智能家庭环境中用电行为识别研究摘要：在家庭环境中, 电力需求侧用户用电行为的识别和反馈是提高终端用户环保意识、节能减排的重要手段。目前, 引起了国内外学者的广泛研究。现有的智能环境在识别家庭行为方面存在一些缺陷。用户很难接受侵入性设备, 非侵入性设备的识别精度不够高。为解决上述问题, 本文采用了一种更合理的数据采集方法, 建立了用户行为的本体模型, 并将改进后的隐式马尔可夫模型作为行为识别方法。本文的主要内容如下: (1) 鉴于用户对行为识别系统采样模式的接受程度较低, 行为识别主要采用现有的数据集, 而不考虑行为中的错误和数据丢失针对这种情况, 设计了用于行为识别的智能套接字采样装置的负载数据, 提出了负载数据验证和融合两种曲线拟合方法的 Lb 提升算法来修复数据。该算法利用内核极限学习机了解了家庭电路丢失的特点, 利用全分支的功率关系土堆对数据进行了验证和修复。实验结果表明, Lb 提升算法的性能优于拉格朗日插值和 b 样条算法。数据的缺乏对识别性能有重要影响, 数据质量的保证提高了行为识别的准确性。(2) 针对 G 前能量反馈的设计理念过于主观, 对提高能耗行为没有明确的指导, 评价方法模糊, 是以行为为导向的互动反馈 模型, Energyaccess, 被提出。该模型使用焦点 + 上下文 (F + C) 技术来突出显示焦点对象, 以帮助用户改进其行为, 并使用 OZ 向导来设计和测试我们的能量反馈原型。提出了行为变化值的评价标准, 比传统的行为改善评价方法更有效。关键词：智能家居；行为识别，信息目 录第一章 前言..........................................................................................................31.1 研究目的和意义......................................................................................31.2 国内外研究现状......................................................................................41.2.1 电力负载数据修复的研究方法...................................................41.2.2 行为识别的研究现状...................................................................51.3 研究内容与方法......................................................................................51.4 研究成果............................................................................................
