1.基于粒子群优化算法的电器工作状态辨识方法，其特征在于：设a1,a2,...,am为电路中感知到的与用电过程相关的参数，称s＝{a1,a2,...,am}是用户用电态势；t时刻的用电态势s表达为s(t)＝(a1(t),a2(t),...,am(t))；

设X＝{X1,X2…Xn}是电路上n种全部电器的集，对于j∈[1,n]且j为整数，设是其所有可能工作状态的集合，是n个全部电器的全部工作状态汇总集合，称I是全电器工作状态集；

若t时刻电路中只有电器Xj在工作且其工作状态为ej,u，若此时刻用电态势为s(t)＝(a1(t),a2(t),...,am(t))，记k∈[1,m]且k为整数，s(t)＝s(t,ej,u)，称是ej,u的基础工作态势在t时刻的观测值；

若t时刻电器Xj的工作状态ej,u发生，规定cj,u(t)＝1，否则规定cj,u(t)＝0，称cj,u(t)是t时刻工作状态ej,u的发生系数，是I的t时刻工作状态发生系数集；虽然电器Xj的工作状态有种可能，但在一个具体t时刻，电器Xj的工作状态只是kj种工作状态的一种，即考虑到电器Xj的工作状态ej,u的基础工作态势是电器Xj的一个属性特征，若记该基础工作态势为则b(ej,u)使用观测时间段内只有电器Xj在工作且其工作状态为ej,u时全部s(t,ej,u)的平均值作为其估计；

令B＝{b(ej,u)|ej,u∈I}，B是电路时全电器基础工作工作态势集,理想情况下，t时刻电路中观测到的用户用电态势s(t)是全部基础工作态势如式(1)的组合；

式(1)中，cj,u∈C；

依据式(1)，依据t时刻电路中观测到的用户用电态势s(t)辨识电器工作状态的问题本质上是t时刻I的工作状态发生系数集C(t)的求解问题，而式(2)以最优化问题的形式给出了一个求解t时刻I的工作状态发生系数集C(t)的模型；使用粒子群优化PSO算法解式(2)描述的最优化问题，进而根据工作状态发生系数集C(t)的最优值辨识电路上电器的工作状态；

使用粒子群优化PSO算法辨识电路上电器工作状态的流程如下：

PSO算法中，一个粒子是相应优化问题的一个可行解；在微环境网络中实现PSO算法时，PSO算法的每一个粒子都要被分配到一个微环境中，每个微环境中均有n个粒子,假设每个微环境中的粒子数n相同；

对微环境网络中实现的PSO算法，设：

1)每个微环境中有n个粒子；

2)对任一微环境，记gBestL是该微环境中全部粒子的历史最优位置；

3)对某个微环境，若其有m个邻居微环境，记gBestLi是其第i个邻居微环境中全部粒子的最优位置，规定gBestA如式(3)；

gBestA＝min(gBestL,gBestL1,gBestL2…gBestLm)(3)

4)对基于微环境的PSO算法，某个微环境中任意粒子，若t时刻其位置为x(t)、速度为v(t)，则其在t+1时刻的速度v(t+1)与位置x(t+1)依据式(4)、式(5)确定；

v(t+1)＝ω×v(t)+c1×rand()×(pBest-x(t))+c2×rand()×(gBestA-x(t))  (4)x(t+1)＝x(t)+v(t+1)  (5)

其中，式(3)是基于微环境的PSO算法的数据交换策略，而式(4)、式(5)是基于微环境的PSO算法中粒子位置的更新策略；

Step1:初始化每个本地粒子的速度与位置；

Step2:将每个粒子的初始位置作为其历史最优位置的初始值:

Step3:计算本地全部粒子最优位置gBestL；

Step1-Step3的具体实现步骤如下：

输入用户用电态势s(t0),全电器工作状态集I,基础工作态势集B,本地粒子数n,粒子位置维度varLen,学习因子c1、c2，惯性因子ω，最大迭代次数maxGen，适应度函数fun,邻居微环境节点列表pNei ghbor；

设置粒子维度varLen为B中元素的个数；

迭代次数k从1开始，判断迭代次数k是否小于最大迭代次数maxGen参数来控制实现电器工作状态发生系数集C(t0)的步骤是否继续迭代执行；

而实现电器工作状态发生系数集C(t0)的步骤如下：

对pNeighbor中的每个邻居微环境节点，查询其历史最优位置gBestLi,i取值1,2…m，m为邻居微环境节点个数；

依据式(3)计算gBestA；

任意一个微环境中的粒子群中的粒子使用式(4)、式(5)更新其速度和位置，经过有限次迭代，该微环境中的粒子群中粒子位置的适应度值可收敛到fun(gBest)；

其中，

通过使用式(6)给定的函数判断gBest每个分量对应I中电器工作状态是否发生实现电器工作状态发生系数集C(t0)的构造；式(6)中，xi是x的一个分量，δ为阈值；

若新位置的适应度值较粒子历史最佳适应度的值更小，将粒子历史最优位置设置为粒子的当前位置；

更新本地全部粒子最优位置gBestL；

其中，fun(gBestL)≥fun(gBestA)≥fun(gBest)；

把gBest解析为t0时刻I的电器工作状态发生系数集C(t0)；

最后得到Result＝I∧C(t0)。

2.根据权利要求1所述的基于粒子群优化算法的电器工作状态辨识方法，其特征在于：通过使用式(7)给定的函数fun(x)计算粒子的适应度，其中，自变量x为粒子的位置；对于fun(x)：设xj,u是电器Xj第u个工作状态为ej,u在自变量x中对应的分量，则H(xj,u,δ)是对工作状态ej,u是否发生的断言；是自变量x关于电器Xj所断言的工作状态发生的数量；是自变量x关于电器Xj所断言的工作状态发生数量是否大于1个的断言；由于在一个时刻一个电器至多只能有1个状态发生，若即时，x关于电器Xj工作状态的断言错误；设x关于电器工作状态的断言错误越多，fun(x)的值越大；若M＞0，视作x关于电器工作状态的断言错误的惩罚项，M是惩罚系数；式(6)规定的适应度函数fun(x)是在式(2)规定目标函数F(C)的基础上，通过增加不满足式(2)描述最优化问题约束条件惩罚项的方式实现最优化问题候选解适应度的计算。

3.根据权利要求1所述的基于粒子群优化算法的电器工作状态辨识方法，其特征在于：根据构造出的电器工作状态发生系数集C(t0)，析出辨识出的电器工作状态：C(t0)中，值为1的系数对应的I中电器工作状态是从用户用电态势s(t0)中辨识出的全部电器工作状态。