基于改进隐马尔科夫模型的非侵入式家居负荷识别
【摘要】 针对低频采样识别精确度较低，系统稳定性较差的问题，文章提出了一种基于改进隐马尔科夫模型(hiddenMarkovmodel，HMM)的非侵入式负荷监测方法(non-intrusiveloadmonitoring，NILM)。该模型运用人工免疫算法和增量学习对传统HMM模型进行双重优化，通过人工免疫算法解决HMM模型容易陷入局部最优的问题，提升了模型的识别精确度。再通过增量学习实现了模型参数的自主更新，使得模型能够适应新的环境，提高了模型的鲁棒性。最后通过低频数据集建立了两个实验场景，对改进的HMM模型进行了实验验证，结果证明了该模型在识别精确度和鲁棒性等方面具有一定优越性。
