CN113627451B - 基于贝叶斯网络的非侵入式家庭用电行为动态监测方法 - Google Patents

Abstract

本发明涉及一种基于贝叶斯网络的非侵入式家庭用电行为动态监测方法，包括：建立具有表征外部数据和用电行为对应关系的贝叶斯网络；获取用户历史用电数据及对应的外部数据包括气象、温度和节假日数据，对贝叶斯网络节点进行规约化；获取用电行为的先验概率及条件概率，训练所述贝叶斯网络；采集用户的用电负荷及外部数据；当存在负荷变化时，所述贝叶斯网络根据外部数据以及监测到的负荷变化数据计算用户行为的后验概率，选取后验概率最大值对应的用电行为作为用电行为检测结果。本发明建立贝叶斯网络用户行为模型，采用电气特征结合天气、温度、用电时段等非电量特征，进行负荷辨识，提升了辨识准确率。

Description

基于贝叶斯网络的非侵入式家庭用电行为动态监测方法

技术领域

本发明涉及智能量测技术领域，尤其涉及一种基于贝叶斯网络的非侵入式家庭用电行为动态监测方法。

背景技术

智能量测技术是智能电网的重要组成部分。传统的负荷监测装置为侵入式负荷监测，即在每个用电设备尾部安装计量装置，实现能耗的分项计量，这种方式成本高、安装复杂，用户接受度低，非侵入式负荷监测技术是指仅在用户入户线处安装电气量监测装置，通过对总电气量进行监测，采用一定的算法进行负荷辨识，进而实现能耗的分解，这种方法具有成本低，安装简单，用户接受度高的优点。

为了便于推广应用，考虑到监测成本与存储成本，低频监测成为主要研究方向。在非侵入式负荷低频监测技术中，特征提取是重要的部分，传统的辨识方法大多采用有功功率、无功功率等低频电气特征以及波形等非电量特征，随着电器数量的增多，这些特征的辨识准确率会达到瓶颈，需要挖掘新特征。由于家庭用电具有规律性，结合外部数据特征进行用电行为分析可一定程度上提升辨识准确率。

发明内容

针对目前的分布式监控网络成本较高且无法对图像中物体进行定位的问题，本发明提供一种基于贝叶斯网络的非侵入式家庭用电行为动态监测方法，根据外界数据与电器特征数据，构建贝叶斯网络模型，计算用电行为概率，提升了辨识准确率。

为达到上述目的，本发明提供了一种基于贝叶斯网络的非侵入式家庭用电行为动态监测方法，包括：

建立具有表征外部数据和用电行为对应关系的贝叶斯网络；

获取用户历史用电数据及对应的外部数据，外部数据包括气象、温度和节假日数据，对贝叶斯网络节点进行规约化；

获取用电行为的先验概率及条件概率，训练所述贝叶斯网络；

实时采集用户的用电负荷，获取外部数据；当存在负荷变化时，所述贝叶斯网络根据外部数据以及监测到的负荷变化数据计算用户行为的后验概率，选取后验概率最大值对应电器设备类型组合，识别用电行为。

进一步地，所建立的贝叶斯网络拓扑结构中，第一层为代表外部数据的节点X，第二层为所有电器设备类型的节点Y，第三层代表为电气特征的组成Z。

进一步地，建立贝叶斯网络B<G,θ>，其中有向无环图G＝<S,A>，S为节点的集合，S＝<X,Y,Z>包括三层节点；A为有向弧的集合，代表函数的依赖关系，对于一条由变量Y到X的有向弧，则Y是X的双亲，X是Y的后继；X_i的所有双亲变量由集合Pa(X_i)表示，当给定双亲时，有向无环图G中的每个变量与其非后继节点相互独立；θ为贝叶斯网络中的参数。

进一步地，规约化包括：

对采集用户的历史用电数据中每一个负荷升高或降低的信号，进行投入前和投入后或切除前和切除后的总电气特征有功功率、无功功率的差分；

ΔP_t＝|P_t+1-P_t|

ΔQ_t＝|Q_t+1-Q_t|

式中ΔP、ΔQ分别表示有功、无功特征量；P_t、Q_t分别代表t时刻的有功、无功特征量；；

计算差分量的功率因数f_t：

进行以有功功率为特征的负荷事件检测，根据待测设备投入时的最小有功功率突变量设置阈值H，分别计算历史用电数据中t时刻的有功功率差分值ΔP_t；当存在t_e满足ΔP_te>H时，将数据点t_e记录为一次负荷事件；记录事件发生时刻t_e的运行时的时刻信息，根据当天的外部数据X＝{X₁,X₂...X_m}进行规约化：

X₁＝{W₁，W₂，W₃，W₄，W₅，W₆，W₇，W₈，W₉}，分别表示晴天、多云、阴天、小雨、中雨、大雨、小雪、中雪、大雪共九个等级；

X₂＝{H₁，H₂，H₃,H₄，H₅，H₆,H₇}，表示周一到周日共七个等级；

X₃＝{TI₁,TI₂,…,TI₂₄},分别表示电器开关转换二十四小时制的小时信息；

X₄＝{TE_i|i＝f(t)}分别表示温度t的分布情况；

TE_i表示温度等级；

表征电气量数据Z＝{Z₁,Z₂,...,Z_n}的规约化方式如下：

p为有功功率值，AP_i表示有功功率的第i个属性；

q为无功功率值，RP_i表示无功功率的第i个属性；

f为功率因数值，PF_i表示功率因数的第i个属性。

进一步地，还包括采集用户的历史用电数据提取用户的用电行为，记录对应的规约化后的参数，形成规则库。

进一步地，训练包括：

计算用电行为Yi的在规则库中的样本频次信息N_Yi，规则库中总样本数量为N，作为先验概率：

P(Y_i)＝N_Yi/N

更新第i个用电行为的第j个外部数据统计值N_Xj,Yi和第i个用电行为的第k个电气特征的统计值N_Yi,Zk,计算条件概率函数：

更新参数θ进行训练：

进一步地，训练至设定次数或者贝叶斯网络满足精度要求后完成训练。

进一步地，采集用户的用电负荷及外部数据；当存在负荷变化时，计算对应的电气特征；

对Y_i计算后验概率P(Y_i|X,Z)：

式中：P(X,Z|Y_i)为外界数据X₁，X₂，…,X_m以及电气特征Z₁，Z₂，…,Z_n同时在类别Y_i中出现的概率，P(Y_i)表示电器类别i的先验概率；P(X,Z)表示外界因素X₁，X₂，…,X_m以及电气特征Z₁，Z₂，…,Z_n同时出现的概率；

选取计算后验概率中最大值对应的电器设备类型组合，得出当前运行的电器类别Y^*：

根据得出当前运行的电器类别和上一次的电器类别比对获得用电行为作为用电行为识别结果。

进一步地，对获得用电行为作为用电行为识别结果进行判别，如果错误时，则对辨识得出的规则库进行更新，将正确的用电行为结果存储，并重新进行网络参数的更新。

进一步地，还包括：

当时间周期到达一个时间阈值时，重新统计规则库中的用电行为i的样本频次信息N_Xi及总样本数量N，对参数θ进行更新；

当家庭中添加新的家用电器时，即存在节点Y的更新，对贝叶斯网络结构进行更新，增加节点Y_i并计算P(Y_i)，对与Y_i直接相连的弧的条件概率参数进行计算。

本发明的上述技术方案具有如下有益的技术效果：

(1)本发明建立贝叶斯网络用户行为模型，采用电气特征结合天气、温度、用电时段等非电量特征，进行负荷辨识，提升了辨识准确率。

(2)本发明采用动态更新的贝叶斯网络模型，进行贝叶斯网络的参数更新，实现准确率随时间进一步提升。

附图说明

图1为用电行为监测流程图；

图2为用电行为动态监测流程图；

图3为用电行为分析贝叶斯网络模型结构示意图；

图4辨识准确率对比示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。

本发明根据外界数据与电器特征数据，构建贝叶斯网络模型，计算用电行为概率，其基本原理如下：

给定未知外界因素与电器特征数据集{X，Z}，要获取该数据集对应的用户行为类别，可将后验概率最大的类作为数据集的类别。根据贝叶斯定理，后验概率的计算公式为：

式中：P(X,Z|Y_i)为外界因素X₁，X₂，…,X_m以及电气特征Z₁，Z₂，…,Z_n中的属性同时在类别Y_i中出现的概率，P(Y_i)表示电器类别i的先验概率，可根据类别i电器频次占总样本的频次比例得出，P(X,Z)表示外界因素X₁，X₂，…,X_m以及电气特征Z₁，Z₂，…,Z_n中的属性同时出现的概率。

根据贝叶斯网络的条件独立判定，当网络中同时包含外界因素和电气特征时，在用电行为给定的情况下，外界因素和电器特征是相互独立的，外界因素之间相互独立，电器特征之间相互独立。因此，当负荷数据集中包含n个外界因素X和m个电器特征Z时，对于类别变量Y有：

结合图1至图3，基于贝叶斯网络的非侵入式家庭用电行为动态监测方法的具体实施方式，包括以下步骤：

步骤1：建立具有表征外部数据和用电行为对应关系的贝叶斯网络。

步骤1.1，根据数据类型、电气数据类型、电器设备种类，建立贝叶斯网络B<G,θ>。G＝<S,A>，S为节点的集合，θ为网络中的参数。

S＝<X,Y,Z>包括三层节点，第一层为所有代表外部数据的节点X，第二层为所有电器设备种类的节点Y，第三层代表为电气特征的组成Z。A为有向弧的集合，代表函数的依赖关系。对于一条由变量Y到X的弧，则Y是X的双亲，X是Y的后继。X_i的所有双亲变量由集合Pa(X_i)表示，当给定双亲时，图G中的每个变量与其非后继节点相互独立。网络拓扑结构如图3所示。

θ为网络中的参数，对于X_i的取值x_i，参数θ满足：

步骤2：获取用户历史用电数据及对应的外部数据包括气象、温度和节假日数据，对贝叶斯网络节点进行规约化；

步骤2.1：对采集用户的历史用电数据；对于每一个负荷升高或降低的信号，进行投入前和投入后或切除前和切除后的有功功率、无功功率的差分；

ΔP_t＝P_t+1-P_t

ΔQ_t＝Q_t+1-Q_t

式中ΔP、ΔQ表示有功、无功特征量；P_t、Q_t分别代表t时刻的有功、无功特征量，P_{t+ 1}Q_t+1同理。

计算差分量的功率因数f_t：

步骤2.2：进行事件检测及数据记录。首先以有功功率为特征进行负荷事件检测，根据待测设备投入时的最小有功功率突变量设置阈值H。分别计算历史用电数据中t时刻的有功功率差分值ΔP_t。当存在t_e满足ΔP_te>H时，将数据点t_e记录为一次负荷事件。记录事件发生时刻t_e的运行时的时刻信息，根据当天的气象、温度、和节假日数据等外部数据以及有功功率差分值、无功功率差分值、功率因数等。例如：

步骤2.3：对外部数据X＝{X₁,X₂...X_m}及电气量数据Z＝{Z₁,Z₂,...,Z_n}进行规约化：

X₁＝{W₁，W₂，W₃，W₄，W₅，W₆，W₇，W₈，W₉}，分别表示晴天、多云、阴天、小雨、中雨、大雨、小雪、中雪、大雪共九个等级；

X₂＝{H₁，H₂，H₃,H₄，H₅，H₆,H₇}，表示周一到周日共七个等级；

X₃＝{TI₁,TI₂,…,TI₂₄},分别表示电器开关转换二十四小时制的小时信息，TI即为小时信息。；

X₄＝{TE_i|i＝f(t)}分别表示温度t的分布情况；

TE_i表示温度等级，i取值范围为1-11，11个等级。

表征电气量数据Z＝{Z₁,Z₂,...,Z_n}的规约化方式如下：

p为有功功率值，AP_i表示有功功率的第i个属性，取值范围为0-250。

q为无功功率值，RP_i表示无功功率的第i个属性，取值范围为0-40。

f为功率因数值，PF_i表示功率因数的第i个属性，取值范围为0-20。

2.4根据用户的用电行为，记录对应的规约化后的参数，形成规则库。

对规则库进行示例说明：

假定生成的负荷事件数据经过用户标注后明确具体设备对象及事件发生时刻的外部数据、电气量数据的属性：

则可生成规则库：

步骤3：根据规则库获取用电行为的先验概率及条件概率，训练所述贝叶斯网络；

训练的方法为：计算规则库中的用电行为i的样本频次信息N_Xi，总样本数量N，计算规则库中的先验信息：

P(Y_i)＝N_Yi/N (10)

更新第i个用电行为的第j个外部数据统计值N_Xj,Yi和第i个用电行为的第k个电气特征的统计值N_Yi,Zk,计算条件概率函数：

在模型中可进行参数θ的更新：

步骤4：采集用户的用电负荷及外部数据；当存在负荷变化时，所述贝叶斯网络根据外部数据以及监测到的负荷变化数据计算用户行为的后验概率，选取后验概率最大值对应的用电行为作为用电行为检测结果。

步骤4.1：采集用户的用电负荷及外部数据，检测负荷变化的负荷事件，对用电负荷进行预处理，提取负荷特征，将所提取电气特征代入贝叶斯网络模型中，通过式(13)对Y_i进行后验概率计算P(Y_i|X,Z)。

式中：P(X,Z|Y_i)为外界因素X₁，X₂，…,X_m以及电气特征Z₁，Z₂，…,Z_n中各属性同时在类别Y_i中出现的概率，P(Y_i)表示电器类别i的先验概率，可根据类别i电器频次占总样本的频次比例得出，P(X,Z)表示外界因素X₁，X₂，…,X_m以及电气特征Z₁，Z₂，…,Z_n同时出现的概率。

步骤4.2：根据式(13)选取后验概率最大的电器选项，得出当前运行的电器类别Y^*：

例如晴天，周一，时间12:30:02，实时温度12摄氏度发生有功功率变化为1800W，无功功率变化为30Var，功率因数为0.999的事件时，从规则库中根据式(13)计算Y^*为Y₄，结果插入规则库中：

步骤4.3：对误辨识结果进行修改，当前辨识结果错误时，可对辨识结果进行更新，将用电行为结果存储计算。

假设步骤4.2插入的数据经用户查看，实际上投切电器应为Y₅，那么可以将新插入数据更新如下：

即将ID为4的Y更新为Y₅。

进一步的，还包括：当经过一定时间或环境发生变化时，可进行数据和网络结构的更新，并对网络参数重新进行计算。

当时间周期到达一个时间阈值时，可进行参数更新，可重新统计规则库中的N_Yi,N_Xj，总样本数量N，并结合式(10)-式(14)进行参数更新。

当家庭中添加新的家用电器时，即存在节点Y的结构更新，可对网络结构进行更新，增加Y_i并计算P(Y_i)，对与Y_i直接相连的弧的条件概率参数进行计算。

进一步地，为了对比本发明与不包含外部数据的贝叶斯网络以及未进行增量式训练的方法的对比优势。图4给出了基于贝叶斯网络的非侵入式家庭用电行辨识准确率对比，这些结果显示了相较于其他方法，本发明在提升辨识准确率方面具有一定的优势。

综上所述，本发明涉及一种基于贝叶斯网络的非侵入式家庭用电行为动态监测方法，包括：建立具有表征外部数据和用电行为对应关系的贝叶斯网络；获取用户历史用电数据及对应的外部数据包括气象、温度和节假日数据，对贝叶斯网络节点进行规约化；获取用电行为的先验概率及条件概率，训练所述贝叶斯网络；采集用户的用电负荷及外部数据；当存在负荷变化时，所述贝叶斯网络根据外部数据以及监测到的负荷变化数据计算用户行为的后验概率，选取后验概率最大值对应的用电行为作为用电行为检测结果。本发明建立贝叶斯网络用户行为模型，采用电气特征结合天气、温度、用电时段等非电量特征，进行负荷辨识，提升了辨识准确率。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (9)

1.一种基于贝叶斯网络的非侵入式家庭用电行为动态监测方法，其特征在于，包括：

建立具有表征外部数据和用电行为对应关系的贝叶斯网络；

获取用户历史用电数据及对应的外部数据，外部数据包括气象、温度和节假日数据，对贝叶斯网络节点进行规约化；

获取用电行为的先验概率及条件概率，训练所述贝叶斯网络；

实时采集用户的用电负荷，获取外部数据；当存在负荷变化时，所述贝叶斯网络根据外部数据以及监测到的负荷变化数据计算用户行为的后验概率，选取后验概率最大值对应电器设备类型组合，识别用电行为；

其中，所述规约化包括：

对采集用户的历史用电数据中每一个负荷升高或降低的信号，进行投入前和投入后或切除前和切除后的总电气特征有功功率、无功功率的差分；

ΔP_t＝|P_t+1-P_t|

ΔQ_t＝|Q_t+1-Q_t|

式中ΔP、ΔQ分别表示有功、无功特征量；P_t、Q_t分别代表t时刻的有功、无功特征量；计算差分量的功率因数f_t：

进行以有功功率为特征的负荷事件检测，根据待测设备投入时的最小有功功率突变量设置阈值H，分别计算历史用电数据中t时刻的有功功率差分值ΔP_t；当存在t_e满足ΔP_te>H时，将数据点t_e记录为一次负荷事件；记录事件发生时刻t_e的运行时的时刻信息，根据当天的外部数据X＝{X₁,X₂...X_m}进行规约化：

X₁＝{W₁，W₂，W₃，W₄，W₅，W₆，W₇，W₈，W₉}，分别表示晴天、多云、阴天、小雨、中雨、大雨、小雪、中雪、大雪共九个等级；

X₂＝{H₁，H₂，H₃,H₄，H₅，H₆,H₇}，表示周一到周日共七个等级；

X₃＝{TI₁,TI₂,…,TI₂₄},分别表示电器开关转换二十四小时制的小时信息；

X₄＝{TE_i|i＝f(t)}分别表示温度t的分布情况；

TE_i表示温度等级；

表征电气量数据Z＝{Z₁,Z₂,...,Z_n}的规约化方式如下：

p为有功功率值，AP_i表示有功功率的第i个属性；

q为无功功率值，RP_i表示无功功率的第i个属性；

f为功率因数值，PF_i表示功率因数的第i个属性。

2.根据权利要求1所述的基于贝叶斯网络的非侵入式家庭用电行为动态监测方法，其特征在于，所建立的贝叶斯网络拓扑结构中，第一层为代表外部数据的节点X，第二层为所有电器设备类型的节点Y，第三层代表为电气特征的组成Z。

3.根据权利要求2所述的基于贝叶斯网络的非侵入式家庭用电行为动态监测方法，其特征在于，建立贝叶斯网络B<G,θ>，其中有向无环图G＝<S,A>，S为节点的集合，S＝<X,Y,Z>包括三层节点；A为有向弧的集合，代表函数的依赖关系，对于一条由变量Y到X的有向弧，则Y是X的双亲，X是Y的后继；X_i的所有双亲变量由集合Pa(X_i)表示，当给定双亲时，有向无环图G中的每个变量与其非后继节点相互独立；θ为贝叶斯网络中的参数。

4.根据权利要求1所述的基于贝叶斯网络的非侵入式家庭用电行为动态监测方法，其特征在于，还包括采集用户的历史用电数据提取用户的用电行为，记录对应的规约化后的参数，形成规则库。

5.根据权利要求4所述的基于贝叶斯网络的非侵入式家庭用电行为动态监测方法，其特征在于，训练包括：

计算用电行为Yi的在规则库中的样本频次信息N_Yi，规则库中总样本数量为N，作为先验概率：

P(Y_i)＝N_Yi/N

更新第i个用电行为的第j个外部数据统计值N_Xj,Yi和第i个用电行为的第k个电气特征的统计值N_Yi,Zk,计算条件概率函数：

更新参数θ进行训练：

6.根据权利要求5所述的基于贝叶斯网络的非侵入式家庭用电行为动态监测方法，训练至设定次数或者贝叶斯网络满足精度要求后完成训练。

7.根据权利要求6所述的基于贝叶斯网络的非侵入式家庭用电行为动态监测方法，其特征在于，

采集用户的用电负荷及外部数据；当存在负荷变化时，计算对应的电气特征；

对Y_i计算后验概率P(Y_i|X,Z)：

式中：P(X,Z|Y_i)为外界数据X₁，X₂，…,X_m以及电气特征Z₁，Z₂，…,Z_n同时在类别Y_i中出现的概率，P(Y_i)表示电器类别i的先验概率；P(X,Z)表示外界因素X₁，X₂，…,X_m以及电气特征Z₁，Z₂，…,Z_n同时出现的概率；

选取计算后验概率中最大值对应的电器设备类型组合，得出当前运行的电器类别Y^*：

根据得出当前运行的电器类别和上一次的电器类别比对获得用电行为作为用电行为识别结果。

8.根据权利要求7所述的基于贝叶斯网络的非侵入式家庭用电行为动态监测方法，其特征在于，对获得用电行为作为用电行为识别结果进行判别，如果错误时，则对辨识得出的规则库进行更新，将正确的用电行为结果存储，并重新进行网络参数的更新。

9.根据权利要求8所述的基于贝叶斯网络的非侵入式家庭用电行为动态监测方法，其特征在于，还包括：

当时间周期到达一个时间阈值时，重新统计规则库中的用电行为i的样本频次信息N_Xi及总样本数量N，对参数θ进行更新；

当家庭中添加新的家用电器时，即存在节点Y的更新，对贝叶斯网络结构进行更新，增加节点Y_i并计算P(Y_i)，对与Y_i直接相连的弧的条件概率参数进行计算。