非侵入式家电开关状态感知课件

1、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Outline选题回顾在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

2、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11. 预测问题，使用隐马模型优化过程方法11. 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11. 隐马尔科夫模型的不足优化过程方法1优化过程方法21

3、. 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神经网络分类优化过程方法21. 分类问题，神经网络求解预处理PCA神经中期成果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599.7%3.69s698.4%1

4、5.17s785%221.00s电器数目预测准确率模型训练时间495%123.1s598.4%201.0s5+596.3%+96.87%553.1s+599.5s5+5+5+591.6%+97.5%+95.6%+97.1%797.7s+748.7s+746.0s+650.9s中期成果1.准确率提升电器数目预测准确率模型训练时间599.最终优化方案-数据源优化FFTIFFT最终优化方案-数据源优化FFTIFFT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-数据源优化去相位去相位加本身相最终优化方案-数据源优化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