基于智能电表的数据分析

• 作 者: 龙伟
• 出 处: 深圳大学
• 发表日期: 2017年01期
• 关键词: 智能电表 能量解聚合 因子隐马尔可夫模型 关联规则 先验理论

基于智能电表的数据分析是在不增加额外设备的情况下,不接触的对负载设备进行监测,根据聚合总线上的电表数据解聚合出单个用电器的一种能源解聚合模型。该模型以用电器消耗的功率为特征,结合用电器的历史使用习惯,分析出用电器的当前状态,指导用户合理的用电行为,从而节约电力能源。论文分析了国内外各种已有能量解聚合模型的优缺点,结合用电设备的历史信息,提出两种基于智能电表的能量解聚合预测模型。1)基于用电器状态的因子隐马尔可夫模型。该方法引入用电器的状态来做能量的解聚合,对单状态用电设备来说,传统基于单个用电器的模型和基于用电器状态的模型效果相差不大,但在多状态用电器的解聚合研究中,基于用电器状态的模型整体上具有更高的能量分配准确率。2)基于时间划分的关联规则学习模型。该方法寻找用电器间的相互关系,结合用电器的历史使用习惯,生成经常使用设备的频繁项集,训练出具有强关联规则的模型。该模型对空闲时间段的电表数据稀释一定的倍数,降低空闲时间段的先验信息,在不影响模型解聚合准确度的条件下,降低生成模型的计算复杂度。论文将以上能量解聚合的模型在三种公开数据集上进行对比实验,采用通用的评价标准。整体上,基于用电器状态的因子隐马尔可夫模型比传统模型的能量准确分配率高,尤其是在多状态用电器的预测上。此外,提出的基于时间划分的关联规则学习模型具有最小的预测误差、最高的能量分配率和准确率,解聚合能力优于传统的能量解聚合模型,在小功率用电器、相同功率用电器和具有相同功率用电器组合的解聚合问题中同样适用。