[发明专利]一种识别电器的用电状态的方法和系统

权利要求书

1.一种识别电器的用电状态的方法，其特征在于，所述方法包括：

步骤1、基于电器的电压电流数据计算特征参数，构建电器用电工作状态特征数据集，其中，所述特征参数包括有功功率、无功功率、频率、电流的均方根、电压的均方根和谐波分量；

步骤2、构建电器用电工作状态隐马尔可夫模型，利用步骤1中计算得到的用电工作状态特征数据集进行模型训练并获取最优模型参数；

步骤3、结合基于最优模型参数得到的状态转移方程和观测方程，利用进化粒子滤波算法，通过已知的观测序列去计算在此观测序列下出现的状态序列的后验概率密度函数，从而实现对电器复杂用电状态的识别。

2.根据权利要求1所述的方法，其特征在于，步骤1中所述电器的电压电流数据是分别采用电压传感器和电流传感器实时采集电器的电压电流信号，然后通过A/D转换模块把电压、电流的模拟信号转换成数字信号而得到的。

3.根据权利要求1所述的方法，其特征在于，步骤1中所述特征参数的计算公式如下：

有功功率P＝UI cosα；

无功功率Q＝UI sinα；

电流的均方根

电压的均方根

其中P为有功功率，Q为无功功率，U为电压，I为电流，cosα表示功率因数，即有功功率与视在功率的比值，sinα为无功功率与视在功率的比值，α为是有功功率和视在功率的夹角，I_rms为电流的均方根，U_rms为电压的均方根，n为采样点的数量，i_j为第j个采样点的电流，i_avg为n个采样点的平均电流，u_j为第j个采样点的电压，u_avg为n个采样点的平均电压。

4.根据权利要求1所述的方法，其特征在于，构建电器用电工作状态隐马尔可夫模型，利用步骤1中计算得到的用电工作状态特征数据集进行模型训练并获取最优模型参数包括：

建立用电过程的状态集合Q＝{q₁,q₂,...,q_N}和观测集合V＝{v₁,v₂,...,v_M}，其中，集合Q＝{q₁,q₂,...,q_N}用于描述电器的工作状态，N为状态的个数，V＝{v₁,v₂,...,v_M}是所有可能的观测集合，M为可能的观测数；

建立用电过程的离散状态序列S＝{s₁,s₂,...,s_t,...,s_T}和观测序列O＝{o₁,o₂,...,o_t,...,o_T}，其中s_t∈Q表示电器在t时刻的状态，o_t表示电器在t时刻电器输出的特征参数值，T表示运行时间段；

基于初始状态概率向量π、状态转移方程系数A和观测方程系数确定隐马尔可夫模型，其中，状态转移方程系数A＝[a_ij]_N×N,a_ij＝P(s_t+1＝q_j|s_t＝q_i)表示在时刻t处于状态q_i的条件下时刻t+1转移到状态q_j的概率，观测方程系数B＝[b_sk]_N×M，b_sk＝P(o_t＝v_k|s_t＝q_i)表示在时刻t处于状态q_i的条件下生成观测v_k的概率，初始状态概率向量π＝(π_i)，π_i＝P(s₁＝q_i)是时刻t＝1处于状态q_i的概率；

在确定的隐马尔可夫模型中，通过机器学习的方式，用观测到的特征参数值对模型参数λ＝(A,B,π)进行训练，训练N次后，将N次得出来的参数值λ＝(A,B,π)取平均值，所述模型参数的平均值为最优的模型参数，最优模型参数中的A、B即为最优的状态转移方程和观测方程的系数。