非侵入式家电开关状态感知 - 国家智能计算机研究开发中心 .pptVIP

非侵入式家电开关状态感知 程序优化课程大作业—结题答辩 课题团队：吴林阳，周聖元，张星洲 Outline 选题回顾 优化过程 最终优化方案 数据源 模型优化 成果展示 在IOT领域，希望能够使用尽可能少的传感器得到尽可能多的用户数据。 非侵入式感知家电状态（NILM）--只在总开关处安装传感器测量总电流和电压，便能得到每个电器的开关状态。 选题回顾 1. 预测问题，使用隐马模型 将求解电器开关状态问题转化预测问题，建立隐马模型来对将来一段时间的电器开关状态序列做预测，即电器开关状态为隐藏量，总电线功率为观察量，通过使用维特比算法解码，由总电线功率求得每个电器开关状态。 2. 训练及求解 通过训练集得到隐马模型中的初始概率，发射概率和转移概率。使用维特比算法来解码，由总电线功率求得每个电器开关状态。 优化过程—方法1 1. 隐马尔科夫模型的不足 1.转移概率由用户训练得到，不一定能够获取真实的转移概率，影响了准确率； 2.实际应用中，依赖用户训练的方式不可取（多个电器，每个电器训练24小时，并且训练到所有的开关状态）； 3.计算复杂度随电器数目呈指数级增长。 2. 将预测问题转化为分类问题 优化过程—方法1 优化过程—方法2 1. 分类问题，神经网络求解 假设家庭中有N个电器，在稳定运行状态下每个电器只有开、关两种状态，那么所有电器一共可能的组合情况有2N种。由于干路总电流是各个电器电流的叠加，所以干路上的总电流能表现出2N种不同的行为模式。 将总电流分为2N类，如果能够判断出某个总电流属于哪一个电器组合类别，就能得知哪些电器在运行，从而判断开关状态。 2. 求解 3. 局限性 暴力分类，当电器数目多时，类别呈指数级增长 预处理 PCA 神经网络分类 中期成果 1.准确率提升 2.平台改变 测试平台：树莓派2 电器数目 预测准确率 模型训练时间 5 99.7% 3.69s 6 98.4% 15.17s 7 85% 221.00s 电器数目 预测准确率 模型训练时间 4 95% 123.1s 5 98.4% 201.0s 5+5 96.3%+96.87% 553.1s+599.5s 5+5+5+5 91.6%+97.5%+95.6%+97.1% 797.7s+748.7s+746.0s+650.9s 最终优化方案--数据源优化 FFT IFFT 最终优化方案—数据源优化 问题二：电器组合总类过多，如果手工合成与真实电流波形相似的混合电流波形？ 优化方案： 误区：能不能把每个电器都去除相位，然后时域相加？ 不行！因为电器的相位除了测量时产生的相位之外，电器本身也自带相位。 最终优化方案--数据源优化 去相位 去相位 加本身相位 加本身相位 去相位 最终优化方案--数据源优化 去相位 最终优化方案—分类模型优化 一个多类分类模型 优势：电器数目较少时，分类速度快； 劣势：暴力分类，当电器数目多时，类别呈指数级增长。 单个多类分类模型（指数）?多个单类分类模型（线性） 多个单类分类模型 优势：为每一个电器建立一个模型，每个模型确定该电器的开关状态，模型数量线性增加，减少类别数目； 劣势：电器数目少时，需每个电器都训练，时间相对较长。 Thanks * * * * * *