1、家庭環(huán)境中，電力需求側的用戶用電行為的識別和反饋是提高終端用戶環(huán)保意識、節(jié)能減排的重要手段，目前已經引起了國內外學者的廣泛研究?，F有的已搭建的智能環(huán)境對家庭中的行為識別存在一些缺陷，選用侵入式的設備使得用戶難以接受，采用非侵入式設備的識別方法識別精度不夠高。針對以上問題，本文采用了更加合理的數據獲取方式，對用戶的行為建立了本體模型，并使用改進的隱式馬爾科夫模型做為行為識別方法。本文的主要研究內容如下:
　　(1)針對行為識別系統(tǒng)采

2、樣方式的用戶接受度低，行為識別主要采用已有的數據集，沒有考慮實際情況下數據發(fā)生的錯誤和丟失問題，設計了智能插座采樣電器的負載數據進行行為識別，提出了負載數據驗證和融合兩種曲線擬合方法的LBboosting算法來修復數據。算法通過核極限學習機學習了家庭電路損耗的特點，用總分端的功率關系相互驗證和修復數據，實驗結果證明LBboosting算法修復性能好于拉格朗日插值和B樣條(b-spline)算法，數據的缺失對識別性能有重要影響，數據質量的

3、保證提高了行為識別的精度。
　　(2)針對目前識別精度不夠高的問題，加入室內無縫定位模塊，建立了用電行為本體模型，并利用其中的領域知識定義了一個概率矩陣，將本體知識結合二階HMM（Second-order Hidden Markov Model，HMM2），提出了基于知識和數據混合驅動的識別方法HMM2K，與經典的識別方法NB（Na(i)ve Bayes）、HMM(Hidden Markov Model)進行了對比，實驗結果表明H

4、MM2K縮短了訓練測試時間，識別精度也要好于其他方法。
　　(3)針對目前能源反饋中設計思路過于主觀，對耗能行為改進無明確指導，評價方法模糊的問題，提出了行為導向的交互反饋模型EnergyAction。該模型利用焦點上下文(focus+context，F+C)技術突出焦點對象來幫助用戶改進行為，并使用奧茲原型(Wizard of OZ)設計測試我們的能量反饋原型。提出了行為改進值的評價標準，相比于傳統(tǒng)的僅僅依靠電能節(jié)約率來評價行為