[發明專利]一種基于人類行為的負荷分解算法

有效

• 申請號: 201810725300.4
• 申請日: 2018-07-04
• 公開（公告）號: CN109214545B
• 公開（公告）日: 2020-06-16
• 發明（設計）人: 殷波;魏志強;叢艷平;黃賢青;李振寰
• 申請（專利權）人: 中國海洋大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/06;G06F17/18
• 代理公司: 青島華慧澤專利代理事務所(普通合伙) 37247
• 代理人: 張慧芳

1.一種基于人類行為的負荷分解算法，其特征在于，包括以下步驟：

第一步，基于人類行為的模型訓練：通過對人類行為的統計分析，根據人類行為的活躍度等級建立時間片，對每個時間片分別建模和訓練；

基于人類行為的模型訓練的具體步驟是：

步驟1，采集常用的家庭用電設備數據：采集多個家庭用電設備在日常條件下一段時間內的電流電壓數據，并加上時間戳，然后將電流電壓數據轉換為功率；

步驟2，對采集到的數據進行數據預處理：濾除數據中的噪聲數據和采集過程中的奇異值和空值，然后將數據轉換為hdf5格式的數據；

步驟3，根據采集的數據構造人類行為時間片；

步驟3構造人類行為時間片的方法如下：

1)將時間分為工作日和節假日，得到日期集合{D|節假日，工作日}；

2)將一天的每個小時作為一個時間段，對節假日和工作日分別進行統計得到每個時間段的平均功率W_h和方差V_h，其中，h表示時間段，一個小時為一個時間段；

3)找到方差和平均功率的最大值maxW_h和maxV_h；每個時間段的人類行為活躍度y_h為：

4)找到最大maxy_h，將時間段按活躍度同最大活躍度的比值分為H，MH，M，ML，L，等級，每個等級對應一個時間片；

步驟4，對每個時間片分別訓練模型：基于FHMM的總負荷模型定義為

其中，

π表示負載初始狀態的概率矩陣是隱含狀態在初始時刻t＝1的概率矩陣；

A是狀態轉移概率矩陣：表示在t-1時刻、狀態為條件下，在t時刻狀態是的概率；

表示狀態到觀測的輸出概率矩陣表示t時刻、隱含狀態是條件下，觀測狀態為o_t的概率；

s為隱含狀態，o為觀測狀態，N為隱含狀態數目；

步驟5，單個電器負荷參數估計：通過給定的每個電器的電表數據對每個電器進行隱馬爾可夫模型建模，通過EM算法迭代估計最優參數；

步驟6，單個模型合成FHMM模型：利用單個電器的負荷數據，對每個電器利用EM算法進行訓練得到各個負荷的模型參數，得到每個電器的HMM模型、每個時間片的FHMM模型；第二步，負荷分解：通過上一步得到模型和時間片，根據傳入數據時間片的不同選擇不同的模型參數進行分解，最終得到單電器的負荷。

2.根據權利要求1所述的基于人類行為的負荷分解算法，其特征在于：步驟5，已知每個電器的負荷其中i表示電器編號，T表示時序模型的順序下標，得到每個電器的隱馬爾可夫模型采用EM算法從初始的參數θ⁰出發，迭代估計最優參數θ，迭代過程包括以下兩個步驟：

第E步：計算對數似然函數的期望

L(θ，θ^k)＝E(lg(P((S，O)|θ))θ^k，O) (4.2)

第M步：求解使得對數似然函數最大的模型參數

θ^k+1＝arg max L(θ，θ^k) (4.3)

直到迭代到θ^k+1→θ^k，即為最優的模型參數，k為迭代次數；

對于單個電器，隱馬爾可夫模型的初始狀態概率πⁱ取均勻分布。

3.根據權利要求2所述的基于人類行為的負荷分解算法，其特征在于：在基于個人經驗的FHMM的總負荷模型中，各個馬爾科夫狀態鏈之間相互獨立，因此FHMM模型參數的初始狀態概率矩陣和狀態轉移概率矩陣表示為：

對于連續觀測狀態的HMM模型，觀測概率用高斯分布來表示，

高斯分布的概率密度函數參數用μ表示高斯分布的期望向量，∑表示高斯分布的協方差矩陣，通常情況下觀測到電力負載的多維負荷特征相互獨立，因此協方差矩陣∑為p階的對角陣，p取值1；FHMM中：

利用單個電器的負荷數據，對每個電器利用EM算法進行訓練得到各個負荷的模型參數，根據公式4.2，4.3得到每個電器的HMM模型，然后通過公式4.4到4.8得到每個時間片的FHMM模型。