[发明专利]一种家庭用电数据预测方法

权利要求书

1.一种家庭用电数据预测方法，其特征在于：包括原始数据的采集、数据训练和特征提取以及数据的分解和分类，具体步骤如下：

(1)首先通过家用智能电表进行总功率原始数据的采集，包括对低频数据1Hz的采集，采集的数据以时间戳和功率的形式进行保存，同时对每个单一电器的数据文件中的数据也进行采集；

(2)将步骤(1)中采集的总功率原始数据进行特征提取，所述特征提取包括数据中带时间戳的正负功率变化、功率骤增量以及功率骤增持续时间，同时对每个单一电器的数据文件中采集的数据进行遍历，识别功率变化点，并统计功率变化大小和时间点，对出现功率浪涌的电器统计功率骤增值和持续时间，自动形成相应电器的特征向量进行保存，且特征向量保存形式为：(△p_i，p_is，t_s，use)，其中，△p_i为数据中带时间戳的正负功率变化；p_is为功率骤增量；t_s为功率骤增持续时间；use为电器；

(3)通过步骤(2)得出总功率原始数据的变化情况并记录变化点的大小和时间戳，通过负向功变的聚类融合，同时将负向功变与正向功变匹配，进行初步电器的打开和关闭时间的估计，然后形成正向功变聚类融合，并对聚类结果统计特征，根据训练结果的特征向量进行分类，估计每一种电器的开关状态；

(a)所述总功率原始数据的变化情况通过遍历数据文件，对相邻的功率数据进行对比，当两个数据之差大于阈值时，记录差值，并记录相应时间戳，当差值为负数时，作为负向功变；当差值为正时，检测下有无功率波动，若有，则记录差值为功率骤增量，并向后遍历记录持续时间；若无，记录为正向功变；

(b)负向功变聚类通过使用改进的ISODATAS算法对已经确定的负向功变进行初步聚类，使用时间统计量信息对聚类结果进行分离和融合，减少聚类误差；在ISODATAS算法中加入时间特征，通过使用模式相似度进行聚类融合和分离，提高聚类准确度，

(c)所述改进的ISODATAS算法需要首先预设聚类数，预设聚类数的选取由生活经验可得，θ_C为两个电器聚类中心的最小距离，若小于此值，则把两种电器合并成一种电器，N_C为初始聚类中心的个数，S为预设的阈值，当Sim值超过S时，认为两种电器聚类为同一种电器聚类，对这两种电器聚类进行合并，

Sim的计算方法如下：

记录功率变化时相应的时间戳，并计算相邻两个时间戳的差值，记录时间间隔

Δk＝t_j-t_j-1，其中j＝2,3,4……，t_j为第j时间戳，t_j-1为第j-1时间戳；

通过以下公式计算Δk的标准差

其中,Δk为时间间隔；K为1,2,3，…；n为1,2,3，…；

比较Sim和S的大小

(d)使得负向功变的聚类每个聚类中的所有的负向功变与正向功变匹配，并估计打开和关闭时间，对于电器聚类i，每个已经确定的负向功率变化j的大小为Δp_ij，其发生的时间为t_j，让j与发生时间为t_k大小为△p_ik的正向功变k匹配，t_kt_j，并通过以下公式对电器打开时间和关闭时间进行估计，t_on＝t_j-t_k，t_off＝t_k+1-t_j，与负向功变相匹配的正向功变被聚类为i₊；其中，t_on为电器打开时间，t_off为电器关闭时间；

(e)对上一步的每个聚类结果进行特征提取，根据训练数据中得到的每种电器的特征情况，使用简单的分类方法进行电器分类，识别每个聚类至具体电器；

(f)电器的分类结果融合分析：加入先验知识后，进行状态估计，

单点的方法：在一个电器集中，把功变数据按时间顺序排序，正值表示电器被打开，负值表示电器被关闭；对相邻的电器，该方法根据电器的状态建立成隐马尔可夫模型，用维特比算法解码，进一步对重叠电器进行分离，提高分解准确度。