CN103246814A - 一种基于K-means建模的个人用电设备状态识别方法 - Google Patents

Abstract

一种基于K-means建模的个人用电设备状态识别方法，涉及一种个人用电设备状态识别方法，解决现有功率识别方法需要对不同功耗设备分别进行前期测量和建模，致使产生巨大的人力和物力的浪费，并且不能够对大规模用电场所进行功耗识别的问题。通过与用电设备相连的电力计量装置获取待监测用电设备的功率信息；进行解析处理，并将所述处理后的功率信息保存；通过K-means算法进行聚类分析，建立对应的功耗模型；获取待监测用电设备的实时功率信息，进行功耗状态识别；根据获取的待监测用电设备的状态，对闲置状态的待监测用电设备进行处理。本发明可广泛应用于用电设备状态识别的领域。

Description

一种基于K-means建模的个人用电设备状态识别方法

技术领域

本发明涉及一种个人用电设备状态识别方法。

背景技术

由于当今社会生活中人们的节能意识还很薄弱，一些公共场所中的个人用电设备(如公共计算机、排风扇、照明装置等)由于人们的不自觉关闭而浪费了巨大的电能。目前在公共大型用电场所，可以采集供电设备在不同的工作状态下的功率信息进行建模，然后根据已建立的模型和当前用电设备的功率信息，来识别当前用电设备的功耗状态，从而采取有效的节能措施。例如，当识别出用电设备无人使用且没有关闭的情况时，便可以对用电器进行休眠或者关闭等节能操作。

然而，对于不同的用电设备，其能耗千差万别，即便对于同一种用电设备，如个人用计算机，由于配置不同，其功耗值也相差甚远。如果对每一个被监控设备的功耗都进行前期的测量和建模，将会浪费巨大的人力和物力，且对于规模较大的用电场所这种方法也是不可行的。

发明内容

本发明为了解决现有功率识别方法需要对不同功耗设备分别进行前期测量和建模，致使产生巨大的人力和物力的浪费，并且不能够对大规模用电场所进行功耗识别的问题，提出一种基于K-means建模的个人用电设备状态识别方法。

一种基于K-means建模的个人用电设备状态识别方法，它包括如下步骤：

步骤一：通过与用电设备相连的电力计量装置获取待监测用电设备的功率信息；

步骤二：将步骤一获取的功率信息进行解析处理，并将所述处理后的功率信息保存；

步骤三：读取已保存的功率信息，并通过K-means算法进行聚类分析，建立对应的功耗模型；

步骤四：获取待监测用电设备的实时功率信息，通过步骤三所述的功耗模型进行功耗状态识别；所述功耗状态包括关机状态、启动待机状态、开机且无人操作状态、正常使用状态和全速运行状态；

步骤五：根据获取的待监测用电设备的状态，对闲置状态的待监测用电设备进行处理。

步骤一中所述获取待监测用电设备的功率信息的频率为1次/5-10min。

步骤一中所述保存的信息的数量为八百至一千条信息。

所述步骤三：读取已保存的功率信息，并通过K-means算法进行聚类分析，建立对应的功耗模型的过程为：

步骤三A：选取聚类的初始中心；

获取n个待监测用电设备的功率信息：x₁，x₂，……，x_n，并将n个数据聚成k个类，所述选取聚类的初始中心的过程为在n个数据中随机地选取k个对象作为初始的聚类中心c₁，c₂，……，c_k，进行初始分类和迭代，其中n＞k；

步骤三B：根据步骤三A所述聚类的初始中心进行数据归类；

计算步骤三A中所述n个数据与各个聚类中心的距离d(x_i，c_m)：

$d(x_i,c_m)=\sqrt{{(x_i-c_m)}^2}$

对每一个x_i进行所述的距离计算，获得最小值d(x_i，c_m)即x_i距离c_m最近，则把x_i归到c_m所在的第m个类，直至将n个数据全部归类；

步骤三C：将步骤三B计算获得的每一个类中的全部元素求平均值，令这个平均值为这个类的新中心点

求平均值公式如下所示：

$\stackrel{\‾}{c_m}=\frac{1}{l}\underset{p=1}{\overset{l}{\mathrm{\Σ}}}{x}_p$

设x_p为属于第m个聚类中的对象，第m个聚类包含的对象个数为l，则表示第m个聚类的中心点；

步骤三D：采用均方差作为标准测度函数，对标准测度函数进行收敛性判断：

$E_q=\underset{m=1}{\overset{k}{\mathrm{\Σ}}}\underset{p=1}{\overset{l}{\mathrm{\Σ}}}{|x_p-\stackrel{\‾}{c_m}|}^2$

其中，

表示第m个聚类的中心点，第m个聚类中共有l个对象x_p，则E_q表示所有对象的均方差之和；

步骤三E：判断均方差之和E_q+1与前次计算的均方差之和E_q的差值的绝对值是否小于设定值，若小于设定值则完成聚类分析，否则返回步骤三C；

步骤三F：将聚类的结果作为建立的功耗模型，即聚类产生的k个中心值c₁，c₂，……，c_k分别作为k种用电状态的参考值。

所述聚类中心个数k＝5，且c₁表示关机状态、c₂表示启动待机状态、c₃表示开机且无人操作状态、c₄表示正常使用状态、c₅表示全速运行状态。

步骤四：获取待监测用电设备的实时功率信息，通过步骤三所述的功耗模型进行功耗状态识别，若连续三个监测值均属于同一用电状态时，则可判断待监测用电设备的状态。

步骤五中所述进行处理方式包括休眠待监测用电设备和关闭待监测用电设备。

本发明实现了对大规模用电场所用电设备的功耗识别，无需对不同用电设备分别进行前期测量与建模即可达到用电状态识别效果。通过验证，得出系统的识别率为98％左右，本系统对用电设备的实时用电状态进行识别的结果较为准确。若系统连续三次都识别出用电设备的功耗状态处于开机且无人操作的状态下，则可以断定此时使用者离开电脑，即可以对计算机设备实行关机以及其它控制措施，达到节能环保的效果。

附图说明

图1为本发明一种基于K-means建模的个人用电设备状态识别方法的流程图；

图2为具体实施方式一所述步骤三的流程图。

具体实施方式

具体实施方式一、结合图1说明本具体实施方式。一种基于K-means建模的个人用电设备状态识别方法，其特征在于它包括如下步骤：

步骤一：通过与用电设备相连的电力计量装置获取待监测用电设备的功率信息；

步骤二：将步骤一获取的功率信息进行解析处理，并将所述处理后的功率信息保存；

步骤三：读取已保存的功率信息，并通过K-means算法进行聚类分析，建立对应的功耗模型；

步骤四：获取待监测用电设备的实时功率信息，通过步骤三所述的功耗模型进行功耗状态识别；所述功耗状态包括关机状态、启动待机状态、开机且无人操作状态、正常使用状态和全速运行状态；

步骤五：根据获取的待监测用电设备的状态，对闲置状态的待监测用电设备进行处理。

结合图1和图2说明本发明的详细过程：

步骤一：通过与用电设备相连的电力计量装置获取待监测用电设备的功率信息；

所述将步骤一获取的功率信息进行解析处理，并将所述功率信息保存为：

将获取的功率信息直接存入数据库中的数据表received_data中，由于原始数据帧的每个字段都代表不同的含义，故将数据拆分为不同属性进行存储，具体的属性如表1所示。

表1received_data数据表

received_data数据表中的user_data属性即为用户数据，其数据长度较大，包含许多校验信息，故需要从中提取出有用信息即测量数据值进行重新存储。利用触发器对信息进行解包处理，处理后的数据信息存入数据表processed_data中，其属性如表2所示，其中para_value即为采集的用电设备的功耗值，将数据进行解析处理后，就存储在数据库中以供进一步的使用。

表2processed_data数据表

步骤一中所述获取待监测用电设备的功率信息的频率为1次/5-10min。

步骤一中所述保存的信息的数量为八百至一千条信息。

为了保证读取的数据遍历五种功耗状态，应该读取数据库中足够多的信息。假设每隔五分钟采集一次功率信息，为确保读取的数据包含五个功耗状态的功率值，可以读取数据表中的前一千条信息作为历史功率数据，即建模过程的数据来源。

步骤二：将步骤一获取的功率信息进行解析处理，并将所述处理后的功率信息保存；

步骤三：读取已保存的功率信息，并通过K-means算法进行聚类分析，建立对应的功耗模型；

所述步骤三：读取已保存的功率信息，并通过K-means算法进行聚类分析，建立对应的功耗模型的过程为：

步骤三A：选取聚类的初始中心；

获取n个待监测用电设备的功率信息：x₁，x₂，……，x_n，并将n个数据聚成k个类，所述选取聚类的初始中心的过程为在n个数据中随机地选取k个对象作为初始的聚类中心c₁，c₂，……，c_k，进行初始分类和迭代，其中n＞k；

步骤三B：根据步骤三A所述聚类的初始中心进行数据归类；

计算步骤三A中所述n个数据与各个聚类中心的距离d(x_i，c_m)：

$d(x_i,c_m)=\sqrt{{(x_i-c_m)}^2}$

对每一个x_i进行所述的距离计算，获得最小值d(x_i，c_m)即x_i距离c_m最近，则把x_i归到c_m所在的第m个类，直至将n个数据全部归类；

步骤三C：将步骤三B计算获得的每一个类中的全部元素求平均值，令这个平均值为这个类的新中心点

求平均值公式如下所示：

$\stackrel{\‾}{c_m}=\frac{1}{l}\underset{p=1}{\overset{l}{\mathrm{\Σ}}}{x}_p$

设x_p为属于第m个聚类中的对象，第m个聚类包含的对象个数为l，则表示第m个聚类的中心点；

步骤三D：采用均方差作为标准测度函数，对标准测度函数进行收敛性判断：

$E_q=\underset{m=1}{\overset{k}{\mathrm{\Σ}}}\underset{p=1}{\overset{l}{\mathrm{\Σ}}}{|x_p-\stackrel{\‾}{c_m}|}^2$

其中，

表示第m个聚类的中心点，第m个聚类中共有l个对象x_p，则E_q表示所有对象的均方差之和；

步骤三E：判断均方差之和E_q+1与前次计算的均方差之和E_q的差值的绝对值是否小于设定值，若小于设定值则完成聚类分析，否则返回步骤三C；步骤三E所述设定值为0.001。

判断算法终止的条件即为判断均方差之和E_q是否收敛，将每次确定新的聚类中心后算出的E_q+1与新聚类之前的E_q进行比较，若两者的差值的绝对值小于一定值，则表示算法收敛于期望值，即当前计算得到的聚类中心为最终的中心值。

步骤三F：将聚类的结果作为建立的功耗模型，即聚类产生的k个中心值c₁，c₂，……，c_k分别作为k种用电状态的参考值。

所述聚类中心个数k＝5，且c₁表示关机状态、c₂表示启动待机状态、c₃表示开机且无人操作状态、c₄表示正常使用状态、c₅表示全速运行状态。

步骤四：获取待监测用电设备的实时功率信息，通过步骤三所述的功耗模型进行功耗状态识别；所述功耗状态包括关机状态、启动待机状态、开机且无人操作状态、正常使用状态和全速运行状态；

步骤四：获取待监测用电设备的实时功率信息，通过步骤三所述的功耗模型进行功耗状态识别，若连续三个监测值均属于同一用电状态时，则可判断待监测用电设备的状态。

功耗状态的归类过程只能判断出当前采集数据属于哪一种工作状态中，但由于个人用计算机消耗功率的不稳定性，不能只根据某一刻的数据就断定计算机的工作情况，故要进行状态的确认。确认的标准即为在某一段时间内，系统监测到的功耗值都归为同一个聚类中，就可以确认用电设备目前处于此状态。具体的判断时间和连续值的次数依不同的用电设备而定。例如，每隔五分钟采集一次计算机的功耗信息，若数据连续在十分钟内(即连续的三个监测值)都属于开机无人操作的状态类中，则可判断当前计算机处于闲置状态，即完成了状态的确认；若十分钟内的数据不是全部处于同一工作状态，则继续进行状态识别，直到连续在十分钟内的数据都属于同一种状态，才完成状态的确认。

步骤五：根据获取的待监测用电设备的状态，对闲置状态的待监测用电设备进行处理。

工作状态确认后，可以对状态信息进行输出，根据系统的需要，可以设定状态提醒或触发其它的进一步操作，以节约不必消耗的电能。

具体实施例：

为了对功耗数据进行分析建模，首先通过实验对用电设备在不同工作状态下的功耗情况进行测量。以个人用计算机为例，考虑其使用状态，大致可以分为关机、启动待机、开机且无人操作、正常使用(半忙)、全速运行(全忙)这五个状态，系统希望识别出计算机开机并且无人使用的情况以便进行进一步的处理，故首先要对这五个状态下的功耗情况分别进行测量。将测试计算机的电源连接在电力计量模块上，分别使计算机运行在五个状态下，通过电力计量模块测出每个状态下的功耗值结果如表3所示，本测试计算机的处理器为Pentium(R)D，主频为2.8GHz，内存为1.5GB。

表3计算机状态-功率测量表

由于CPU的工作情况影响着计算机电量的消耗，而CPU的使用率又是时刻变化的，故计算机的功率测量值也是时刻变化的。从表1中可以看出，虽然在不同工作状态下计算机的功率值不断变化，但是当处于某一个状态时其功耗始终在一定范围内浮动，且在这五种状态下的功耗范围都互不重叠并有着明显的差异。因此，可以采用数据聚类的分析方法进行建模，从而建立计算机在这五种状态下的功耗模型，并利用建立的模型实现对计算机功耗状态的识别。

设定电力计量模块每隔5分钟采集一次计算机的功耗信息，并且在实验的三个工作日中正常使用计算机设备，且保证期间五种用电状态全部遍历过，将采集的信息实时存入数据库中。当采集完成后，数据库表中共产生了917条记录值，利用这些记录值对状态进行建模，通过K-means算法程序对这些功耗值进行聚类，设定k＝5，最后得出分别对应五种不同用电状态的聚类，每个聚类及其中心值的对应关系如表4所示(本测试计算机的处理器为Pentium(R)D，主频为2.8GHz，内存为1.5GB)。

表4个人计算机聚类-中心值测量表

据此建模的结果，进行计算机实时用电状态的识别。为了验证识别的有效性和准确性，通过电力计量模块继续采集计算机的功耗值，将实时功耗值存入数据库中，系统自动将实时存储的功耗值与建立好的模型进行比较，将其归到距离最近的聚类中。设定计算机在五分钟内始终处于同一种用电状态，并且保证在相邻的两个五分钟内工作在不同的用电状态下，观察其识别的效果。单次识别结果用二值变量x_j来表示，x_j为0表示错误识别，x_j为1表示正确识别。当待识别的功耗值个数为n时，则x₁，x₂，……，x_n表示整个识别过程的记录结果。识别率p的计算公式如公式4所示，其中R表示n个功耗值中被正确识别出来的值的个数。

$p=\frac{R}{n}=\frac{1}{n}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{x}_j$

将实验记录的识别结果带入公式中，可以得出系统的识别率为98％左右，说明应用本系统对用电设备的实时用电状态进行识别的结果较为准确。若系统连续三次都识别出用电设备的功耗状态处于开机且无人操作的状态下，则可以断定此时使用者离开电脑，即可以对计算机设备实行关机以及其它控制措施。

Claims (8)

1.一种基于K-means建模的个人用电设备状态识别方法，其特征在于它包括如下步骤：

步骤一：通过与用电设备相连的电力计量装置获取待监测用电设备的功率信息；

步骤二：将步骤一获取的功率信息进行解析处理，并将所述处理后的功率信息保存；

步骤三：读取已保存的功率信息，并通过K-means算法进行聚类分析，建立对应的功耗模型；

步骤四：获取待监测用电设备的实时功率信息，通过步骤三所述的功耗模型进行功耗状态识别；所述功耗状态包括关机状态、启动待机状态、开机且无人操作状态、正常使用状态和全速运行状态；

步骤五：根据获取的待监测用电设备的状态，对闲置状态的待监测用电设备进行处理。

2.根据权利要求1所述的一种基于K-means建模的个人用电设备状态识别方法，其特征在于步骤一中所述获取待监测用电设备的功率信息的频率为1次/5-10min。

3.根据权利要求2所述的一种基于K-means建模的个人用电设备状态识别方法，其特征在于步骤一中所述保存的信息的数量为八百至一千条信息。

4.根据权利要求4所述的一种基于K-means建模的个人用电设备状态识别方法，其特征在于所述步骤三：读取已保存的功率信息，并通过K-means算法进行聚类分析，建立对应的功耗模型的过程为：

步骤三A：选取聚类的初始中心；

获取n个待监测用电设备的功率信息：x₁，x₂，……，x_n，并将n个数据聚成k个类，所述选取聚类的初始中心的过程为在n个数据中随机地选取k个对象作为初始的聚类中心c₁，c₂，……，c_k，进行初始分类和迭代，其中n＞k；

步骤三B：根据步骤三A所述聚类的初始中心进行数据归类；

计算步骤三A中所述n个数据与各个聚类中心的距离d(x_i，c_m)：

$d(x_i,c_m)=\sqrt{{(x_i-c_m)}^2}$

对每一个x_i进行所述的距离计算，获得最小值d(x_i，c_m)即x_i距离c_m最近，则把x_i归到c_m所在的第m个类，直至将n个数据全部归类；

步骤三C：将步骤三B计算获得的每一个类中的全部元素求平均值，令这个平均值为这个类的新中心点

求平均值公式如下所示：

$\stackrel{\‾}{c_m}=\frac{1}{l}\underset{p=1}{\overset{i}{\mathrm{\Σ}}}{x}_p$

设x_p为属于第m个聚类中的对象，第m个聚类包含的对象个数为l，则表示第m个聚类的中心点；

步骤三D：采用均方差作为标准测度函数，对标准测度函数进行收敛性判断：

$E_q=\underset{m=1}{\overset{k}{\mathrm{\Σ}}}\underset{p=1}{\overset{l}{\mathrm{\Σ}}}{|x_p-\stackrel{\‾}{c_m}|}^2$

其中，

表示第m个聚类的中心点，第m个聚类中共有l个对象x_p，则E_q表示所有对象的均方差之和；

步骤三E：判断均方差之和E_q+1与前次计算的均方差之和E_q的差值的绝对值是否小于设定值，若小于设定值则完成聚类分析，否则返回步骤三C；

步骤三F：将聚类的结果作为建立的功耗模型，即聚类产生的k个中心值c₁，c₂，……，c_k分别作为k种用电状态的参考值。

5.根据权利要求4所述的一种基于K-means建模的个人用电设备状态识别方法，其特征在于所述聚类中心个数k＝5，且c₁表示关机状态、c₂表示启动待机状态、c₃表示开机且无人操作状态、c₄表示正常使用状态、c₅表示全速运行状态。

6.根据权利要求4所述的一种基于K-means建模的个人用电设备状态识别方法，其特征在于步骤三E所述设定值为0.001。

7.根据权利要求1所述的一种基于K-means建模的个人用电设备状态识别方法，其特征在于步骤四：获取待监测用电设备的实时功率信息，通过步骤三所述的功耗模型进行功耗状态识别，若连续三个监测值均属于同一用电状态时，则可判断待监测用电设备的状态。

8.根据权利要求1所述的一种基于K-means建模的个人用电设备状态识别方法，其特征在于步骤五中所述进行处理方式包括休眠待监测用电设备和关闭待监测用电设备。

Images