CN105320834A - 基于电器使用状态的人数计算方法及其监控系统 - Google Patents
基于电器使用状态的人数计算方法及其监控系统 Download PDFInfo
- Publication number
- CN105320834A CN105320834A CN201410519871.4A CN201410519871A CN105320834A CN 105320834 A CN105320834 A CN 105320834A CN 201410519871 A CN201410519871 A CN 201410519871A CN 105320834 A CN105320834 A CN 105320834A
- Authority
- CN
- China
- Prior art keywords
- appliance
- electric appliance
- time interval
- people
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012544 monitoring process Methods 0.000 title claims abstract description 31
- 239000013598 vector Substances 0.000 claims description 57
- 238000012360 testing method Methods 0.000 claims description 36
- 238000001514 detection method Methods 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 30
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 210000002569 neuron Anatomy 0.000 claims description 17
- 238000012706 support-vector machine Methods 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 description 27
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 10
- 230000007246 mechanism Effects 0.000 description 9
- 230000005611 electricity Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 229910002092 carbon dioxide Inorganic materials 0.000 description 5
- 239000001569 carbon dioxide Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 238000004134 energy conservation Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于电器使用状态的人数计算方法及其监控系统。所述方法包括下列步骤:收集特定空间中对应于第一时间区间的多个第一人数以及多个第一电器使用状态;依据所述多个第一人数以及所述多个第一电器使用状态建立关联于第一时间区间的预测模型;检测在第二时间区间时的第二电器使用状态;依据预测模型预测对应于第二时间区间以及第二电器使用状态的第二人数。
Description
技术领域
本发明是有关于一种人数计算方法及其监控系统,且特别是有关于一种基于电器使用状态的人数计算方法及其监控系统。
背景技术
在现今的社会中,由于用电成本逐渐提高,因而使得家庭与企业对于节能议题越来越重视。在过去的节能管理系统中,多半对家庭与企业提供其历史用电信息作为比较与节能的基础。然而,一个空间的用电情形随着空间使用者人数以及天气等其他动态因素而有所不同,单纯的历史用电信息不一定具备参考价值,这样的信息也不容易让使用者解读,因而无法有效的帮助使用者制定节能策略。因此,能源管理系统是否能提供一个同类型空间或用电基准(benchmark)作为节能改善的参考依据,则是节能工作的一个非常重要的关键。
然而,一个空间的用电情形随着空间大小、空间的用途、空间使用者人数以及天气等各种环境因素而有所不同。在前述的各种环境因素中,空间大小、空间类别与天气等静态的环境信息都可以通过设定或者其他方式取得,但取得空间使用者人数等动态的信息则面对相当大的挑战。
传统取得空间人数的做法必须通过许多传感器(sensor)或者图像处理的技术来辨识人数。目前关于人数计算的研究中,主分为下列四类:图像辨识系统、红外线感测系统、二氧化碳浓度感测系统以及Kinect应用系统。
虽然图像辨识系统的建置上较容易(例如,一个出入口只需一个摄影机),但由于需要使用高解析度的摄影机,且其中央处理器也须负荷大量的图像处理操作,因此实现上的成本较高。在红外线感测系统中,由于其是利用红外线的遮断变化来判断通人数的进出,因而使得其实现上的成本较低。然而,由于红外线感测系统的传感器放置的地方必须位于出入口的两侧,因而造成其建置上的自由度较低。由于仅需在室内装设多个二氧化碳浓度传感器来收集并判断室内的二氧化碳浓度,因此二氧化碳浓度感测系统实现成本较低。然而,由于二氧化碳浓度感测系统必须考虑抽风机与空调造成的空气循环,因此实际操作上较困难。此外,由于必须采用微软所推出的Kinect系统为主要检测设备来判断人体的动作,因而使得Kinect应用系统的实现成本较高。
发明内容
有鉴于此,本发明提出的基于电器使用状态的人数计算方法及其监控系统可通过建置成本较低的非侵入式负载检测电表(non-intrusiveloadmonitoringmeter)来收集运作中的电器的电器状态,并据以估计空间中的人数。如此一来,本发明提出的方法便可加入空间人数的估计,更准确地分析用电情形,并将提供更精准的分析报告,来协助使用者改善用电习惯,以及提供使用者有效的节电策略。
本发明提供一种基于电器使用状态的人数计算方法,适用于监控系统。所述方法包括下列步骤:收集特定空间中对应于第一时间区间的多个第一人数以及多个第一电器使用状态;依据所述多个第一人数以及所述多个第一电器使用状态建立关联于第一时间区间的预测模型;检测在第二时间区间时的第二电器使用状态;依据预测模型预测对应于第二时间区间以及第二电器使用状态的第二人数。
在本发明的一实施例中,依据所述多个第一人数以及所述多个第一电器使用状态建立关联于第一时间区间的预测模型的步骤包括:基于所述多个第一人数以及所述多个第一电器状态执行类神经网络演算法,以产生对应于类神经网络中的多个神经元的多个权重以及多个偏移量;依据所述多个权重以及所述多个偏移量建立预测模型。
在本发明的一实施例中,依据预测模型预测对应于第二时间区间以及第二电器使用状态的第二人数的步骤包括:输入第二电器使用状态至预测模型,以依据所述多个权重以及所述多个偏移量计算第二人数。
在本发明的一实施例中,依据所述多个第一人数以及所述多个第一电器使用状态建立关联于第一时间区间的预测模型的步骤包括:输入所述多个第一人数以及所述多个第一电器状态至支持向量机,以找出分类所述多个第一人数以及所述多个第一电器状态的分类器;依据分类器建立预测模型。
在本发明的一实施例中,依据预测模型预测对应于第二时间区间以及第二电器使用状态的第二人数的步骤包括:输入第二电器使用状态至预测模型,以依据分类器找出对应于第二电器使用状态的第二人数。
在本发明的一实施例中,所述方法还包括基于所述多个第一人数、所述多个第一电器使用状态、第二电器使用状态以及第二人数产生能源分析报告并提供能源使用建议。
本发明提供一种监控系统,其包括检测装置以及电脑装置。检测装置收集特定空间中对应于第一时间区间的多个第一人数以及多个第一电器使用状态。电脑装置耦接检测装置。电脑装置包括存储单元以及处理单元。存储单元存储多个模块。处理单元耦接存储单元,存取并执行存储单元中记录的所述多个模块。所述多个模块包括模型建立模块、检测模块以及预测模块。模型建立模块依据所述多个第一人数以及所述多个第一电器使用状态建立关联于第一时间区间的预测模型。检测模块控制检测装置检测在第二时间区间时的第二电器使用状态。预测模块依据预测模型预测对应于第二时间区间以及第二电器使用状态的第二人数。
在本发明的一实施例中,模型建立模块经配置以基于所述多个第一人数以及所述多个第一电器状态执行类神经网络演算法,以产生对应于类神经网络中的多个神经元的多个权重以及多个偏移量;以及依据所述多个权重以及所述多个偏移量建立预测模型。
在本发明的一实施例中,预测模块输入第二电器使用状态至预测模型,以依据所述多个权重以及所述多个偏移量计算第二人数。
在本发明的一实施例中,模型建立模块经配置以输入所述多个第一人数以及所述多个第一电器状态至支持向量机,以找出分类所述多个第一人数以及所述多个第一电器状态的分类器;依据分类器建立预测模型。
在本发明的一实施例中,预测模块输入第二电器使用状态至预测模型,以依据分类器找出对应于第二电器使用状态的第二人数。
在本发明的一实施例中,预测模块还基于所述多个第一人数、所述多个第一电器使用状态、第二电器使用状态以及第二人数产生能源分析报告并提供能源使用建议。
本发明提供一种基于电器使用状态的人数计算方法,适用于监控系统。所述方法包括下列步骤:将多个第一空间中对应于第一时间区间的多个第一电器类型以及所述多个第一电器类型个别的第一电器数量转换为多个训练向量,其中所述多个第一空间对应于特定空间;将特定空间中对应于第一时间区间的多个第二电器类型以及所述多个第二电器类型个别的第二电器数量转换为测试向量;依据所述多个训练向量以及测试向量产生最大测试向量,其中最大测试向量包括多个元素,且各元素对应于所述多个第一电器类型;从所述多个元素中找出不为0的多个特定元素;取得对应于各特定元素的多个第一电器使用状态,其中所述多个第一电器使用状态对应于多个第一人数;向对应于各特定元素的所述多个第一电器使用状态执行主成分分析操作,以找出所述多个第一电器使用状态个别的主成分;输入所述多个第一电器使用状态个别的主成分至支持向量机,以找出分类所述多个第一电器使用状态个别的主成分的分类器;检测在第二时间区间时的第二电器使用状态;依据分类器找出对应于第二电器使用状态的第二人数。
在本发明的一实施例中,所述方法还包括基于所述多个第一人数、所述多个第一电器使用状态、第二电器使用状态以及第二人数产生能源分析报告并提供能源使用建议。
本发明提供一种监控系统,其包括检测装置以及电脑装置。电脑装置耦接检测装置。电脑装置耦接检测装置。电脑装置包括存储单元以及处理单元。存储单元存储多个模块。处理单元耦接存储单元,存取并执行存储单元中记录的所述多个模块。所述多个模块包括第一转换模块、第二转换模块、产生模块、寻找模块、电器使用状态取得模块、分析模块、分类模块、检测模块以及预测模块。第一转换模块将多个第一空间中对应于第一时间区间的多个第一电器类型以及所述多个第一电器类型个别的第一电器数量转换为多个训练向量。第二转换模块将特定空间中对应于第一时间区间的多个第二电器类型以及所述多个第二电器类型个别的第二电器数量转换为测试向量。产生模块依据所述多个训练向量以及测试向量产生最大测试向量,其中最大测试向量包括多个元素,且各元素对应于所述多个第一电器类型。寻找模块从所述多个元素中找出不为0的多个特定元素。电器使用状态取得模块取得对应于各特定元素的多个第一电器使用状态。分析模块向对应于各特定元素的所述多个第一电器使用状态执行主成分分析操作,以找出所述多个第一电器使用状态个别的主成分,其中所述多个第一电器使用状态对应于多个第一人数。分类模块输入所述多个第一电器使用状态个别的主成分至支持向量机,以找出分类所述多个第一电器使用状态个别的主成分的分类器。检测模块控制检测装置检测在第二时间区间时的第二电器使用状态,其中第二时间区间对应于第一时间区间。预测模块依据分类器预测对应于第二电器使用状态的第二人数。
在本发明的一实施例中,预测模块还基于所述多个第一人数、所述多个第一电器使用状态、第二电器使用状态以及第二人数产生能源分析报告并提供能源使用建议。
基于上述,本发明实施例提出的方法分别基于监督式学习机制以及半监督式学习机制推导出适于特定空间的预测模型,并可在后续检测到其他的电器使用状态时基于此预测模型而正确地预测在特定空间中对应于此电器使用状态的人数。
为让本发明的上述特征和优点能更明显易懂,下文特举实施例,并配合附图作详细说明如下。
附图说明
图1是本发明的一实施例示出的监控系统示意图;
图2是本发明的一实施例示出的基于电器使用状态的人数计算方法流程图;
图3A是本发明第一实施例示出的类神经网络示意图;
图3B是本发明第一实施例示出的神经元架构图;
图4是本发明的一实施例示出的监控系统示意图;
图5是本发明的一实施例示出的基于电器使用状态的人数计算方法流程图。
附图标记说明:
100、400:监控系统;
110、410:电脑装置;
112、412:存储单元;
112_1:模型建立模块;
112_2:检测模块;
112_3:预测模块;
114、414:处理单元;
120、420:检测装置;
300:类神经网络;
310:神经元;
412_1:第一转换模块;
412_2:第二转换模块;
412_3:产生模块;
412_4:寻找模块;
412_5:电器使用状态取得模块;
412_6:分析模块;
412_7:分类模块;
412_8:检测模块;
412_9:预测模块;
S210、S220、S230、S240、S512、S514、S516、S518、S520、S522、S524、S526、S528:步骤。
具体实施方式
图1是本发明的一实施例示出的监控系统示意图。在本实施例中,监控系统100包括电脑装置110以及检测装置120。检测装置120例如是非侵入式负载检测电表(non-intrusiveloadmonitoringmeter),其可用以检测其所在空间(例如住家、办公室以及房间等)的电力特征(powersignature)。所述电力特征例如包括所述空间的电路回路中的电压、电流、实功(realpower)、虚功(reactivepower)等特征。基于所述电力特征,检测装置120可判断所述空间的电路回路上的电器使用状态与功耗。
电脑装置110耦接检测装置120。电脑装置110例如是智能手机、平板电脑、个人数字助理(personaldigitalassistant,简称:PDA)、个人电脑(PersonalComputer,简称:PC)、笔记型电脑(NotebookPC)、工作站或其他类似的装置。电脑装置110包括存储单元112以及处理单元114。存储单元112例如是存储器、硬盘或是其他任何可用于存储数据的元件,而可用以记录多个模块。
处理单元114耦接存储单元112。处理单元114可为一般用途处理器、特殊用途处理器、传统的处理器、数字信号处理器、多个微处理器(microprocessor)、一个或多个结合数字信号处理器核心的微处理器、控制器、微控制器、特殊应用集成电路(ApplicationSpecificIntegratedCircuit,简称:ASIC)、现场可编程门阵列(FieldProgrammableGateArray,简称:FPGA)、任何其他种类的集成电路、状态机、处理器以及类似品。
在本实施例中,处理单元114可存取存储单元112所存储的模型建立模块112_1、检测模块112_2以及预测模块112_3以执行本发明提出的基于电器使用状态的人数计算方法的各个步骤。
图2是本发明的一实施例示出的基于电器使用状态的人数计算方法流程图。本实施例的方法可由图1的监控系统100执行,以下即搭配图1的各个元件说明本方法的详细步骤。
在步骤S210中,检测装置120可收集特定空间中对应于第一时间区间的多个第一人数以及多个第一电器使用状态。所述特定空间例如是一或多个住家、房间、厨房以及办公室等空间,但本发明的可实施方式不限于此。所述第一时间区间可以是由设计者自行设定的任意时间区间,例如上午九点至十点以及下午三点至五点等。
所述多个第一人数例如是在不同日期的第一时间区间中,出现在所述特定空间中的人数。举例而言,假设第一时间区间为上午九点至十点,则检测装置120可收集一段日子(例如一个月)中,每天的上午九点至十点出现在所述特定空间中的人数。接着,检测装置120(或电脑装置110)可将这段日子中所记录到的各个人数定义为所述多个第一人数。换言之,所述多个第一人数的其中之一即为某个日子中在所述第一时间区间内出现在所述特定空间内的人数。
所述多个第一电器使用状态例如是在不同日期的第一时间区间中,所述特定空间中各个电器的使用状态(例如功耗等)。举例而言,假设第一时间区间为上午九点至十点,则检测装置120可收集一段日子(例如一个月)中,每天的上午九点至十点在所述特定空间中各个电器的功耗。接着,检测装置120(或电脑装置110)可将这段日子中所记录到的各个功耗定义为所述多个第一电器使用状态。换言之,所述多个第一电器使用状态的其中之一即为某个日子中,所述特定空间中的各个电器在所述第一时间区间内的使用状态。
接着,在步骤S220中,处理单元114可执行模型建立模块112_1以依据所述多个第一人数以及所述多个第一电器使用状态建立关联于第一时间区间的预测模型。在一第一实施例中,模型建立模块112_1可基于所述多个第一人数以及所述多个第一电器状态执行类神经网络(ArtificialNeuralNetworks,简称:ANN)演算法,以产生对应于类神经网络中的多个神经元的多个权重以及偏移量。在一第二实施例中,模型建立模块112_1可基于支持向量机(SupportVectorMachine,简称:SVM)的机制来建立所述预测模型。第一实施例及第二实施例的细节将在之后的篇幅中详述。
在建立所述预测模型之后,在步骤S230中,处理单元114可执行检测模块112_2以控制检测装置120检测在第二时间区间时的第二电器使用状态。
所述第二时间区间对应于所述第一时间区间。在一实施例中,所述第二时间区间与所述第一时间区间可为相同的时间区间,但其个别可对应于不同的日期。举例而言,假设所述第一时间区间为一第一日期的上午九点至十点,则所述第二时间区间可以是不同于所述第一日期的一第二日期的上午九点至十点,但本发明的可实施方式不限于此。
接着,在步骤S240中,处理单元114可执行预测模块112_3以依据预测模型预测对应于所述第二时间区间以及所述第二电器使用状态的第二人数。换言之,在模型建立模块112_1建立所述预测模型之后,只要检测装置120在所述第二时间区间检测到所述第二电器使用状态,预测模块112_3即可对应地预测在所述第二时间区间中出现在所述特定空间的人数(即,所述第二人数)。
如先前实施例中所提及的,模型建立模块112_1可基于第一实施例以及第二实施例来建立所述预测模型。由于第一实施例及第二实施例所建立的所述预测模型不同,因而使得预测模块112_3预测第二人数的机制也有所不同。以下将分别介绍第一实施例及第二实施例的细节。
概略而言,在第一实施例中,模型建立模块112_1是基于所述多个第一人数以及所述多个第一电器使用状态训练(training)一类神经网络中的神经元。之后,预测模块112_3再基于训练后的类神经网络来预测对应于第二电器使用状态的第二人数。
请参照图3A,图3A是本发明第一实施例示出的类神经网络示意图。在本实施例中,类神经网络300包括输入层(inputlayer)、隐藏层(hiddenlayer)以及输出层(outputlayer)。上述各层中的元件(以圆圈表示)即为类神经网络300中的神经元。
请参照图3B,图3B是本发明第一实施例示出的神经元架构图。在本实施例中,当神经元310接收到n个(n为正整数)输入值(以x1~xn表示)时,模型建立模块112_1可基于x1~xn、n个权重值(以w1~wn表示)以及偏移量(以θ表示)计算一第一函式,以产生输出值(以y表示)。所述第一函式例如是 其中,
在本实施例中,模型建立模块112_1可基于所述多个第一人数以及所述多个第一电器状态训练类神经网络300中的各个神经元,以适应性地依据所述多个第一人数以及所述多个第一电器状态之间的对应关系求出各个神经元的权重(例如是w1~wn)以及偏移量(例如是θ)。从另一角度而言,模型建立模块112_1可将所述多个第一电器状态以及所述多个第一人数视为各个神经元的输入值以及输出值,藉以调整各个神经元的权重以及偏移量。
在完成类神经网络300中各个神经元的训练操作之后,模型建立模块112_1可依据各个神经元的权重以及偏移量建立预测模型(即,训练后的类神经网络300)。
之后,当检测装置120在所述第二时间区间检测到所述第二器使用状态时,预测模块112_3即可输入所述第二电器使用状态至所述预测模型(即,训练后的类神经网络300),以依据各个神经元的权重以及偏移量计算所述第二人数。
另一方面,在第二实施例中,模型建立模块112_1是基于所述多个第一人数以及所述多个第一电器使用状态训练(training)一支持向量机,进而找出支持向量机中的分类器。之后,预测模块112_3再基于所述分类器来预测对应于第二电器使用状态的第二人数。
详细而言,所述多个第一电器使用状态可视为分布在一数据空间中,而由于各个第一电器使用状态皆对应至其中一个第一人数,因此对应至相同第一人数的多个第一电器使用状态在所述数据空间中应相当接近。若将对应至相同第一人数的这些第一电器使用状态视为一个群组,则所述数据空间中可视为存在个别对应于不同第一人数的多个群组。因此,模型建立模块112_1可基于支持向量机的机制而在所述数据空间中找出区分这些群组的超平面(hyperplane),也就是前述的分类器。所述超平面(即,分类器)例如可表征为「ai=g(bi)」的一第二函式,其中bi例如是其中一个电器使用状态,而ai则例如是对应于此电器使用状态的第一人数。
模型建立模块112_1例如可基于所述多个第一人数以及所述多个第一电器状态之间的对应关系不断地训练所述分类器,进而调整所述第二函式的内容。在完成所述第二函式的训练操作之后,模型建立模块112_1即可将所述第二函式定义为预测模型,以让预测模块112_3可基于此预测模型进行后续的第二人数预测操作。
应了解的是,上述第一实施例以及第二实施例的方式可泛称为监督式学习(supervisedtraining)。也即,在监控系统100已知所述特定空间中过往的第一人数以及第一电器使用状态的对应关系的情形之下,电脑装置110可据以训练出适于此特定空间的预测模型(例如是类神经网络或是分类器)。如此一来,当检测装置120后续再检测到第二电器使用状态时,电脑装置110即可依据训练后的预测模型而准确地预测对应于此第二电器使用状态的第二人数。
在得知某个时间点(例如所述第二时间区间)的第二人数及第二电器使用状态后,监控系统100即可利用这些信息提供使用者节能建议。举例而言,当所述特定空间中出现不合理的用电情形(例如在所述特定空间中无人时出现大量的功耗)时,监控系统100可通知使用者,而使用者即可对应地进行例如关闭不必要电器的行为来节省用电量。
另外,监控系统100也可利用特定空间内人数与电器使用状态来产生能源分析报告,用以提供历史用电信息给使用者。并且,监控系统100可还提供使用者能源分析建议,让使用者据以检视这些电器是否有不当使用的情形。
虽然基于监督式学习机制所得到的预测模型能够让电脑装置110准确地预测对应于第二电器使用状态的第二人数,但由于其需要所述特定空间中过往的第一人数以及第一电器使用状态的信息方能训练出准确的预测模型,因此当这些信息无法取得时,预测模型将无法顺利地被建立。
因此,本发明实施例还提出了基于半监督式学习(semi-supervisedtraining)机制来建立预测模型的方法,用以在无法取得所述特定空间的前述信息时,仍能基于其他相似空间的信息来建立适合的预测模型,进而产生正确的人数预测结果。
图4是本发明的一实施例示出的监控系统示意图。请参照图4,监控系统400包括电脑装置410以及检测装置420。电脑装置410包括存储单元412以及处理单元414。电脑装置410、检测装置420、存储单元412以及处理单元414的可能的实施方式可参照图1中电脑装置110、检测装置120、存储单元112以及处理单元114的说明,在此不再赘述。
在本实施例中,处理单元414可存取存储单元412所存储的第一转换模块412_1、第二转换模块412_2、产生模块412_3、寻找模块412_4、电器使用状态取得模块412_5、分析模块412_6、分类模块412_7、检测模块412_8以及预测模块412_9以执行本发明提出的基于电器使用状态的人数计算方法的各个步骤。
图5是本发明的一实施例示出的基于电器使用状态的人数计算方法流程图。本实施例的方法可由图4的监控系统400执行,以下即搭配图4的各个元件说明本方法的详细步骤。
在步骤S512中,处理单元414可执行第一转换模块412_1以将多个第一空间中对应于第一时间区间的多个第一电器类型以及所述多个第一电器类型个别的第一电器数量转换为多个训练向量。所述多个第一空间例如对应于所述特定空间。举例而言,假设所述特定空间为厨房,则所述多个第一空间分别可以是不同住家的厨房,但本发明的可实施方式不限于此。第一电器类型例如是电视、冰箱、空调、电脑以及其他电器等。第一电器数量为第一电器类型的数量(例如,电视的数量)。
各个训练向量可对应于所述多个第一空间的其中之一。举例而言,第i个(i为正整数)训练向量例如对应于第i个第一空间。对于第i个训练向量而言,其包括的各个训练向量元素例如是其中一个第一电器类型的第一电器数量。假设训练向量的第1至第3个训练向量元素分别对应于电视、冰箱及空调。在此情况下,而在第i个第一空间中包括2台电视、1台冰箱以及3台空调,则第i个训练向量可表征为[213]的向量。举另一例而言,假设在第j个(j为正整数)第一空间中包括1台电视、2台冰箱以及3台空调,则第i个训练向量可表征为[123]的向量,但本发明的可实施方式不限于此。
接着,在步骤S514中,处理单元414可执行第二转换模块412_2以将特定空间中对应于第一时间区间的多个第二电器类型以及所述多个第二电器类型个别的第二电器数量转换为测试向量。相似于第一电器类型,第二电器类型也可是电视、冰箱、空调、电脑以及其他电器等。第二电器数量为第二电器类型的数量(例如,电视的数量)。
对于测试向量而言,其包括的各个测试元素例如是其中一个第二电器类型的第二电器数量。假设测试向量的第1至第3个测试元素分别对应于电视、冰箱及空调。在此情况下,而在所述特定空间中包括3台电视、2台冰箱以及1台空调,则测试向量可表征为[123]的向量。
在步骤S516中,处理单元414可执行产生模块412_3以依据所述多个训练向量以及测试向量产生最大测试向量。所述最大测试向量可包括多个元素,而这些元素可对应于所述多个第一电器类型。
在一实施例中,产生模块412_3可在所述多个训练向量中找出对应于各个索引值的训练元素的最大值,并据以设定所述最大测试向量中对应于各个索引值的元素。举例而言,假设第1个训练向量以及第2个训练向量分别为[1312]以及[0124]。在此假设下,对应于第1个索引值的训练元素的最大值即为1,对应于第2个索引值的训练元素的最大值即为3,对应于第3个索引值的训练元素的最大值即为2,对应于第4个索引值的训练元素的最大值即为4。之后,产生模块412_3即可将所述最大测试向量中对应于第1个至第4个索引值的元素依序设定为1、3、2和4。也即,所述最大测试向量可表征为[1324]的向量。
接着,产生模块412_3可在测试向量中找出等于0的测试元素,并将所述最大测试向量具有对应索引值的元素设定为0。举例而言,假设测试向量的第3个测试元素为0,则产生模块412_3可对应地将所述最大测试向量的第3个元素设定为0。因此,最大测试向量(原先为[1324])可对应地被修改为[1304]。
在步骤S518中,处理单元414可执行寻找模块412_4以从所述多个元素中找出不为0的多个特定元素。以表征为[1304]的最大测试向量为例,其不为0的特定元素例如是1、3和4。
接着,在步骤S520中,处理单元114可执行电器使用状态取得模块412_5以取得对应于各特定元素的多个第一电器使用状态。详细而言,由于各个特定元素即为某个第一电器类型的第一电器数量,因此电器使用状态取得模块412_5可取得对应于此第一电器类型的第一电器使用状态。也就是说,假设一特定元素为3,此即代表此特定元素对应于3个属于同一电器类型的电器(例如3台电视)。在此假设下,电器使用状态取得模块412_5即可取得这3台电视个别的第一电器使用状态。举另一例而言,假设一特定元素为2,此即代表此特定元素对应于2个属于同一电器类型的电器(例如2台空调)。在此假设下,电器使用状态取得模块412_5即可取得这2台空调个别的第一电器使用状态。
在步骤S522中,处理单元414可执行分析模块412_6以向对应于各特定元素的所述多个第一电器使用状态执行主成分分析(PrincipalComponentAnalysis,简称:PCA)操作,以找出所述多个第一电器使用状态个别的主成分。
在步骤S524中,处理单元414可执行分类模块412_7以输入所述多个第一电器使用状态个别的主成分至支持向量机,以找出分类所述多个第一电器使用状态个别的主成分的分类器。步骤S524的细节可参照先前提及的第二实施例中的说明,在此不再赘述。
在步骤S526中,处理单元414可执行检测模块412_8以控制检测装置420检测在第二时间区间时的第二电器使用状态。并且,在步骤S528中,处理单元414可执行预测模块412_9以依据分类器找出对应于第二电器使用状态的第二人数。步骤S526及S528的细节也可参照先前提及的第二实施例中的说明,在此不再赘述。
如此一来,当无法取得所述特定空间中过往的第一人数以及第一电器使用状态的信息时,本发明实施例提出的方法可利用其他第一空间(对应于所述特定空间)的上述信息来建立所述特定空间的分类器(即,预测模型)。并且,当检测装置420后续检测到第二电器使用状态时,电脑装置410可依据上述分类器而正确地预测对应于所述第二电器使用状态的第二人数。
简言之,本实施例提出的方法可将在其他第一空间中收集的信息应用在对应的特定空间中,进而找出适合的分类器。举例而言,假设所述特定空间为厨房,则本实施例的方法例如可采用其他建筑中的厨房中所收集到的信息(例如是第一电器使用状态以及对应的第一人数)来建立关联于所述特定空间的分类器。如此一来,电脑装置410仍可基于此分类器而在检测到第二电器使用状态时正确地预测出对应的第二人数。
综上所述,本发明实施例提出的方法分别基于监督式学习机制以及半监督式学习机制推导出适于特定空间的预测模型,并可在后续检测到其他的电器使用状态时基于此预测模型而正确地预测在特定空间中对应于此电器使用状态的人数。如此一来,当所述特定空间中出现不合理的用电情形(例如在所述特定空间中无人时出现大量的功耗)时,监控系统可通知使用者,而使用者即可对应地进行例如关闭不必要电器的行为来节省用电量。另外,监控系统也可利用特定空间内人数与电器使用状态来产生能源分析报告,用以提供历史用电信息给使用者。并且,监控系统可还提供使用者能源分析建议,让使用者据以检视这些电器是否有不当使用的情形。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (16)
1.一种基于电器使用状态的人数计算方法,适用于监控系统,其特征在于,所述方法包括下列步骤:
收集特定空间中对应于第一时间区间的多个第一人数以及多个第一电器使用状态;
依据该些第一人数以及该些第一电器使用状态建立关联于该第一时间区间的预测模型;
检测在第二时间区间时的第二电器使用状态;以及
依据该预测模型预测对应于该第二时间区间以及该第二电器使用状态的第二人数。
2.根据权利要求1所述的方法,其特征在于,依据该些第一人数以及该些第一电器使用状态建立关联于该第一时间区间的该预测模型的步骤包括:
基于该些第一人数以及该些第一电器状态执行类神经网络演算法,以产生对应于类神经网络中的多个神经元的多个权重以及多个偏移量;以及
依据该些权重以及该些偏移量建立该预测模型。
3.根据权利要求2所述的方法,其特征在于,依据该预测模型预测对应于该第二时间区间以及该第二电器使用状态的该第二人数的步骤包括:
输入该第二电器使用状态至该预测模型,以依据该些权重以及该些偏移量计算该第二人数。
4.根据权利要求1所述的方法,其特征在于,依据该些第一人数以及该些第一电器使用状态建立关联于该第一时间区间的该预测模型的步骤包括:
输入该些第一人数以及该些第一电器状态至支持向量机,以找出分类该些第一人数以及该些第一电器状态的分类器;以及
依据该分类器建立该预测模型。
5.根据权利要求4所述的方法,其特征在于,依据该预测模型预测对应于该第二时间区间以及该第二电器使用状态的该第二人数的步骤包括:
输入该第二电器使用状态至该预测模型,以依据该分类器找出对应于该第二电器使用状态的该第二人数。
6.根据权利要求1所述的方法,其特征在于,还包括:
基于该些第一人数、该些第一电器使用状态、该第二电器使用状态以及该第二人数产生能源分析报告并提供能源使用建议。
7.一种监控系统,其特征在于,包括:
检测装置,收集特定空间中对应于第一时间区间的多个第一人数以及多个第一电器使用状态;
模型建立模块,依据该些第一人数以及该些第一电器使用状态建立关联于该第一时间区间的预测模型;
检测模块,控制该检测装置检测在第二时间区间时的第二电器使用状态;以及
预测模块,依据该预测模型预测对应于该第二时间区间以及该第二电器使用状态的第二人数。
8.根据权利要求7所述的系统,其特征在于,该模型建立模块经配置以:
基于该些第一人数以及该些第一电器状态执行类神经网络演算法,以产生对应于类神经网络中的多个神经元的多个权重以及多个偏移量;以及
依据该些权重以及该些偏移量建立该预测模型。
9.根据权利要求8所述的系统,其特征在于,该预测模块输入该第二电器使用状态至该预测模型,以依据该些权重以及该些偏移量计算该第二人数。
10.根据权利要求7所述的系统,其特征在于,该模型建立模块经配置以:
输入该些第一人数以及该些第一电器状态至支持向量机,以找出分类该些第一人数以及该些第一电器状态的分类器;以及
依据该分类器建立该预测模型。
11.根据权利要求10所述的系统,其特征在于,该预测模块输入该第二电器使用状态至该预测模型,以依据该分类器找出对应于该第二电器使用状态的该第二人数。
12.根据权利要求7所述的系统,其特征在于,该预测模块还基于该些第一人数、该些第一电器使用状态、该第二电器使用状态以及该第二人数产生能源分析报告并提供能源使用建议。
13.一种基于电器使用状态的人数计算方法,适用于监控系统,其特征在于,所述方法包括下列步骤:
将多个第一空间中对应于第一时间区间的多个第一电器类型以及该些第一电器类型个别的第一电器数量转换为多个训练向量,其中该些第一空间对应于特定空间;
将该特定空间中对应于该第一时间区间的多个第二电器类型以及该些第二电器类型个别的第二电器数量转换为测试向量;
依据该些训练向量以及该测试向量产生最大测试向量,其中该最大测试向量包括多个元素,且各该元素对应于该些第一电器类型;
从该些元素中找出不为0的多个特定元素;
取得对应于各该特定元素的多个第一电器使用状态,其中该些第一电器使用状态对应于多个第一人数;
向对应于各该特定元素的该些第一电器使用状态执行主成分分析操作,以找出该些第一电器使用状态个别的主成分;
输入该些第一电器使用状态个别的主成分至支持向量机,以找出分类该些第一电器使用状态个别的该主成分的分类器;
检测在第二时间区间时的第二电器使用状态;以及
依据该分类器找出对应于该第二电器使用状态的第二人数。
14.根据权利要求13所述的方法,其特征在于,还包括:
基于该些第一人数、该些第一电器使用状态、该第二电器使用状态以及该第二人数产生能源分析报告并提供能源使用建议。
15.一种监控系统,其特征在于,包括:
第一转换模块,将多个第一空间中对应于第一时间区间的多个第一电器类型以及该些第一电器类型个别的第一电器数量转换为多个训练向量,其中该些第一空间对应于特定空间;
第二转换模块,将该特定空间中对应于该第一时间区间的多个第二电器类型以及该些第二电器类型个别的第二电器数量转换为测试向量;
产生模块,依据该些训练向量以及该测试向量产生最大测试向量,其中该最大测试向量包括多个元素,且各该元素对应于该些第一电器类型;
寻找模块,从该些元素中找出不为0的多个特定元素;
电器使用状态取得模块,取得对应于各该特定元素的多个第一电器使用状态;
分析模块,向对应于各该特定元素的该些第一电器使用状态执行主成分分析操作,以找出该些第一电器使用状态个别的主成分,其中该些第一电器使用状态对应于多个第一人数;
分类模块,输入该些第一电器使用状态个别的主成分至支持向量机,以找出分类该些第一电器使用状态个别的该主成分的分类器;
检测模块,控制该检测装置检测在第二时间区间时的第二电器使用状态;以及
预测模块,依据该分类器预测对应于该第二电器使用状态的第二人数。
16.根据权利要求15所述的系统,其特征在于,该预测模块还基于该些第一人数、该些第一电器使用状态、该第二电器使用状态以及该第二人数产生能源分析报告并提供能源使用建议。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW103125838 | 2014-07-29 | ||
TW103125838A TWI526852B (zh) | 2014-07-29 | 2014-07-29 | 基於電器使用狀態的人數計算方法及其監控系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105320834A true CN105320834A (zh) | 2016-02-10 |
CN105320834B CN105320834B (zh) | 2018-11-02 |
Family
ID=55180390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410519871.4A Expired - Fee Related CN105320834B (zh) | 2014-07-29 | 2014-09-30 | 基于电器使用状态的人数计算方法及其监控系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20160034813A1 (zh) |
CN (1) | CN105320834B (zh) |
TW (1) | TWI526852B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108090647A (zh) * | 2016-11-23 | 2018-05-29 | 财团法人资讯工业策进会 | 取得用电户的负载运作机率的方法及取得用电户群组的负载运作机率的方法 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10007849B2 (en) * | 2015-05-29 | 2018-06-26 | Accenture Global Solutions Limited | Predicting external events from digital video content |
TWI659384B (zh) * | 2017-11-29 | 2019-05-11 | 國立中山大學 | 雙迴路需量控制系統 |
CN108647817B (zh) * | 2018-05-07 | 2022-03-25 | 北京工业大学 | 一种能耗负荷的预测方法及预测系统 |
CN111223006A (zh) * | 2019-12-25 | 2020-06-02 | 国网冀北电力有限公司信息通信分公司 | 一种异常用电检测方法及装置 |
WO2021195358A1 (en) * | 2020-03-25 | 2021-09-30 | Hubbell Incorporated | System and method for monitoring power consumption of an appliance |
US11774553B2 (en) * | 2020-06-18 | 2023-10-03 | Infineon Technologies Ag | Parametric CNN for radar processing |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011002735A1 (en) * | 2009-07-01 | 2011-01-06 | Carnegie Mellon University | Methods and apparatuses for monitoring energy consumption and related operations |
CN103020459A (zh) * | 2012-12-19 | 2013-04-03 | 中国科学院计算技术研究所 | 一种多维度用电行为的感知方法及系统 |
-
2014
- 2014-07-29 TW TW103125838A patent/TWI526852B/zh not_active IP Right Cessation
- 2014-09-30 CN CN201410519871.4A patent/CN105320834B/zh not_active Expired - Fee Related
- 2014-11-07 US US14/535,329 patent/US20160034813A1/en not_active Abandoned
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011002735A1 (en) * | 2009-07-01 | 2011-01-06 | Carnegie Mellon University | Methods and apparatuses for monitoring energy consumption and related operations |
CN103020459A (zh) * | 2012-12-19 | 2013-04-03 | 中国科学院计算技术研究所 | 一种多维度用电行为的感知方法及系统 |
Non-Patent Citations (4)
Title |
---|
ANIL K.JAIN等: "Artificial Neural Networks:A Tutorial", 《COMPUTER》 * |
JONATHON SHLENS: "A Tutorial on Principal Component Analysis", 《ARXIV.ORG/ABS/1404.1100》 * |
WILHELM KLEIMINGER等: "Occupancy Detection from Electricity Consumption Data", 《BUILDSYS’13 PROCEEDINGS OF THE 5TH ACM WORKSHOP ON EMBEDDED SYSTEMS FOR ENERGY-EFFICIENT BUILDINGS》 * |
ZHENGYANG等: "A systematic approach to occupancy modeling in ambient sensor-rich buildings", 《SIMULATION》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108090647A (zh) * | 2016-11-23 | 2018-05-29 | 财团法人资讯工业策进会 | 取得用电户的负载运作机率的方法及取得用电户群组的负载运作机率的方法 |
CN108090647B (zh) * | 2016-11-23 | 2021-10-01 | 财团法人资讯工业策进会 | 取得用电户的负载运作机率的方法及取得用电户群组的负载运作机率的方法 |
Also Published As
Publication number | Publication date |
---|---|
US20160034813A1 (en) | 2016-02-04 |
TW201604692A (zh) | 2016-02-01 |
CN105320834B (zh) | 2018-11-02 |
TWI526852B (zh) | 2016-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105320834B (zh) | 基于电器使用状态的人数计算方法及其监控系统 | |
Rahimpour et al. | Non-intrusive energy disaggregation using non-negative matrix factorization with sum-to-k constraint | |
Jin et al. | Virtual occupancy sensing: Using smart meters to indicate your presence | |
Kim et al. | Unsupervised disaggregation of low frequency power measurements | |
Lin et al. | Applying power meters for appliance recognition on the electric panel | |
Yang et al. | Inferring occupancy from opportunistically available sensor data | |
US9104189B2 (en) | Methods and apparatuses for monitoring energy consumption and related operations | |
Nguyen et al. | Beyond Indoor Presence Monitoring with Simple Sensors. | |
Tang et al. | The meter tells you are at home! Non-intrusive occupancy detection via load curve data | |
Ma et al. | Toward energy-awareness smart building: Discover the fingerprint of your electrical appliances | |
CN112434799B (zh) | 基于全卷积神经网络的非侵入式负荷识别方法 | |
Lin et al. | A smart home energy management system utilizing neurocomputing-based time-series load modeling and forecasting facilitated by energy decomposition for smart home automation | |
Coppola et al. | Learning temporal context for activity recognition | |
Amayri et al. | Estimating occupancy from measurements and knowledge using the bayesian network for energy management | |
Jazizadeh et al. | Spatiotemporal lighting load disaggregation using light intensity signal | |
de Diego-Otón et al. | Recurrent LSTM architecture for appliance identification in non-intrusive load monitoring | |
Liu et al. | An intelligent building occupancy detection system based on sparse auto-encoder | |
Das et al. | Heterosense: An occupancy sensing framework for multi-class classification for activity recognition and trajectory detection | |
Makonin | Approaches to non-intrusive load monitoring (nilm) in the home | |
Lin | An advanced smart home energy management system considering identification of ADLs based on non-intrusive load monitoring | |
KR20230089652A (ko) | 전자기기의 비침식 부하 모니터링 시스템 및 그 방법 | |
Akbar et al. | A novel non-intrusive load monitoring technique using semi-supervised deep learning framework for smart grid | |
Liu et al. | Detection of electric bicycle indoor charging for electrical safety: A nilm approach | |
Stamatescu et al. | Privacy‐Preserving Sensing and Two‐Stage Building Occupancy Prediction Using Random Forest Learning | |
CN114661783B (zh) | 一种基于用电行为的生活状态检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181102 |