[发明专利]一种基于人类行为的负荷分解算法

权利要求书

1.一种基于人类行为的负荷分解算法，其特征在于，包括以下步骤：

第一步，基于人类行为的模型训练：通过对人类行为的统计分析，根据人类行为的活跃度等级建立时间片，对每个时间片分别建模和训练；

基于人类行为的模型训练的具体步骤是：

步骤1，采集常用的家庭用电设备数据：采集多个家庭用电设备在日常条件下一段时间内的电流电压数据，并加上时间戳，然后将电流电压数据转换为功率；

步骤2，对采集到的数据进行数据预处理：滤除数据中的噪声数据和采集过程中的奇异值和空值，然后将数据转换为hdf5格式的数据；

步骤3，根据采集的数据构造人类行为时间片；

步骤3构造人类行为时间片的方法如下：

1)将时间分为工作日和节假日，得到日期集合{D|节假日，工作日}；

2)将一天的每个小时作为一个时间段，对节假日和工作日分别进行统计得到每个时间段的平均功率W_h和方差V_h，其中，h表示时间段，一个小时为一个时间段；

3)找到方差和平均功率的最大值maxW_h和maxV_h；每个时间段的人类行为活跃度y_h为：

4)找到最大maxy_h，将时间段按活跃度同最大活跃度的比值分为H，MH，M，ML，L，等级，每个等级对应一个时间片；

步骤4，对每个时间片分别训练模型：基于FHMM的总负荷模型定义为

其中，

π表示负载初始状态的概率矩阵是隐含状态在初始时刻t＝1的概率矩阵；

A是状态转移概率矩阵：表示在t-1时刻、状态为条件下，在t时刻状态是的概率；

表示状态到观测的输出概率矩阵表示t时刻、隐含状态是条件下，观测状态为o_t的概率；

s为隐含状态，o为观测状态，N为隐含状态数目；

步骤5，单个电器负荷参数估计：通过给定的每个电器的电表数据对每个电器进行隐马尔可夫模型建模，通过EM算法迭代估计最优参数；

步骤6，单个模型合成FHMM模型：利用单个电器的负荷数据，对每个电器利用EM算法进行训练得到各个负荷的模型参数，得到每个电器的HMM模型、每个时间片的FHMM模型；第二步，负荷分解：通过上一步得到模型和时间片，根据传入数据时间片的不同选择不同的模型参数进行分解，最终得到单电器的负荷。

2.根据权利要求1所述的基于人类行为的负荷分解算法，其特征在于：步骤5，已知每个电器的负荷其中i表示电器编号，T表示时序模型的顺序下标，得到每个电器的隐马尔可夫模型采用EM算法从初始的参数θ⁰出发，迭代估计最优参数θ，迭代过程包括以下两个步骤：

第E步：计算对数似然函数的期望

L(θ，θ^k)＝E(lg(P((S，O)|θ))θ^k，O) (4.2)

第M步：求解使得对数似然函数最大的模型参数

θ^k+1＝arg max L(θ，θ^k) (4.3)

直到迭代到θ^k+1→θ^k，即为最优的模型参数，k为迭代次数；

对于单个电器，隐马尔可夫模型的初始状态概率πⁱ取均匀分布。

3.根据权利要求2所述的基于人类行为的负荷分解算法，其特征在于：在基于个人经验的FHMM的总负荷模型中，各个马尔科夫状态链之间相互独立，因此FHMM模型参数的初始状态概率矩阵和状态转移概率矩阵表示为：

对于连续观测状态的HMM模型，观测概率用高斯分布来表示，

高斯分布的概率密度函数参数用μ表示高斯分布的期望向量，∑表示高斯分布的协方差矩阵，通常情况下观测到电力负载的多维负荷特征相互独立，因此协方差矩阵∑为p阶的对角阵，p取值1；FHMM中：

利用单个电器的负荷数据，对每个电器利用EM算法进行训练得到各个负荷的模型参数，根据公式4.2，4.3得到每个电器的HMM模型，然后通过公式4.4到4.8得到每个时间片的FHMM模型。