可以分為單用戶的行為識別和多用戶的行為識別。根據采樣攝像頭的數量,可以分為單目攝像機和多攝像機。單目攝像機可以在二維圖像的基礎上識別,多眼攝像機可以在合成后基于三維圖像的基礎上識別。1.3研究內容與方法本文主要研究了家庭環境下用戶的用電行為。具體如下:(1)鑒于目前的行為識別系統只考慮理想的數據情況,而不考慮系統的實際部署和數據質量問題的產生,本文建議將電氣數據作為行為分析的元數據,利用KELM了解家庭電路的總分支之間的關系,改進了家庭負載數據的修復方法,并探討了數據的不足。損耗對HMM行為推理模型性能的影響。針對單位數據識別行為精度低的問題,考慮到家庭用戶的接受程度,在系統中增加了室內無縫定位模塊,并建立了家庭用戶用電行為的種子本體模型已建立。對于一階隱藏馬爾可夫模型,只考慮了前一個狀態的相關性,并結合域知識和數據驅動,考慮了二階情況。為了獲得更好的識別性能,采用移動方法來識別行為。(3)針對現有能量反饋的主觀性,采用Oz樣機的設計模式對反饋系統進行了設計和測試。針對沒有改進指導的能耗行為,采用數據可視化的F+C技術突出焦點對象,改進了評價標準,增加了行為改進值的測量標準。。1.4研究成果(1)構建了一種比傳統的無線傳感器網絡系統更可行的行為識別系統。針對家庭電路的特點,提出了一種基于家庭電路特點的負載數據驗證與修復算法,消除了數據采集節點的硬件故障。與拉格朗日插值和b樣條平滑技術相比,該修復算法適用于家庭中的隨機環境,對數據丟失具有魯棒性,修復精度較高。證明了數據質量對識別結果性能有重要影響。(2)在行為識別系統中添加定位模塊,收集多元數據,建立基于本體的行為模型。對傳統的HMM模型進行了改進,采用二階HMM來推導將領域知識與知識驅動相結合的HM2K算法的行為。實驗結果表明,改進后的算法性能優于傳統的HMM模型。(3)提出了一種用于數據可視化的能量反饋系統,解決了傳統設計方法在設計過程中過于主觀的問題,指導了行為改進方法。建議的行為改進值清楚地告訴用戶他們的行為是否得到了改善。第二章面向用電行為識別的數據質量保障方法家庭用戶需求側用電行為的識別是研究家庭電能反饋系統的有力工具。建立準確的家庭用戶用電行為識別模型,可以為電力能源管理戰略、能耗分析、電力控制和能量反饋提供必要的理論依據和工具。家庭環境,也改善了智能電網的上部建設和應用。該模型識別了當前家庭環境中的用電行為,為能量反饋策略提供了必要的理論依據,使用戶能夠發現在家庭環境中找不到的高能耗行為。并指示用戶修改其行為。2.1行為識別系統構建目前,智能電網建設已成為各國的建設目標。目前,數萬家庭都能使用智能電表。小米、公牛等品牌的智能插座只有淘寶一個在線商城每月銷量超過萬臺。基于人們已經開始接受智能插座的使用,本研究小組建議收集電器的負載數據,用于元數據收集,并開發一個智能插座來收集電器的數據實時。如圖2.1所示。圖2.1智能插座功率測量模塊:本智能插座采用HLW8012,是深圳市海力科技公司生產的功率測量芯片。該芯片是一種單相多功能測量芯片,支持50/HzIC6871036標準的精度要求。錯誤在0.2%以內。它為電能測量提供了高頻脈沖CF的有效值,為測量電流或電壓提供了高頻CF1的有效值。如圖2.2所示,芯片由5V直流電壓供電,電力濾波電容器C4和C5用于對電網中的低頻到高頻噪聲進行濾波。L-ELAY是一條連接繼電器的火線,可通過繼電保護控制與電網連接。圖2.2功率計量模塊2.2核極限學習機介紹核極限學習機之前，首先要介紹極限學習機（ExtremeLearningMachine,ELM），是由南洋理工大學HuangGB副教授于2004年提出的、一種求解單隱含層前饋神經網絡（Single-hiddenLayerFeedforwardNeuralnetworks,SLFNs）的算法，其是基于SLFNs的模型。現階段，BP神經網絡等傳統的機器學習算法已被廣泛應用于回歸問題中，然而ＢＰ神經網絡本身存在著一些缺點和不足：(1)訓練時間長。為了完成網絡的學習,BP神經網絡必須在學習過程中反復調整閾值和權重。(2)必須人為設置大量參數。BP神經網絡必須選擇合適的參數,如激活函數類型、計算精度、學習速率、最大學習時間和隱藏層中的神經元數量。。第三章基于上下文本體模型的用電行為識別方法在本章中,我們建議使用手機的WiFi信號強度定位室內,以獲得多變量數據,并提出了一個電氣識別模塊來處理電氣位置的傳輸。在此基礎上,分析了家庭環境中行為的特點,建立了適合家庭用戶行為的本體模型,提出了數據驅動二階HMM和基于本體的知識驅動相結合的方法提高行為識別精度的方法。在本章中,我們首先介紹了我們系統的其他模塊。然后,針對以往一階概率模型不能捕獲實體規則行為的問題,提出了添加二階模型,利用本體建立行為本體模型,并對系統中的特征進行了規范。結合本體論知識,提高準確性。3.1上下文位置信息獲取模塊基于移動無線網絡的信號強度指示(RSSI)定位:隨著智能手機的日益普及,智能手機在人們的生活中越來越不可缺少的設備,而手機往往是由用戶攜帶的。在現代家庭中,路由器是許多家庭不可缺少的設備,它們的位置基本上是固定的,而路由器信號一般不能覆蓋家庭的所有部分,有一個以上的路由器已經成為正常的情況,所以沒有必要增加更多昂貴的設備。在智能手機系統中使用SDK獲取周圍WiFi熱點(接入點、AP)的信號強度,我們可以使用手機檢測人們的室內位置。目前,有兩種主要的基于RSSI的室內定位算法。一種是三角定位法,另一種是指紋定位算法。一種三角定位要求我們事先知道AP的位置,這很容易做到,因為ap點在家庭中的位置是固定的。利用經典的信號衰減模型,根據測試數據,可以得到盡可能少的數據點的準確數據,估計模型參數,最后根據計算出的RSSI值得到智能手機與AP接入點之間的距離。根據三角形的質心算法,可以計算出位置。3.2基于本體論的行為模型行為模型是基于家庭中用戶行為的知識庫。該模型以家庭用電用戶行為模型的知識庫為基礎,可以根據當前的輸入環境進行自動分類和推理判斷。知識庫是語義信息在域中的存儲位置。本體模型中的概念、屬性、規則和實例存儲在知識庫中。行為、人、電器、位置等的定義都存儲在里面。(1)時間點和持續時間間隔是獨立的。家庭用戶通常在特定情況下執行日常活動,即在特定的時間和地點執行日常活動。例如,每天在浴室刷牙兩次,然后在早上和晚上睡覺。它通常包括使用牙膏、牙刷、水杯和水龍頭。此信息稱為相應活動的上下文信息。然而,由于家庭環境的特殊性,一項活動可以在一天中的任何時候發生,也可以在任何時候重復。例如,刷牙可以在上午和晚上進行,但如果有人在下午起床,刷牙可能會在下午進行,刷牙的時間也不同。鑒于這種情況,我們不考慮活動的時間點和時間間隔信息維度。(2)元行為的順序是無關緊要的。因為用戶有不同的生活方式、習慣或愛好,一個人的日常活動和別人做這種活動的方式可能會有所不同。例如,在相同行為的情況下(如使用計算機),您可以先打開大型機,然后打開顯示器,然后打開立體聲以開始使用計算機。或者先打開立體聲音響,然后打開顯示器,然后打開主機使用計算機。因此,我們不考慮種子行為順序對種子行為的影響。(3)行為定位相關性。由于家庭環境的特殊性,有些活動只能發生在固定地點,而有些活動可能發生在多個地點,而不是固定地點。例如,用戶只能使用廁所去廁所和洗澡在家里;但有了電腦,活動可以在臥室或客廳進行,所以我們需要限制某些活動的地點,并定義可以進行某些活動的多個地點。漢語風格本體論仿真是在問題域中明確指定關鍵概念及其屬性的過程。這些概念可以組織成一個層次結構,在它們的共享部分,以形成超類或子類關系。例如,與計算機一起玩游戲是使用計算機的子類。屬性建立概念之間的連接。例如,"位置"的屬性是"使用計算機"行為的屬性之一,它將"使用計算機"的概念與"位置"的概念聯系起來。在問題域中,使用泛型術語模擬概念和屬性。最后,推導出的本體本質上是一個知識模型,它可以解碼和表示領域知識。在傳統的識別方法中,可以避免手工標注、預處理和培訓課程。此外,本體允許軟件轉換數據和推斷上下文,從而提高了自動數據轉換和推理的能力。3.3實驗首先,在Kasteren等人建立的智能家居活動集上進行了實驗。該數據集記錄了用戶14天的活動和23個傳感器的13個行為。然后,在我們自己的實際數據集上,我們收集了用戶的7天活動,使用11個智能插座和5個位置傳感器,確定了10個行為。這兩組活動都通過自錄記錄行為的開始和結束時間,并在用戶未記錄的時間段內將其標記為"空閑"。對于采集到的數據,根據算法的需要,對數據進行離散化處理。培訓或測試日的定義是每天凌晨3點到凌晨3點,一分鐘用作離散數據的時間片。如果時間片上有多個行為,則當前時間片上的行為標簽是在該分鐘中占較大比例的行為標簽。我們使用實際情況中記錄的每秒的時間片作為測試性能的時間片。首先,我們對不包含明顯位置信息的公共數據集進行了實驗,因此我們的位置活動矩陣不能使用,因此我們只測試二階隱藏馬爾可夫模型的性能。表3.1顯示了二階概率模型的性能。表3.1二階ＨＭＭ性能對比從表中我們可以看出,二階隱藏馬爾可夫模型的性能比一階隱藏馬爾可夫模型略好。然而,我們需要考慮數據數量的問題。我們考慮的影響因素越多,我們需要的數據就越多,高階模型所需的數據也就越多。因此,二階模型的性能僅略有提高,但顯示了高階模型性能改進的可能性。由于本文添加了位置信息,以前的方法沒有使用此信息來執行此操作,因此在我們的數據集中測試的其他方法沒有添加此位置信息,而只使用靜態電氣數據來執行此操作。性能比較見表3.2。表3.2實驗結果對比根據結果表,將位置信息的知識矩陣應用到概率模型中,并在Witby算法迭代的搜索空間中執行狀態規范,這樣就不能搜索整個狀態空間,只可以搜索可能的空間,從而節省時間并提高準確性。因此,在HMM2中添加域知識是可行的,該方法驗證了高階概率模塊。模型的假設更符合家庭的實際情況。致謝時光飛逝，終于到了論文定稿的這一刻。雖然文章顯得有些粗糙，但畢竟凝聚了自己的心血，在此謹向曾經關心、幫助、支持和鼓勵我的老師、同事、同學、親人和朋友們致以最誠摯的謝意和最衷心的祝福衷心感謝我的導師謝鐵兔。老師對我兩年來的學習、生活給予了悉心的關懷，在本論文的開題、寫作、修改、定稿方面更是給予了悉心指導和匠心點撥，論文凝結著導師的汗水和心血。在這兩年多的學習和生活過程中，我要向老師們表示衷心的感謝是他們給了我熱情的