宋佶聰 黃勇 明爽 余志斌 王浩磊

摘? 要：目前非侵入式電力負(fù)荷監(jiān)測系統(tǒng)大都基于瞬態(tài)特征分解技術(shù)，需要高精度測量設(shè)備，文章提出一種基于穩(wěn)態(tài)波形的家用電力負(fù)荷識別方法。在該方法中，使用電壓的相位來選擇電流波形區(qū)域，并建立電流矩陣和電流分解模型，根據(jù)識別結(jié)果采用多種深度學(xué)習(xí)算法對錯(cuò)誤結(jié)果樣本進(jìn)一步訓(xùn)練以提升識別率。通過實(shí)測數(shù)據(jù)驗(yàn)證了該方法的有效性，即使各常見家用電器同時(shí)開啟，電力負(fù)荷平均正確識別率也達(dá)到82%。

關(guān)鍵詞：非侵入式;負(fù)荷識別;穩(wěn)態(tài);深度學(xué)習(xí)

中圖分類號：TM930? ? ? ?文獻(xiàn)標(biāo)識碼：A 文章編號：2096-4706（2020）18-0036-05

Abstract：Most of the non-invasive load monitoring systems are based on the transient feature decomposition technology at present，which requires high-precision measurement equipment. This paper proposes a method of household power load identification based on steady-state waveform. In this method，the phase of voltage is used to select the current waveform region，and then establish the current matrix and current decomposition model. According to the recognition results，a variety of deep learning algorithms are used to further train the wrong result samples to improve the recognition rate. The effectiveness of the method is verified by the measured data. Even the normal household appliances are turned on at the same time，the average correct recognition rate of load reaches 82%.

Keywords：non-invasive;load identification;steady-state;deep learning

0? 引? 言

目前，電力系統(tǒng)逐漸實(shí)現(xiàn)了對信息化技術(shù)的應(yīng)用，通過融入信息技術(shù)來實(shí)現(xiàn)信息的有效共享，進(jìn)而實(shí)現(xiàn)對電網(wǎng)的有效控制，并確保電網(wǎng)的穩(wěn)定運(yùn)行[1]。而電網(wǎng)的信息化技術(shù)在終端就體現(xiàn)在需要獲取用戶家中每個(gè)電器的運(yùn)行情況，該技術(shù)也為電力部門的需求響應(yīng)政策[2]提供技術(shù)支撐。

同時(shí)，長虹公司的主營業(yè)務(wù)為家用電器的研發(fā)制造，采集家電的運(yùn)行使用情況也是公司的信息化建設(shè)目標(biāo)之一。

要想實(shí)現(xiàn)對家電使用數(shù)據(jù)的采集，需要用到電力負(fù)荷識別技術(shù)[3]，該技術(shù)目前主要有兩種：侵入式與非侵入式。侵入式負(fù)荷識別技術(shù)就是在用戶家中的電器插座中安裝各種傳感器，通過傳感器采集各電器的運(yùn)行數(shù)據(jù)。這種方法采集的數(shù)據(jù)精度高，但實(shí)施難度大，成本高昂。另一種方法是非侵入式負(fù)荷識別技術(shù)，該技術(shù)只需在用戶的入戶電表處加裝一個(gè)傳感器就可以實(shí)現(xiàn)對用戶的用電情況進(jìn)行分析，該方法安裝便捷，成本相對較低。

非侵入式電力負(fù)荷識別技術(shù)也分為兩種：瞬態(tài)波形識別技術(shù)和穩(wěn)態(tài)波形識別技術(shù)。瞬態(tài)波形識別技術(shù)的難度較低，目前的相關(guān)研究也比較多，但無法針對多個(gè)電器同時(shí)開啟或開啟時(shí)間很近時(shí)的狀態(tài)進(jìn)行識別。

本文提出了一種穩(wěn)態(tài)波形下的負(fù)荷識別分析方法，探討了針對識別率的進(jìn)一步優(yōu)化改進(jìn)方法，進(jìn)行了實(shí)驗(yàn)裝置的搭建，并通過實(shí)驗(yàn)驗(yàn)證該方案的有效性。

1? 基于穩(wěn)態(tài)波形特征的負(fù)荷識別算法

選取常用家庭用電負(fù)荷作為研究對象，使待測設(shè)備運(yùn)行，并進(jìn)入穩(wěn)態(tài)工況后進(jìn)行電流數(shù)據(jù)采樣（穩(wěn)態(tài)電流數(shù)據(jù)：電器平穩(wěn)運(yùn)行時(shí)的電流數(shù)據(jù)，非電器啟動后3～5秒內(nèi)的電流數(shù)據(jù)），對家電單獨(dú)開啟和同時(shí)開啟工作時(shí)的穩(wěn)態(tài)電壓電流進(jìn)行監(jiān)測。

1.1? 穩(wěn)態(tài)波形區(qū)域選取

電感和電容電路可能使電流信號移相或反相，基于傳感器獲取的多負(fù)荷電流波形可能存在相位不一致的問題。因此，在采樣周期內(nèi)不論是電流波形幅值的極大值點(diǎn)，還是極小值點(diǎn)，可能都不是用于特征提取的穩(wěn)態(tài)波形的最佳起點(diǎn)。為了選取用于負(fù)荷特征分析的穩(wěn)態(tài)波形，本文應(yīng)用電壓相位對齊的方法來選取穩(wěn)態(tài)波形區(qū)域。具體的對齊過程如下[4]：

待電器工作狀態(tài)穩(wěn)定后同時(shí)記錄一段相同時(shí)間軸的電壓、電流信號，找出這段電壓信號的最低點(diǎn)Vlow和最高點(diǎn)Vhigh，求得過零點(diǎn)V0=（Vlow+Vhigh）/2。

對電壓信號的幅值按時(shí)間順序做如下判斷：當(dāng)滿足Vx-1

重復(fù)上述方法，找到第5個(gè)經(jīng)過零點(diǎn)的Vx，記為Vend，記錄Vend對應(yīng)的時(shí)間點(diǎn)tend，這兩個(gè)時(shí)間點(diǎn)在電流信號中對應(yīng)Istart和Iend。最后選取Istart和Iend之間的電流信號波形作為用電設(shè)備采樣區(qū)域構(gòu)建的起點(diǎn)和結(jié)束點(diǎn)。圖1為基于電壓的電流對齊方法示例圖。

1.2? 電流波形幅值特征矩陣

不同電器負(fù)荷單獨(dú)穩(wěn)態(tài)運(yùn)行時(shí)的電流特征差異很大，多個(gè)負(fù)荷同時(shí)運(yùn)行時(shí)電流穩(wěn)態(tài)波形特征與各電器單獨(dú)運(yùn)行時(shí)電流較大的電器的電流波形特征相似。圖2是電視機(jī)單獨(dú)運(yùn)行時(shí)的穩(wěn)態(tài)波形、電水壺單獨(dú)運(yùn)行時(shí)的穩(wěn)態(tài)波形、以及電視和電水壺同時(shí)運(yùn)行的穩(wěn)態(tài)波形[5]。當(dāng)時(shí)間t=x時(shí)，在圖2（a）～

圖2（c）中對應(yīng)的點(diǎn)分別是P1x、P2x、Qx，圖中灰色區(qū)域?yàn)?.1中選取的有效采樣區(qū)域。也就是說，單獨(dú)運(yùn)行時(shí)電流越大的電器對多電器同時(shí)運(yùn)行時(shí)的穩(wěn)態(tài)波形幅值特征的貢獻(xiàn)度越大，進(jìn)而有：

利用上述電流疊加特性，可以使用下列方法分別構(gòu)建單電器電流波形幅值特征矩陣和多電器電流波形幅值特征矩陣進(jìn)行家用電器負(fù)荷識別。

1.2.1? 單電器電流波形幅值特征矩陣

構(gòu)建單個(gè)用電設(shè)備獨(dú)立運(yùn)行的電流參數(shù)采樣矩陣P[n][m]。圖2中，電視電流波形特征區(qū)域由m個(gè)順序采樣的P1點(diǎn)（P11，P12，…，P1m）的電流幅值IP1m組成，燒水壺電流波形特征區(qū)域由m個(gè)順序采樣的P2點(diǎn)（P21，P22，…，P2m）的電流幅值IP2m組成。n是單個(gè)電器運(yùn)行狀態(tài)下的被測電器個(gè)數(shù)，決定了樣本空間的大小。二維矩陣P[n][m]是建立的樣本庫。

1.2.2? 多電器同時(shí)運(yùn)行的電流波形幅值特征數(shù)組

類似單電器的電流幅值矩陣的構(gòu)建方法，對多電器同時(shí)運(yùn)行時(shí)的電流穩(wěn)態(tài)數(shù)據(jù)進(jìn)行電流復(fù)合波的電流波形特征區(qū)域數(shù)組Q[m]的構(gòu)建（見圖2，電視+燒水壺的采樣區(qū)域由m個(gè)順序采樣的Q點(diǎn)（Q1，Q2，…，Qm）的電流幅值IQm組成），采樣頻率與1.2.1中P點(diǎn)和Q點(diǎn)的采樣頻率相同。

1.3? 候選電器編碼

根據(jù)實(shí)際使用環(huán)境中可能存在的電器種類以及各類電器的最大可能數(shù)量對電器數(shù)量進(jìn)行二進(jìn)制編碼，生成電器數(shù)量矩陣N[j][k]，這里j是可能的編碼組合數(shù)量，k是候選電器的種類數(shù)量，矩陣的大小由房間中可能使用的電器種類決定，并對矩陣中的電器生成以二進(jìn)制編碼的隨機(jī)數(shù)量[6]，示例圖如圖3所示。

1.4? 合成擬合信號

將單電器單獨(dú)運(yùn)行的離線電流采樣矩陣P[n][m]以加權(quán)求和的方式乘圖3所示的電器數(shù)量數(shù)組N[j][k]，根據(jù)j的取值求出多個(gè)Q[m]數(shù)組，Q[m]中每一元素為：

1.5? 適應(yīng)度函數(shù)

以真實(shí)的總負(fù)荷電流數(shù)組Q[m]和擬合電流數(shù)組Q[m]的Pearson相關(guān)系數(shù)r作為適應(yīng)度函數(shù)，計(jì)算方法為：

其中，cov（Q，Q）為總負(fù)荷信號Q和擬合信號Q的協(xié)方差，μQ、μQ為兩個(gè)信號的標(biāo)準(zhǔn)差。

用r的值來衡量數(shù)組Q[m]和數(shù)組Q[m]的相似程度，r的值越接近1，表示兩者越相似。

1.6? 識別算法的詳細(xì)描述

Step1：采集數(shù)據(jù)后選取有效采樣區(qū)域;

Step2：構(gòu)建電器單個(gè)運(yùn)行的離線電流幅值矩陣P[n][m];

Step3：在線采集并構(gòu)建多電器同時(shí)運(yùn)行的電流幅值數(shù)組Q[m];

Step4：對被測環(huán)境中可能數(shù)量的候選電器進(jìn)行隨機(jī)編碼初始化，得到N[j][k]矩陣;

Step5：使用單電器單獨(dú)運(yùn)行的離線矩陣P[n][m]與電器數(shù)量數(shù)組N[j]加權(quán)求和，得到擬合數(shù)組Q[m]，根據(jù)j的取值得到多個(gè)Q[m]，通過適應(yīng)度函數(shù)來評估Q與Q的接近程度，保留r最接近1的Q[m]和N[j];

Step6：采用遺傳優(yōu)化的思想，通過復(fù)制、交叉、突變等操作產(chǎn)生下一代的Q[m]和N[j]，并逐步淘汰掉適應(yīng)度函數(shù)值低的解，增加適應(yīng)度函數(shù)值高的解。最終求得最優(yōu)的N[j]，將N[j]解碼后就得到最可能的電器組合。

2? 基于殘差網(wǎng)絡(luò)聚合校驗(yàn)的負(fù)荷識別優(yōu)化

采用前述算法識別后，結(jié)果仍然有較大誤差，需要進(jìn)一步采用優(yōu)化算法提高識別準(zhǔn)確率[7]。基于優(yōu)化思想的遺傳算法（Genetic Algorithm，GA），易陷入局部最優(yōu)解，在處理單次校驗(yàn)問題中也缺乏穩(wěn)定性，因此，考慮引入集成學(xué)習(xí)的思想，通過組合多個(gè)遺傳優(yōu)化前置步驟，生成由多個(gè)分離序列組成的序列圖，最后通過卷積神經(jīng)網(wǎng)絡(luò)（CNN）組合優(yōu)化，輸出最終的分離序列，加入二次分離的負(fù)荷辨識算法如圖4所示。

圖4中，X表示采集的樣本數(shù)據(jù)，W通過上述的遺傳算法前置步驟優(yōu)化適應(yīng)度函數(shù)，得到分離序列，前置優(yōu)化算法個(gè)數(shù)為D。遺傳算法前置步驟得到序列圖W={w1，w2，…，wD}，可以看作原數(shù)據(jù)的先驗(yàn)（Prior）序列，經(jīng)過卷積神經(jīng)網(wǎng)絡(luò)計(jì)算序列圖的后驗(yàn)概率g（W）={P（w1=1|θ），P（w2=1|θ），…，P（wD=1|θ）}，θ為卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)，最終得到后驗(yàn)序列w。

在卷積神經(jīng)網(wǎng)絡(luò)模型ResNet[8]中，引入殘差連接以增加模型的魯棒性[9]，輸入層后連接了最大池化操作，最后一層卷積層后連接了一層平均池化操作，該模型包含了16層，總計(jì)約一百萬個(gè)參數(shù)。模型的主要層的計(jì)算規(guī)則為：

（1）卷積層，Conv：卷積神經(jīng)網(wǎng)絡(luò)的核心層，計(jì)算規(guī)則為：

其中，K為卷積核的大小，b為偏置向量，κ為卷積核，s為步長。

（2）批標(biāo)準(zhǔn)化，BN：基于小批量訓(xùn)練的標(biāo)準(zhǔn)化操作：

其中，x為原始輸出，μB和σ2B分別為批樣本B輸出x的均值和方差，γ和β為待訓(xùn)練的參數(shù)。

（3）激活函數(shù)，Relu：常用的神經(jīng)網(wǎng)絡(luò)非線性激活函數(shù)：

（4）Softmax：用于多分類任務(wù)的輸出函數(shù)，可以表示為：

其中，x為原始輸出。

（5）參數(shù)初始化和模型訓(xùn)練：模型參數(shù)通過0均值的均勻分布初始化，采用交叉熵作為損失函數(shù)，并通過基于隨機(jī)梯度下降的Adam算法優(yōu)化算法。

3? 實(shí)驗(yàn)結(jié)果及分析

方案選取暖風(fēng)機(jī)、風(fēng)扇、PC、電水壺、液晶電視5類電器。實(shí)驗(yàn)采用ADI公司的ADSP-CM408F數(shù)據(jù)采集處理芯片，入戶電源為電壓220 V/50 Hz的交流電，當(dāng)待測用電器開啟并穩(wěn)定工作時(shí)，測量其穩(wěn)態(tài)電流和穩(wěn)態(tài)電壓信號。數(shù)據(jù)采集過程如圖5所示[10]。

實(shí)驗(yàn)板采樣頻率fs為8 000 Hz，分別采集各電器組合的運(yùn)行數(shù)據(jù)，每次采集約100個(gè)周期的電流、電壓幅值數(shù)據(jù)。經(jīng)有效采樣區(qū)域篩選后，得到40組電器樣本數(shù)據(jù)，每組數(shù)據(jù)為320×150的矩陣。150表示有150種電器組合，1～10列為單個(gè)電器的穩(wěn)態(tài)工作電流數(shù)據(jù)，第11～150列為多電器的穩(wěn)態(tài)工作電流數(shù)據(jù)，第1～320行為電流幅值數(shù)據(jù)。其中一組數(shù)據(jù)集如表1所示。

本次實(shí)驗(yàn)共采集了40組數(shù)據(jù)，每組含有150多種電器組合，每組數(shù)據(jù)通過遺傳算法可輸出如下序列：

該序列中包含每一類電器的[0-1]二值向量，以及標(biāo)準(zhǔn)差std、適應(yīng)度函數(shù)值fitness和采樣電流均值irms。

將該序列數(shù)據(jù)組成一個(gè)負(fù)荷分離序列，設(shè)置遺傳算法的聚合數(shù)量G=60，并通過殘差卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行二次校驗(yàn)，得到G個(gè)后驗(yàn)概率，比較最大的后驗(yàn)概率，輸出其對應(yīng)的遺傳算法分離序列作為最終的輸出，識別結(jié)果以圖6所示的方式呈現(xiàn)。

將40組數(shù)據(jù)中的35組作為訓(xùn)練集，5組作為測試集，訓(xùn)練次數(shù)5 250次。對比單個(gè)遺傳算法（GA）、傳統(tǒng)的Bagging集成學(xué)習(xí)[11]（GA+Bagging）、基于未加入殘差連接的卷積神經(jīng)網(wǎng)絡(luò)（GA+CNN）和基于殘差卷積神經(jīng)網(wǎng)絡(luò)（GA+ResCNN）四種方法下的實(shí)驗(yàn)結(jié)果如表2所示。

從表2可以看出，在添加了Bagging集成之后，最終的準(zhǔn)確率并不一定能穩(wěn)定提升，說明遺傳算法尋優(yōu)過程不穩(wěn)定，而Bagging算法僅僅是通過“投票法”選擇最多次出現(xiàn)的輸出，無法保證算法在整個(gè)未觀測數(shù)據(jù)集上的表現(xiàn)。在加入CNN模型二次校驗(yàn)優(yōu)化過后，模型的性能均有了較大的提升，殘差卷積神經(jīng)網(wǎng)絡(luò)通過添加了殘差連接，提高了整體模型的穩(wěn)定性和適應(yīng)性。

4? 結(jié)? 論

針對同時(shí)多個(gè)電器運(yùn)行時(shí)，現(xiàn)有非侵入式識別方法難以識別各個(gè)電器的問題，本文提出了一種基于穩(wěn)態(tài)波形特征的識別方法。在各電器功率相差較大的情況下，能夠識別同時(shí)運(yùn)行的和電器負(fù)荷，其平均識別率達(dá)到了82%。但該方法針對功率相近、且較低功率的用電器同時(shí)開啟的情況，識別效果還有待改進(jìn)，還需要進(jìn)一步研究。

參考文獻(xiàn)：

[1] 梁正波.面向智能電網(wǎng)應(yīng)用的電力大數(shù)據(jù)關(guān)鍵技術(shù) [J].科技傳播，2015，7（20）：65-66.

[2] 梁甜甜，高賜威，王蓓蓓.智能電網(wǎng)下電力需求側(cè)管理應(yīng)用 [J].電力自動化設(shè)備，2012，32（5）：81-85.

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

[4] 四川長虹電器股份有限公司.一種穩(wěn)態(tài)工況下的非侵入式電力負(fù)載識別提升方法：CN109541346A [P].2019-03-29.

[5] 四川長虹電器股份有限公司.一種基于穩(wěn)態(tài)電流的非侵入式電力負(fù)載識別方法：CN109270368A [P].2019-01-25.

[6] 四川長虹電器股份有限公司.一種穩(wěn)態(tài)工況下的非侵入式電力負(fù)載識別優(yōu)化算法：CN109521296A [P].2019-03-26.

[7] 四川長虹電器股份有限公司.一種非侵入式電力負(fù)載識別錯(cuò)誤樣本的采集方法：CN110347725A[P].2019-10-18.

[8] HE K M，ZHANG X Y，REN S Q，et al. Deep Residual Learning for Image Recognition [C]// IEEE Conference on Computer Vision & Pattern Recognition. IEEE Computer Society，2016：770-778.

[9] 洪奇峰，施偉斌，吳迪，等.深度卷積神經(jīng)網(wǎng)絡(luò)模型發(fā)展綜述 [J].軟件導(dǎo)刊，2020，19（4）：84-88.

[10] 陳紅.基于深度學(xué)習(xí)的非侵入式家用電器識別方法研究 [D].成都：西南交通大學(xué)，2019.

[11] 朱紅斌.基于Bagging算法和遺傳神經(jīng)網(wǎng)絡(luò)的交通事件檢測 [J].計(jì)算機(jī)應(yīng)用與軟件，2010，27（1）：234-236.

作者簡介：宋佶聰（1984—），男，漢族，四川成都人，工程師，本科，研究方向：電力系統(tǒng)人工智能。