電流遷移態序列特征模型與獲取方法研究*

張慧，劉帥，楊澤丞，王萍，程紅梅，張振亞?

（1.智能建筑與建筑節能安徽省重點實驗室安徽建筑大學，安徽 合肥 230022；2.安徽建筑大學電子與信息工程學院，安徽 合肥 230022；3.安徽建筑大學經濟與管理學院，安徽 合肥 230022）

0 引言

電是現代生產、生活不可替代的能源形式，用電過程的管控事關用電安全，一直為行業應用所關注.隨著物聯網技術的普及，精細的用電監測與管理日益為越來越多的研究者所關注[1-3].目前，對于用戶需求側的用電研究，主要是基于電力負載特征，如電壓、電流、功率等，對電器進行穩態分析、暫態分析以及兩者混合分析的方式進行[4].文獻[5]從電器電流波形中提取了電流峰值、電流均值、電流均方值、高電平比、低電平比等10個時域和穩態特征，采用k-最近鄰規則（k-NNR）和支持向量機進行負載識別，并將主成分分析與k-NNR和SVM相結合分別對10個特征進行檢驗，選擇出最有效的特征.文獻[6]使用智能插座采集電器用電數據，從負載功率序列樣本中提取負載的功率特征和人的行為特征，提出了一種基于貝葉斯分類模型的家用電器識別算法.文獻[7]基于V-I軌跡的信息，如面積、斜率、曲率、軌跡質心等構建穩態和暫態特征.文獻[8]從用電數據中構建了時間和頻譜負載特征，并提出了雙流卷積神經網絡（TSCNN）從兩種類型的負載特征中提取特征并執行分類.相比穩態特征，暫態特征與設備本身的特性相關性更強[9-10]，且用電設備之間的暫態特征重疊較少，有利于用電負荷的分解.對于暫態特征的提取，常使用信號分析方法將高頻采集的用電數據轉換為頻域或小波域.短時傅里葉變換（STFT）和快速傅里葉變換（FFT）廣泛用于提取電流諧波，有助于區分暫態負載特征[11-12].文獻[13]和文獻[14]基于小波變換進行特征的提取，可以在頻域和時域上表示信號，從而允許訪問有關信號的局部信息.文獻[15]提出使用S變換來提取設備特征，然后將這些特征輸入SVM分類器以識別每個電氣設備，也取得了較高的分類準確度.但高采樣頻率對硬件設備以及計算能力均提出了更高的要求，增加了設備成本和計算成本.電流作為一種常見的用戶用電態勢數據，其實時變化能夠及時地反映用電設備狀態的變化，通過對電流遷移狀態的研究，有助于了解設備運行狀態的切換，為用戶提供電力使用和管理方面的指導和決策支持.為了快速、有效地提取用電事件特征，本文提出了一種電流遷移態序列特征模型與獲取方法，在使用與設備本身特性相關性更強的遷移態特征的基礎上，相比信號分析方法計算量較小，能夠以較低的成本滿足快速、有效地提取電流遷移態序列特征的需求，保證電器工作模式在線辨識的及時性.

由于電器通過智能插座取電時，不僅可以使用戶通過智能插座實現對電器的更多操作，也使得電器用電數據的獲取更為及時、有效、簡潔.本文在使用自主研發的智能插座高頻次采集電器[16-17]用電數據的基礎上，提出了一種基于微環境的分布式粒子群優化算法（MPSO）的電流遷移態特征提取方法.該方法在構造電流遷移態序列集的基礎上，使用一元回歸模型描述電流遷移態序列的特征，并使用MPSO算法對電流遷移態序列的特征進行了求解，快速、有效地實現了對電流遷移態序列特征的提取.本文主要貢獻：1）根據電流遷移態的數據變化特性提出了一種電流遷移態序列的定位方法；2）設計了電流遷移態序列的一元回歸模型特征；3）提出基于微環境的MPSO算法，優化電流遷移態序列特征.

1 電流遷移態特征提取方法

電器在使用時，其工作狀態經常從一種狀態變化到另外一種狀態.通常，當電器穩定在某一工作狀態時，電路上的用電態勢數據相對穩定；而當電器的工作狀態發生變化時，電路上的用電態勢數據相應變化.簡單的，稱電器穩定工作的狀態為穩態，相應的，對處于穩態的電器用電情況進行在線監測所獲得的電器用電情況的狀態序列稱為穩態序列.對時間上鄰近的兩個穩態，電器的工作狀態從前一個穩態遷移到后一個穩態時，一般不能夠從一個穩態瞬時進入下一個穩態，而是需要一定的時間間隔，稱這段時間間隔內對電器用電情況進行在線監測所獲得的電器用電情況的狀態序列為遷移態序列，相應的，稱這段時間內電器所處的狀態為遷移態.電器的工作/使用過程，是其在穩態與遷移態之間不斷切換的過程.

電流值是一類基礎的電態勢數據，基于高頻次采集的電流數據遷移態特征提取是用戶側用電研究中經常面對的問題.電流遷移態特征提取流程如圖1所示.

圖1 電流遷移態特征提取

圖1示意的流程主要包含三個部分：電流狀態序列模塊①、電流遷移態序列模塊②、電流遷移態特征模塊③.電流狀態序列模塊①對電流序列進行深度解析，析構出電流序列中的每一個穩態序列；電流遷移態序列模塊②以電流狀態序列模塊①輸出的穩態序列以及電流序列為輸入，析構出蘊含于電流序列中的電流遷移態序列；電流遷移態特征模塊③負責將電流遷移態序列模塊②輸出的電流遷移態序列轉換為電流遷移態特征.

定義1用電電流序列與電流狀態序列ε片段

設t0,tn∈R，t0＞0，tn＞0，t0＜tn，T=(t0,tn]為觀測時間段，對t0＜t1＜···＜ti＜···＜tn，需要在(ti-1,ti]時間段內觀測一次電路中的電流.又設si是(ti-1,ti]時間段內觀測到的電流值，i=1,2,···,n，稱S=＜s1,s2,···,sn＞為在T=(t0,tn]時間段內的用電電流序列.進一步，設es(ε)l=＜sl,sl+1,···,sl+m＞，es(ε)l?S，是Δml=(tl,tl+m]時間段內的用電電流序列，m是時間段內觀測到的電流值個數，若不等式組（1）成立，稱esl(ε)是一個電流狀態序列ε片段，電器在時間段內電流狀態處于ε穩態，esl(ε)是一個電流狀態序列ε片段.

不等式組（1）設定的是一種基于均值的電流狀態序列ε片段.實踐中可以由類似不等式組（2）的其它約束條件規定電流狀態序列ε片段，這里，不等式組（2）設定的是一種基于躍變檢測的序列ε片段：在一個電流狀態序列ε片段中，任意兩個相鄰觀測到的數據，其差異值不大于ε.

定義2電流狀態序列片段

對S中全部電流狀態序列ε片段構成的電流狀態序列ε片段集i1＜i2＜···＜iu，對應的時間片段為τsij.令τsij=(τsij,begin,τsij,end]，對τsi與τsi+1，若τsi,end=τsi+1,begin且≤Δ＞0，需要將與合并為一個序列片段，稱為電流狀態序列片段；若不滿足，則稱es(ε)i與分別為一個電流狀態序列片段.

對T時間段內的觀測電流序列S=＜s1,s2,···,sn＞，ε＞0，Δ＞0，設S中蘊含了k個電流狀態序列片段，esi是第i個電流狀態序列片段，i=1,···,k，稱ES={es1,es2,···,esk}是S中全部電流狀態序列片段構成的電流狀態序列片段集.

易證，任意兩個電流狀態序列片段，其對應發生時間段的交集為空.

定義3電流遷移態序列

設S=＜s1,s2,···,sn＞為T=(0,t]時間段內的觀測電流序列，ES={es1,es2,···,esk}為S中全部電流狀態序列片段構成的電流狀態序列片段集，esi(1≤i≤k)是電流狀態序列片段，esi對應的時間片段為τsi=(τsi,begin,τsi,end]，τsi,begin≥0，τsi,end≥0，τsi,begin≤τsi,end.稱esi為一個電流穩態序列，1≤i≤k，相應的，電器在(τsi,begin,τsi,end]時間段內的運行狀態為電流穩態，簡稱穩態.進一步，令τs0,end=0，τsk+1,begin=t，movei為(τsi-1,end,τsi,begin]對應的電流序列，稱movei為一個電流遷移態序列，相應的，電器在(τsi-1,end,τsi,begin]時間段內的工作狀態為電流遷移態，簡稱遷移態.

電流遷移態序列的獲取是電流遷移態特征提取的基礎，圖2給出了電流遷移態序列的生成框架，該框架是圖1中的模塊①和模塊②的細化.圖1示意的電流遷移態特征提取流程中，模塊①和模塊②用于電流遷移態序列的確定.

圖2 電流遷移態序列生成框架

圖2示意的電流遷移態序列生成框架中：首先，基于類似不等式組（1）的約束條件的電流穩態判別策略ε被用來從樣本電流序列中解構出全部的電流狀態序列ε片段；接著，全部的電流狀態序列ε片段被片段合并策略Δ處理生成全部的電流狀態序列片段集作為樣本電流序列中全部的電流穩態序列；遷移態生成策略在接收到電流狀態序列片段集后，將每個電流狀態序列片段從樣本電流序列中消除，獲得全部的電流遷移態序列.關于一個剛剛獲得的電流觀測值是否屬于當前電流狀態序列ε片段的判別策略在算法1中給出.算法1依據不等式組（2）設計：若待判別的電流觀測值與當前電流狀態序列ε片段最后一個數據差異較大，待辨識的電流觀測值不屬于當前電流狀態序列ε片段.

以算法1為辨識策略，電流序列S中的全部電流狀態序列ε片段獲取的流程由算法2給出.算法2通過從頭到尾逐一對每個電流數據使用辨識策略stableJudge獲取S中的每一個電流狀態序列ε片段，并保存到全部電流狀態序列ε片段集εES中.

圖2中，電流狀態序列ε片段集由片段合并策略Δ生成，算法3描述了合并策略Δ的流程.getFirstElement()用于獲取電流狀態序列ε片段集的首個元素，即第一個電流狀態序列ε片段；isAdjacent()用于判別兩個ε片段集在電流序列S中是否相鄰，相鄰時返回值為1，否則為0，且最后一個參數為空時，返回值亦為0；mean()返回電流狀態序列ε片段的平均值；concat()用于將候選電流狀態序列片段的前部和尾部拼接成新的候選電流狀態序列片段的前部.

在使用算法3獲得全部電流狀態序列片段集后，依據定義3，將每個代表電器處于穩定工作狀態時的電流狀態序列片段從電流序列片段中剔除，即獲得電流序列中全部電流遷移態序列片段，實現電流遷移態序列片段集的獲取.電流遷移態序列片段集獲取算法（生成策略）在算法4中給出.

為高效獲得電流遷移態序列片段集，無論是電流狀態序列ε片段集還是電流狀態序列片段集，其中作為集合元素的每一個片段都按照其首個數據在電流序列集中的位置從前到后漸次存儲.需要注意的是，由于用電設備的不穩定性，可能使得遷移態序列較為復雜，實際應用過程中，需要進一步排除不穩定狀態對電器工作狀態辨識的影響.

電器運行時從一個穩定狀態遷移到另外一個穩定狀態雖然一般不需要太多的時間，但也存在一定的波動，這意味著一個遷移態序列中數據的個數是變化的.為統一描述每一個遷移態，將每個遷移態序列進行了一元線性回歸處理，一元線性回歸方程的兩個常系數作為該遷移態序列的特征表示.

設S=＜s1,s2,···,sn＞是一個電流遷移態序列片段，S′=＜s′1,s′2,···,＞是一元線性回歸模型對序列S中每個值的估計，成立：

對每個電流遷移態序列片段，式（3）常系數(a,b)的最優值即是該序列的特征.規定E(S,S′)如式（4），則對電流遷移態序列片段S，其特征(a,b)是式（5）描述最優化問題的最優解，如式（3）中的常系數a和b.

2 基于MPSO算法的特征求解

用電數據采集過程中，出現了約11%的電流數據缺失，針對這種情形，使用粒子群優化算法（Particle Swarm Optimization,PSO）求解電流遷移態序列片段S一元線性回歸模型常系數.

PSO算法中，設t時刻某粒子位置在x(t)、速度為v(t)，則t+1時刻，其位置x(t+1)與速度v(t+1)一般按照式（6）、式（7）規定的策略更新.式（6）中，ω是慣性因子，c1、c2是學習因子，rand()是隨機數，pBest是粒子的歷史最優位置，而gBest是全部粒子的歷史最優位置.相應的算法流程在算法5中給出.

由于PSO算法是一種基于種群的隨機優化算法，所生成的解是最優解的逼近，對具體的最優化問題，一般需要使用PSO算法重復多次執行獲得一組最優解的逼近后，從中選取最優的作為問題的最優解，這種方式將顯著增加最優化問題求解的時間.

為加速使用PSO算法求解最優化問題，對粒子群優化算法，本文所有的粒子劃分成若干個組，一個包含若干個粒子的組被視為一個微環境：1）微環境內，以微環境內的粒子為種群，可以獨立執行適應微環境信息特性、類似算法5的PSO算法；2）一個微環境內全部粒子的歷史最優位置保存在微環境內；3）一個微環境與若干個微環境可以進行信息交互，互相查詢被查詢微環境內的歷史最優的粒子的位置信息；4）從信息交互的角度看，全部微環境形成了一個以微環境為節點的微環境網絡；5）微環境網絡中，鄰接的微環境節點可以進行信息交互，不相鄰的微環境節點不能夠進行信息交互.圖3示意了一個微環境網絡拓撲結構.

圖3 微環境網絡拓撲結構

圖3中，每個灰色圓點表示一個微環境節點，邊表示了微環境節點的連接（信息交互）情況.邏輯上，全部微環境節點以5行4列形式排列，共20個微環境節點.每個微環境節點只能夠向直接鄰接的微環境節點發送查詢請求，任意兩個不直接連接的微環境節點不能直接交換數據.

相應的，對基于微環境的PSO算法，設：1）每個微環境中有若干個粒子；2）對任意微環境，記gBestL是該微環境中全部粒子的歷史最優位置；3）對某個微環境，若其有m個鄰居微環境，記gBestLi是其第i個鄰居微環境中全部粒子的最優位置，規定gBestA如式（8）.則對基于微環境的PSO算法，某個微環境中任意粒子，若t時刻其位置為x(t)、速度為v(t)，則其在t+1時刻的速度v(t+1)與位置x(t+1)可以依據式（9）、式（7）確定.稱式（8）是基于微環境的PSO算法的數據交換策略，而式（9）、式（7）是基于微環境的PSO算法中粒子位置的更新策略.相應的算法流程在算法6中給出.

算法6中，以粒子的適應度值評估每個粒子位置的優劣：適應度值越小，粒子位置越優越；粒子的適應度值用適應度函數fun計算，該函數以粒子的位置為自變量.

設gBest是k時刻微環境網絡中全部微環境全部粒子的全局最優位置，則對微環境網絡中任意微環境，成立：fun(gBestL)≥fun(gBestA)≥fun(gBest).因此，類似式（6）、式（7）規定的粒子群優化算法中粒子速度與位置更新，對任意一個微環境中的粒子群中的粒子使用式（9）、式（7）更新速度和位置，該微環境中的粒子群中粒子位置收斂.進一步，對全部微環境中的粒子群，雖然gBest可能不出現在每個微環境的粒子群中，但依據微環境網絡中微環境的連接特性和式（8）可知，由于任意兩個微環境在微環境網絡中有限步可達，故全局最優位置gBest可以經過有限次迭代傳遞到微環境網絡中每個微環境上的粒子群（極端情況：微環境網絡中全部m個微環境線性排列，設第一個微環境是A，最后一個微環境是B.若最優位置gBest是A微環境粒子群中的局部最優位置，則至多經過m-1次迭代，B微環境上的局部最優位置優于m-1次迭代前A節點的粒子群的局部最優位置，即優于m-1次迭代前的全局最優位置）.顯然，式（8）規定的數據交換策略可以使全局最優位置gBest在微環境網絡中每個微環境上傳播，而全局最優位置gBest可以傳遞到微環境網絡中每個微環境，意味著微環境網絡中每個微環境上的粒子群本地局部歷史位置gBestL距全局最優位置有限步可達，表現為當算法6運行結束時，每個微環境中粒子群的本地局部歷史位置gBestL的適應度值差異較小.

使用PSO算法求解式（3）描述的電流遷移態序列片段S一元線性回歸模型常系數a、b時，(a,b)是PSO算法中的一個粒子.使用MPSO算法求解電流遷移態序列片段S一元線性回歸模型常系數的流程由算法7給出.

算法5、算法6和算法7使用適應度函數fun計算粒子的適應度值時，其輸入為粒子的位置.算法7在計算粒子的適應度值時，還需要將電流遷移態序列片段S作為輸入.使用算法7求解電流遷移態序列片段一元線性回歸模型常系數的適應度函數依據式（4）設計，詳細流程在算法8中給出.

3 實驗結果與分析

實驗使用的電流數據序列為智能建筑與建筑節能安徽省重點實驗室自主研發的智能插座系統采集的微波爐工作時的電流觀測數據，每2秒采集一次，共3 193個.使用算法1～算法4獲取蘊含于電流數據序列中的電流遷移態序列，當ε=0.01、Δ=0.03時，有184個電流遷移態序列.圖4（a）給出了全部3 193個電流數據的序列以及184個電流遷移態序列的形態，圖4（b）給出了前250個電流數據組成的電流數據序列片段以及蘊含其中的電流遷移態序列的形態.圖4（a）和圖4（b）中，電流數據序列使用藍色線段表示，電流遷移態序列使用紅色線段表示.顯然，由于每個電流遷移態序列都是電流數據序列的片段，圖4（a）和圖4（b）中，每個紅色線段都覆蓋了同樣的藍色線段.同時，從圖4（a）和圖4（b）可以直觀地發現：每個電流遷移態序列對應的都是電流數據序列中上升或者下降比較快的片段.

圖4 電流數據序列與遷移態序列

實驗分別使用算法5描述的PSO算法、文獻[18]提出的混沌自適應粒子群優化算法（CAPSO算法）和算法6描述的基于MPSO算法求解式（3）規定的電流遷移態特征.對PSO算法，設置粒子數為400，學習因子c1、c2為2，慣性因子ω為0.8.對CAPSO算法，設置粒子數為400，慣性權值wmax和wmin分別為0.9和0.4，自適應加速度系數cmax和cmin分別為2.5和0.5，混沌搜索參數ξ為0.2.對MPSO算法，設置網絡拓撲結構為圖3所示的5行4列網格，共20個微環境節點；對每個微環境，粒子數設置為20（這樣，全部微環境中的粒子數總和為400，與PSO算法和CAPSO算法一致），學習因子c1、c2為2，慣性因子ω為0.8.

表1和表2分別給出了重復20次使用PSO算法和CAPSO算法求解全部184個電流遷移態序列特征時，每次求解獲得全部184個電流遷移態序列特征性能的最小值、最大值、平均值、中位值、下四分位Q1、上四分位Q3、方差以及使用時間等信息；使用MPSO算法構造全部184個電流遷移態序列特征時，每個微環境內求解出的全部184個電流遷移態序列特征性能的最小值、最大值、平均值、中位值、下四分位Q1、上四分位Q3、方差以及使用時間等信息在表3中給出.其最小值、最大值、平均值、中位值、下四分位Q1、上四分位Q3、方差是全部184個電流遷移態序列特征依據式（4）規定性能的統計值.

表1 PSO算法的性能（迭代次數：100）

表2 CAPSO算法的性能（迭代次數：100）

表3 MPSO算法的性能（迭代次數：100）

表1和表2中，時間欄記錄的是PSO算法和CAPSO算法求解全部184個電流遷移態序列特征使用的時間，而表3中時間欄記錄的為MPSO算法運行一次的時間.文獻[19]對分布式平臺的通信開銷進行研究，發現基于局域網的分布式平臺任意兩個節點間的平均延遲不大于0.27毫秒，網絡性能可滿足對通信時間的要求.

對比表1、表2和表3中最小值、最大值、平均值、中位值、Q1、Q3、方差等數據，可以斷言，無論是PSO算法、CAPSO算法還是MPSO算法都可以用于電流遷移態序列特征的有效求解.考慮到PSO算法和CAPSO算法求解最優化問題時一次執行獲得的最優解只是近似最優解，為獲得更接近最優解的近似最優解，一般需要重復多次執行算法，這使得PSO算法和CAPSO算法求解最優化問題時需要更多的時間.使用MPSO算法求解最優化問題時，算法的1次執行可同時獲得與微環境個數相同數量的近似最優解，效率上要比使用PSO算法高許多.由表1和表2中時間數據可知，每次PSO算法求解全部184個電流遷移態序列的特征使用時間的最小值為53.239 1秒、最大值為54.415 6秒，平均值為53.759 2秒，方差為0.284 5秒，全部20次求解共耗時1 075.183 1秒；每次CAPSO算法求解全部184個電流遷移態序列特征使用時間的最小值為69.391 1秒、最大值為70.796 0秒，平均值為70.114 1秒，方差為0.440 7秒，全部20次求解共耗時1 402.281 8秒；而表3中時間數據顯示，MPSO算法一次運行即可獲得20組近似最優解，共耗時261.867 1秒，平均每個近似最優解的求解耗時13.093 4秒，遠小于一次用PSO算法和CAPSO算法求解全部184個電流遷移態序列特征平均需要的時間，MPSO算法用時僅是PSO算法和CAPSO算法的24.355 6%和18.674 4%.

圖5、圖6分別給出了使用PSO算法和CAPSO算法一次求解全部184個電流遷移態序列特征時性能的最小值、最大值、平均值、中位值、Q1以及Q3隨著迭代次數增加的變化情況.顯然，隨著迭代次數的增加，性能的最小值、最大值、平均值、中位值、Q1以及Q3快速下降后漸趨穩定.圖7給出了使用MPSO算法求解全部184個電流遷移態序列特征時一個微環境內性能的最小值、最大值、平均值、中位值、Q1以及Q3隨著迭代次數增加的變化情況.顯然，與使用PSO算法一次求解全部184個電流遷移態序列特征時性能的變化一樣，隨著迭代次數的增加，MPSO算法性能的最小值、最大值、平均值、中位值、Q1以及Q3快速下降后漸趨穩定.對照圖5、圖6、圖7，CAPSO算法在迭代50次后，性能的最小值、最大值、平均值、中位值、Q1以及Q3都漸趨穩定；而PSO算法和MPSO算法在迭代20次后，性能的最小值、最大值、平均值、中位值、Q1以及Q3就漸趨穩定.

圖5 PSO算法的性能（迭代次數：100）

圖7 MPSO算法的性能（迭代次數：100）

圖8給出了迭代次數為20時，使用PSO算法一次求解全部184個電流遷移態序列特征性能的最小值、最大值、平均值、中位值、Q1以及Q3隨著迭代次數增加的變化情況.顯然，隨著迭代次數的增加，性能的最小值、最大值、平均值、中位值、Q1以及Q3快速下降，在接近迭代后漸趨穩定，這意味著使用PSO算法求解電流遷移態序列特征時，迭代次數設置為20是合適的.重復20次使用PSO算法求解全部184個電流遷移態序列特征，使用時間的分布直方圖如圖9所示.PSO算法使用時間的最小值為11.265 1秒、最大值為11.821 6秒，平均值為11.405 6秒，方差為0.148 7秒，顯然，使用PSO算法求解電流遷移態序列特征是穩定的.

圖8 PSO算法的性能（迭代次數：20）

圖9 PSO算法用時分布直方圖（迭代次數：20）

圖10給出了迭代次數為20時，使用MPSO算法求解全部184個電流遷移態序列特征時，一個微環境中算法性能的最小值、最大值、平均值、中位值、Q1以及Q3隨著迭代次數增加的變化情況.顯然，隨著迭代次數的增加，性能的最小值、最大值、平均值、中位值、Q1以及Q3快速下降，在接近迭代后漸趨穩定，這意味著使用MPSO算法求解電流遷移態序列特征時，迭代次數設置為20是合適的.實驗中，迭代次數設置為20時，20個微種群完成184個電流遷移態序列特征的求解用時56.323 9秒，每個微環境平均用時2.816 2秒，是使用PSO算法用時的24.691 4%，這再次印證了使用MPSO算法可以快速地完成電流遷移態序列特征的求解.

圖10 MPSO算法的性能（迭代次數：20）

使用BP神經網絡對提取出的電流遷移態特征進行電器狀態的辨識，重復進行實驗100次，圖11給出了100次實驗電器狀態辨識準確率（Accuracy）的分布情況：最大值為1，最小值為0.781 8，平均值為0.979 3，中位值為0.981 8.可知使用本文所提電流遷移態序列特征模型提取出的特征能夠以較高的穩定性和準確率實現對電器狀態的辨識.

圖11 電器狀態辨識準確率分布直方圖

實驗使用曙光W760-g20服務器完成，該服務器的CPU為2個Intel(R) Xeon(R) CPU E5-2637 v3，192 GB ECC內存，操作系統為Windows 10，Matlab使用R2017a版本.

4 結論與展望

物聯網技術的進步與普及豐富了用戶用電態勢在線監測的手段，促進了需求側用電過程的監測與管理.特別是針對諸如安全用電、智慧園區、智慧社區、智慧建筑等場景的應用需求，其中電器及其工作模式的在線辨識為越來越多的研究者所關注.為快速辨識電器的工作狀態，本文使用一元回歸模型描述電流遷移態序列的特征，通過電器工作狀態切換的辨識進行電器工作模式的在線辨識.電流遷移態序列的一元回歸特征計算量小的優勢，保證了電器工作模式在線辨識的及時性.同時，為提升電器工作模式在線辨識的準確性，面向電流遷移態序列特征的優化，本文還提出了基于微環境的粒子群優化算法（MPSO算法）.與使用PSO算法和CAPSO算法優化電流遷移態序列特征相比，MPSO算法通過多個微環境的協作，使用相比PSO算法和CAPSO算法更少的粒子數進行計算，在取得與PSO算法和CAPSO算法一致性能的同時，執行速度顯著提升.

微環境網絡是MPSO算法的計算架構，本文使用了只有鄰居微環境才能夠交換信息的5×4網格實現了MPSO算法，并高效地優化了電流遷移態序列的一元回歸特征.網絡拓撲對MPSO算法性能的影響值得進一步研究.

本文所提MPSO算法本質上是該算法在Matlab環境中的串行實現.諸如邊緣計算、群智能建筑平臺等真實的分布式信息處理環境中，MPSO算法計算過程的優化以及網絡通信開銷，對算法性能的影響是需要關注的.進一步，不同微環境信息處理的同步與異步對算法性能的影響、深度算力以及異構算力下的MPSO算法及其應用都是值得深入開展的工作.