許儀勛，李 旺，李東東，游心超

?

基于改進雞群算法的非侵入式家電負荷分解

許儀勛1，李 旺1，李東東1，游心超2

(1.上海電力學院電氣工程學院，上海 200090；2.上海和聯(lián)通訊工程有限公司，上海 201108)

基于家電負荷在穩(wěn)態(tài)工作時電流具有線性疊加的特點，提出一種基于家電負荷穩(wěn)態(tài)基波電流和諧波電流為負荷特征量的非侵入式家電負荷分解算法。通過將一家電負荷的任一工作狀態(tài)用0和1來表示，即只有關(guān)和開這兩種狀態(tài)，則家電負荷分解問題可轉(zhuǎn)化為求解優(yōu)化組合問題，然后運用改進雞群算法來識別各個家電的工作狀態(tài)。最后通過實例驗證了該算法具有較高的負荷識別準確率和廣泛的適用性，有利于非侵入式家電負荷分解技術(shù)的推廣與應(yīng)用。

非侵入式；負荷分解；改進雞群算法；基波電流；諧波電流

0 引言

在能源危機日益加劇、環(huán)境問題突出的今天，全世界都在呼吁節(jié)能減排，提高能源利用率。為此，我國政府部門制定了《節(jié)能減排十二五規(guī)劃》[1]，大力支持與推動節(jié)能減排技術(shù)的創(chuàng)新與應(yīng)用。與此同時，電力行業(yè)也積極響應(yīng)國家政策，大力建設(shè)堅強智能電網(wǎng)[2-3]以及推廣新能源技術(shù)，以此來緩解能源危機問題。隨著科學技術(shù)的不斷發(fā)展，家電種類越來越多，居民用電量占總用電量的比例也越來越大。而非侵入家電負荷識別技術(shù)的提出，將有助于家庭能源系統(tǒng)的研發(fā)與應(yīng)用[4]，有利于電力公司了解居民用戶的負荷組成情況，促進電力公司分時電價的實施，有利于督促居民用戶合理用電，也有利于刺激家電生產(chǎn)商生產(chǎn)出更加節(jié)能的家電。

非侵入負荷識別技術(shù)始于上個世紀80年代，由麻省理工學院George Hart[5]提出，經(jīng)過研究者們幾十年來不斷地深入研究，非侵入式負荷識別技術(shù)日益成熟與完善。其中，負荷識別算法是該技術(shù)的核心部分，大致可分為兩大類：一類是模式識別算法，即提取出未知負荷的特征參數(shù)，然后逐一與負荷數(shù)據(jù)庫中的負荷模型特征參數(shù)進行匹配，如利用匹配度[6]、相似度[7]、明科夫斯基距離[8]來進行家電負荷識別，其共同的優(yōu)點在于負荷識別準確率高，但它們的缺點是利用家電負荷的暫態(tài)特征作為負荷特征量，而暫態(tài)負荷特征量不具備線性疊加性，所以只適用于識別家電單獨投切工作的情形，而不適用于多個家電同時投切工作的情形，限制了其適用范圍；第二類是優(yōu)化算法，根據(jù)文獻[9-10]對負荷特征量的深入研究，選取具有線性疊加性的負荷特征量，利用優(yōu)化算法求解家電負荷最優(yōu)化組合問題，如整數(shù)規(guī)劃算法[11]、微分進化算法[12-15]、神經(jīng)網(wǎng)絡(luò)算法[14-16]，這類方法的優(yōu)點在突破了只適用于單一家電負荷識別的局限性，可識別出多種家電負荷同時工作的復雜情形，但降低了負荷識別準確率。

綜合考慮上述兩類方法的優(yōu)點，本文負荷識別采用的方法是以家電穩(wěn)定工作時的電流基波和諧波作為負荷特征參數(shù)，以改進雞群算法作為負荷識別算法，不僅適用于識別家電負荷單獨工作的情況，還適用于識別多種家電負荷同時工作的復雜情況，且家電負荷識別準確率高。

1 家電負荷特征選取

當家電設(shè)備開始正常工作時，其穩(wěn)態(tài)基波電流與諧波電流具有周期性和規(guī)律性的特點，其電流可表示為[12]

當某一家庭含有類主要家電設(shè)備，共種獨立工作狀態(tài)，忽略功率較小的工作狀態(tài)以及家電設(shè)備，根據(jù)穩(wěn)態(tài)電流的線性疊加性可知，非侵入式采集到的家庭總的電流近似等于這種工作狀態(tài)的線性疊加，即

用相量法來表示，式(2)可表示為

式中：為奇數(shù)，因為電網(wǎng)中偶次諧波含量很少，所以主要考慮奇次諧波分量；是方程組的待求變量；等式左側(cè)矩陣中的元素都是通過在線實測得到的已知量，等式右側(cè)矩陣中的元素是通過離線統(tǒng)計得到的已知量。

則式(3)可簡記為

(5)

通過優(yōu)化算法求得最優(yōu)解，使得目標函數(shù)值取得最小值，此時從的對應(yīng)元素值中即可獲知各個家電負荷的工作狀態(tài)，從而可以統(tǒng)計各個家電負荷的能耗信息。

2 雞群算法

2.1 標準雞群算法

雞群算法(Chicken Swarm Optimization Algorithm，CSO)于2014年由上海海事大學研究者Xianbing Meng[17]等人提出，該算法的基本原理是：假設(shè)把組合優(yōu)化問題的潛在解看作是一只只雞，然后計算每只雞的目標函數(shù)值，并按照目標函數(shù)值的大小將雞群劃分公雞、母雞包含雞媽媽)和小雞。其中，公雞的目標函數(shù)值最小，距離目標食物最近，并作為每個群體中覓食能力最強的雞。每只雞在各自的群體中覓食，在尋找食物的過程中，根據(jù)自己的經(jīng)驗以及所屬群體中公雞的經(jīng)驗來調(diào)整位置。在迭代過程中，每隔一定次數(shù)后重新按其目標函數(shù)值排序劃分其等級以及團體。

因為公雞具有最強的覓食能力，所以比其他覓食能力較差的雞在尋找食物時更具有優(yōu)勢，簡而言之，具有覓食能力較強的雞比覓食能力較弱的雞在覓食范圍上更廣，可通過以下表達式來表示。

(7)

對于母雞來說，它們跟隨團體中的公雞去覓食，但也會偷食其他群體已經(jīng)發(fā)現(xiàn)的食物，其表達式如下所示。

(9)

(10)

小雞的覓食能力是最差的，故只能在雞媽媽的周邊覓食，雞媽媽是從母雞中隨機選取的，小雞與雞媽媽之間的母子關(guān)系也是隨機建立的。小雞的覓食過程可通過以式(11)來描述。

每隔一段時間，按照每只雞的目標函數(shù)值的大小進行重新劃分等級，然后再按照上述公式進行尋找全局最優(yōu)解。

2.2 改進雞群算法

任一家電負荷工作狀態(tài)只有開和關(guān)兩種狀態(tài)，即用0和1來表示，所以需要對雞群算法進行離散化，將雞群算法改進為離散二進制雞群算法。即在雞群位置更新后，采用sigmoid[18-19]函數(shù)，最終通過映射的方法確定雞的位置取0還是1。改進后的離散二進制雞群算法的表達式如下所示。

改進后的公雞表達式為

(13)

(14)

改進后的母雞表達式為

(16)

(17)

由于小雞的覓食能力最弱，為了遵循自然界物競天擇的規(guī)律，增強雞群尋找全局最優(yōu)解的能力，防止雞群算法陷入局部最優(yōu)，所以，在每次更新等級秩序時，對小雞進行重新初始化，以此來增強雞群的活性，提高雞群的全局搜索能力。

3 實例驗證

為了驗證本文方法的可行性與有效性，本文采用麻省理工學院的REDDthe Reference Energy Disaggregation Data Set數(shù)據(jù)進行家電負荷識別分析。然而，由于美國家庭用戶的接線方式與國內(nèi)不同，其每個家庭用戶均由兩根火線和一根零線組成，兩根火線電壓的有效值為120 V，相位相差180°。因此，本文對家庭3中火線1上的主要家電負荷進行頻譜分析，從中提取出基波分量和諧波分量，具體的家電負荷特征參數(shù)值如表1所示。

從表1中可以看出，家庭3中火線1上有7種主要家電負荷，共有9種不同工作狀態(tài)。為了驗證改進雞群算法具有較高的負荷識別準確率，與離散粒子群算法[20]進行對比分析。為了有效對比兩種優(yōu)化算法的識別準確率，使迭代次數(shù)、種群規(guī)模以及初始化種群完全相同，消除了因參數(shù)及種群初始化不同帶來的影響。其中，迭代次數(shù)為100次，種群規(guī)模為30；離散粒子群算法中加速因子取經(jīng)驗值為1.49；改進雞群算法中，令公雞規(guī)模占總體20%，母雞規(guī)模占總體60%，小雞規(guī)模占總體20%，每迭代5次更新一次等級秩序。圖1和圖2分別為洗衣機單獨工作、洗衣機與烘干機同時工作時，改進雞群算法與離散粒子群算法負荷識別仿真結(jié)果圖。

表1 家電負荷模型特征參數(shù)

注：表中幅值單位為A，相位單位為rad；REDD數(shù)據(jù)中家庭3中家電的有些家電名稱標注不明確或未進行標注，所以文中用家電一到家電五依次各代表一種家電負荷，其中，家電二狀態(tài)一、二、三分別表示家電二的三種不同工作狀態(tài)。

圖1 洗衣機單獨工作

圖2 洗衣機與烘干機同時工作

由圖1、圖2可以看出，離散粒子群算法可能陷入局部最優(yōu)解，從而停滯搜索，得不到全局最優(yōu)解。而在改進雞群算法中，公雞具有最強的全局搜索能力，母雞具有較強的局部搜索能力，而小雞在更新等級秩序時，重新進行隨機初始化，從而使得雞群不停地進行尋優(yōu)，提高了該算法的全局搜索能力。當離散粒子群算法尋得局部最優(yōu)解，未能正確識別出家電負荷工作狀態(tài)時；而改進雞群算法在尋得此局部最優(yōu)解后仍繼續(xù)進行尋優(yōu)搜索，最終求得全局最優(yōu)解，準確地識別出當前家電工作的種類及其狀態(tài)。

為了進一步深入對比兩種算法的識別準確率，現(xiàn)對不同家電負荷分別進行實驗，對多種家電工作狀況試驗各設(shè)置運行20次，并統(tǒng)計分析了兩種算法識別出的次數(shù)和準確率，詳細數(shù)據(jù)如表2所示。

表2 負荷識別準確率

從表2中的數(shù)據(jù)可以看出，當離散粒子群算法與改進雞群算法具有相同的種群規(guī)模、迭代次數(shù)、以及種群初始化時，離散粒子群算法在識別單一家電工作時，其準確率較高，而當有多個家電同時工作時，其識別準確率較低；而改進雞群算法無論是在單一家電工作還是由多種家電同時工作時，都能較為準確地識別出家電負荷狀態(tài)，具有較高的家電負荷識別準確率，且參數(shù)易于設(shè)定，因此，改進雞群算法具有廣泛的適用性。

4 結(jié)語

本文充分利用了各類家電負荷的穩(wěn)態(tài)電流的本質(zhì)特征，提出以改進雞群算法為負荷識別算法，將通過采樣得到的穩(wěn)態(tài)工作電流與數(shù)據(jù)庫中家電狀態(tài)負荷模型進行優(yōu)化組合。通過實際算例證明，改進雞群算法比離散粒子群算法的負荷識別準確率更高，可準確識別出家庭中主要家電負荷各種復雜工作的情況，更適用于非侵入式家電負荷識別，且其參數(shù)易于設(shè)定，方法簡單可行，有利于非侵入家電負荷識別技術(shù)的推廣與應(yīng)用。

[1] 國務(wù)院. 節(jié)能減排十二五規(guī)劃[EB/OL]. http://news.bjx. com.cn/html/20120822/382157-5.shtml. State Council Energy Conservation Five-Year Plan[EB/OL]. http://news. bjx.com.cn/html/20120822/382157-5.shtml.

[2] 李興源, 魏巍, 王渝紅, 等. 堅強智能電網(wǎng)發(fā)展技術(shù)的研究[J]. 電力系統(tǒng)保護與控制, 2009, 37(17): 1-7.

LI Xingyuan, WEI Wei, WANG Yuhong, et al. Study on the development and technology of strong smart grid[J]. Power System Protection and Control, 2009, 37(17): 1-7.

[3] 高志遠, 姚建國, 郭昆亞, 等. 智能電網(wǎng)對智慧城市的支撐作用研究[J]. 電力系統(tǒng)保護與控制, 2015, 43(11): 148-153.

GAO Zhiyuan, YAO Jianguo, GUO Kunya, et al. Study on the supporting role of smart grid to the construction of smart city[J]. Power System Protection and Control, 2015, 43(11): 148-153.

[4] 張延宇, 曾鵬, 臧傳治. 智能電網(wǎng)環(huán)境下家庭能源管理系統(tǒng)研究綜述[J]. 電力系統(tǒng)保護與控制, 2014, 42(18): 144-154.

ZHANG Yanyu, ZENG Peng, ZANG Chuanzhi. Review of home energy management system in smart grid[J]. Power System Protection and Control, 2014, 42(18): 144-154.

[5] HART G W. Nonintrusive appliance load monitoring[J]. Proceedings of the IEEE, 1992, 80(12): 1870-1891.

[6] 高云, 楊洪耕. 基于暫態(tài)特征貼近度匹配的家用負荷識別[J]. 電力系統(tǒng)自動化, 2013, 37(9): 54-59.

GAO Yun, YANG Honggeng. Household load identification based on closeness matching of transient characteristics[J]. Automation of Electric Power Systems, 2013, 37(9): 54-59.

[7] 李靜, 楊洪耕. 一種用于家用智能電表的負荷識別方法[J]. 現(xiàn)代電力, 2013, 30(5): 83-89.

LI Jing, YANG Honggeng. A load identification method for household smart meter[J]. Modern Electric Power, 2013, 30(5): 83-89.

[8] 高云, 楊洪耕. 基于明可夫斯基距離的家用負荷分類計量[J]. 電測與儀表, 2013, 50(5): 86-90.

GAO Yun, YANG Honggeng. Household load measurement by classification based on Minkowski distance[J]. Electrical Measurement & Instrumentation, 2013, 50(5): 86-90.

[9] LIANG J, NG S K K, KENDALL G, et al. Load signature study — part I: basic concept, structure, and methodology[J]. IEEE Transactions on Power Delivery, 2010, 25(2): 551-560.

[10]鄭小霞, 劉慶強, 林順富, 等.面向非干預式負荷監(jiān)測的居民負荷微觀特性研究[J]. 電力系統(tǒng)保護與控制, 2014, 42(10): 62-70.

ZHENG Xiaoxia, LIU Qingqiang, LIN Shunfu, et al. Research of the microscopic signatures of residential loads for NILM[J]. Power System Protection and Control, 2014, 42(10): 62-70.

[11]張曉, 張建文. 基于整數(shù)規(guī)劃的非侵入式電力負荷在線分解[J/OL]. [2012]. http://www. paper.edu.cn.

ZHANG Xiao, ZHANG Jianwen. Nonintrusive method for on-line power load decomposition based on integer programming[J/OL]. [2012]. http://www.paper.edu.cn.

[12]黎鵬, 余貽鑫. 非侵入式電力負荷在線分解[J]. 天津大學學報, 2009, 42(4): 303-308.

LI Peng, YU Yixin. Nonintrusive method for on-line power load decomposition[J]. Journal of Tianjin University, 2009, 42(4): 303-308.

[13]侯貿(mào)軍, 羅春輝, 隗霖捷, 等. 基于微分進化算法的水火電短期優(yōu)化調(diào)度的研究[J]. 電力系統(tǒng)保護與控制, 2015, 43(9): 54-61.

HOU Maojun, LUO Chunhui, WEI Linjie, et al. Study on short-term hydrothermal scheduling based on differential evolution[J]. Power System Protection and Control, 2015, 43(9): 54-61.

[14] CHANG H H, CHEN K L, TSAI Y P, et al. A new measurement method for power signatures of nonintrusive demand monitoring and load identification[J]. IEEE Transactions on Industry Applications, 2012, 48(2): 764-771.

[15] CHANG H H, LIN C L. A new method for load identification of nonintrusive energy management system in smart home[C] // e-Business Engineering (ICEBE), 2010 IEEE 7th International Conference on. IEEE, 2010: 351-357.

[16]李龍, 魏靖, 黎燦兵, 等. 基于人工神經(jīng)網(wǎng)絡(luò)的負荷模型預測[J]. 電工技術(shù)學報, 2015, 30(8): 225-230.

LI Long, WEI Jing, LI Canbing, et al. Prediction of load model based on artificial neural network[J]. Transactions of China Electrotechnical Society, 2015, 30(8): 225-230.

[17] MENG X, LIU Y, GAO X, et al. A new bio-inspired algorithm: chicken swarm optimization[M] // Advances in swarm intelligence. Springer International Publishing, 2014: 86-94.

[18] 姚玉海, 王增平, 郭昆亞, 等. 基于E占優(yōu)的多目標二進制粒子群算法求解配電網(wǎng)故障恢復[J]. 電力系統(tǒng)保護與控制, 2014, 42(23): 76-81.

YAO Yuhai, WANG Zengping, GUO Kunya, et al. Distribution network service restoration using a multi- objective binary particle swarm optimization based on E-dominance[J]. Power System Protection and Control, 2014, 42(23): 76-81.

[19]周超, 田立軍. 基于粒子群優(yōu)化算法的電壓暫降監(jiān)測點優(yōu)化配置[J]. 電工技術(shù)學報, 2014, 29(4): 181-187.

ZHOU Chao, TIAN Lijun. An optimum allocation method of voltage sag monitoring nodes based on particle swarm optimization algorithm[J]. Transactions of China Electrotechnical Society, 2014, 29(4): 181-187.

[20] 曲朝陽, 于華濤, 郭曉利. 基于開啟瞬時負荷特征的家電負荷識別[J]. 電工技術(shù)學報, 2015, 30(增刊1): 358-364.

QU Zhaoyang, YU Huatao, GUO Xiaoli. The recognition of appliances instantaneous load[J]. Transactions of China Electrotechnical Society, 2015, 30(S1): 358-364.

(編輯 周金梅)

Disaggregation for non-invasive domestic appliances based on the improved chicken swarm optimization algorithm

XU Yixun1, LI Wang1, LI Dongdong1, YOU Xinchao2

(1. School of Electric Power Engineering, Shanghai University of Electric Power, Shanghai 200090, China; 2. Shanghai Helian Communication Engineering Co., Ltd., Shanghai 201108, China)

Considering that the current of domestic appliances in steady work condition has the characteristics of linear superposition, the disaggregation algorithm for non-invasive domestic appliance loads is proposed. And this new algorithm features in taking the fundamental current and harmonic current of the steady domestic appliance loads as load characteristics. By marking any work condition of the domestic appliance load with “0” and “1”, which means only two states are available, close and open, the issue of domestic appliance loads aggregation can be turned into optimization and the work condition of each domestic appliance load will be identified via the improved chicken swarm optimization algorithm. Case study verifies this algorithm is of higher load accuracy and broader availability conductive to the popularization and application for the non-invasive domestic appliance loads identification technology.

non-invasive; load disaggregation; improved chicken swarm optimization algorithm; fundamental current; harmonic current

10.7667/PSPC151370

上海綠色能源并網(wǎng)工程技術(shù)研究中心(13DZ225 1900)

2015-08-05；

2016-03-03

許儀勛(1969-)，男，博士，碩士生導師，研究方向為電能質(zhì)量及智能用電；E-mail: xu_yixun@sina.com 李 旺(1989-)，男，碩士研究生，研究方向為智能用電；E-mail: 914384645@qq.com 李東東(1976-)，男，博士，教授，碩士生導師，主要從事風力發(fā)電與電力系統(tǒng)穩(wěn)定控制、智能用電等方面的研究工作。