陳克緒，徐春華，劉 玲，胡 濤

(1. 國網(wǎng)江西省電力有限公司供電服務(wù)管理中心，江西 南昌 330096;2. 國網(wǎng)江西省電力有限公司南昌供電分公司，江西 南昌 330012)

0 引 言

隨著電網(wǎng)建設(shè)的發(fā)展，電力供應(yīng)能力大幅提升，以電能為能量提供形式的不同種類的用電設(shè)備也不斷增加，負(fù)荷側(cè)的組成結(jié)構(gòu)和負(fù)荷特性等也愈發(fā)復(fù)雜[1]。開展負(fù)荷側(cè)用電特性研究，掌握負(fù)荷側(cè)用電情況，對保障電力系統(tǒng)安全可靠運(yùn)行具有重要指導(dǎo)意義[2]。通過對負(fù)荷識別進(jìn)行研究，可以統(tǒng)計分析出電力用戶負(fù)荷組成，為建設(shè)堅強(qiáng)智能電網(wǎng)提供有力數(shù)據(jù)支撐。

根據(jù)負(fù)荷識別設(shè)備安裝位置的不同，可分為侵入式和非侵入式兩種方法[3-4]。侵入式方法是指在室內(nèi)所有的用電設(shè)備上都安裝一個負(fù)荷識別設(shè)備（主要是數(shù)據(jù)采集和分析裝置），這種方式負(fù)荷識別準(zhǔn)確，缺點(diǎn)是安裝和維護(hù)困難，成本也相對較高。非侵入式識別不需要在用戶的電器上安裝負(fù)荷識別設(shè)備，僅在用戶電能表進(jìn)線處安裝相應(yīng)的監(jiān)測設(shè)備，對采集到的信號進(jìn)行分析，通過設(shè)備內(nèi)預(yù)設(shè)的負(fù)荷識別算法識別出用戶負(fù)荷類別并計算電量，大大節(jié)約了成本，使用方便，實用性強(qiáng)，有良好的發(fā)展前景[5]。國內(nèi)外學(xué)者對非侵入式負(fù)荷識別已經(jīng)做了很多研究，也提出了許多不同的方法，例如 DTW 距離算法[6]、K 近鄰算法[7]、遺傳優(yōu)化算法[8]、模糊 C 均值聚類[9]等。然而，上述研究方法計算復(fù)雜，對設(shè)備性能要求較高，無法實時進(jìn)行負(fù)荷識別。

神經(jīng)網(wǎng)絡(luò)具有大規(guī)模并行、自學(xué)習(xí)及自適應(yīng)能力，訓(xùn)練完成后計算速度快等優(yōu)點(diǎn)，在非侵入式負(fù)荷識別中得到廣泛應(yīng)用。高云等[10]將模糊聚類算法用于分類識別電力負(fù)荷，但這種方法首先需要確認(rèn)類別數(shù)目。黃友金等[11]采用卷積神經(jīng)網(wǎng)絡(luò)，同時結(jié)合幅值特征閾值，實現(xiàn)了在低采樣頻率下能夠有效辨識負(fù)荷。江帆等[12]采用廣義回歸神經(jīng)網(wǎng)絡(luò)進(jìn)行負(fù)荷分類研究，這種方法具有良好的魯棒性，同時也提升了網(wǎng)絡(luò)的訓(xùn)練速度。徐春華等[13]在電力負(fù)荷識別中采用深度學(xué)習(xí)和深度置信網(wǎng)絡(luò)方法，能準(zhǔn)確別出了各類負(fù)荷，取得了良好的效果。

目前，通過人工方式選擇電力用戶負(fù)荷特征比較困難，針對此問題，本文采用深度學(xué)習(xí)堆棧降噪自編碼網(wǎng)絡(luò)（stacked de-noising auto-encoder, SDAE）方法。該方法有效地解決電力用戶負(fù)荷特征選擇的困難，實現(xiàn)了對監(jiān)測設(shè)備采集的現(xiàn)場電力負(fù)荷數(shù)據(jù)自主進(jìn)行分類識別。SDAE是一種深度神經(jīng)網(wǎng)絡(luò)架構(gòu)，將多個降噪自編碼器（de-noising auto-encoder,DAE）進(jìn)行堆疊，最后用一層后向傳播（BP）神經(jīng)網(wǎng)絡(luò)進(jìn)行微調(diào)。深度學(xué)習(xí)主要是通過分層預(yù)訓(xùn)練的機(jī)制[14-15]，從大量的訓(xùn)練數(shù)據(jù)中提煉出隱含的關(guān)鍵特征。深度學(xué)習(xí)早期是用于解決圖像識別問題，現(xiàn)在已經(jīng)滲入到機(jī)器學(xué)習(xí)的各領(lǐng)域，在語音識別、目標(biāo)檢測識別等各領(lǐng)域均有很好的應(yīng)用。本文提出的SDAE方法在對電力用戶負(fù)荷識別的應(yīng)用中具有良好的識別效果，其識別準(zhǔn)確率超過96%。

1 研究背景

1.1 電力負(fù)荷類型

電力負(fù)荷主要有電動機(jī)、電弧爐、照明裝置等。近年來，接入電網(wǎng)的非線性負(fù)荷越來越多，造成了電網(wǎng)電壓、電流信號畸變現(xiàn)象集聚增多。另外，家用電器（如空調(diào)、冰箱等）也越來越多地采用變頻等電力電子技術(shù)，使居民用電呈現(xiàn)出非線性化。而非線性設(shè)備不僅產(chǎn)生諧波，而且會使電流發(fā)生畸變。例如開關(guān)電源、變頻器等都會有諧波分量產(chǎn)生，這與整流電路的非線性有關(guān)。隨著社會的發(fā)展，用戶對供電可靠性和供電質(zhì)量的需求將不斷提高，對電網(wǎng)中存在的電力負(fù)荷進(jìn)行分類識別，將有助于為電力用戶提供優(yōu)質(zhì)服務(wù)。

通過在現(xiàn)場采集到的工業(yè)用戶電力負(fù)荷波形數(shù)據(jù)，建立了相應(yīng)的工業(yè)電力負(fù)荷數(shù)據(jù)庫。本文從數(shù)據(jù)庫內(nèi)選取8種負(fù)荷類型，如表1所示。首先選擇一定的樣本數(shù)據(jù)進(jìn)行多次訓(xùn)練學(xué)習(xí)，自動提取電力用戶負(fù)荷數(shù)據(jù)的特征信息；然后再根據(jù)提取的特征信息進(jìn)行電力負(fù)荷識別檢驗。

表1 負(fù)荷類型及采樣地點(diǎn)

1.2 自編碼器

自編碼器（auto-encoder, AE）屬于一種特征提取算法，包括編碼器和解碼器兩部分。編碼器把輸入數(shù)據(jù)變成一個隱藏的空間表示，解碼器將隱藏空間的表示重構(gòu)輸出，其中輸入、輸出的數(shù)據(jù)空間維度相同。編碼是在輸入層與隱含層之間通過特征提取實現(xiàn)的，解碼是將隱含層的數(shù)據(jù)重構(gòu)輸出的過程。AE首先通過預(yù)訓(xùn)練得到一個大致的網(wǎng)絡(luò)參數(shù)模型，然后根據(jù)反向傳播算法對網(wǎng)絡(luò)中的參數(shù)進(jìn)行更新，使該網(wǎng)絡(luò)能更好地識別出數(shù)據(jù)的特征。一個AE的結(jié)構(gòu)如圖1所示。

圖1 自編碼器

1.3 降噪自編碼器

降噪自編碼器（de-noising auto-encoder, DAE）是自編碼器（AE）的一種改進(jìn)形式，DAE是在AE的基礎(chǔ)上，為輸入的原始信號添加了高斯白噪聲，如此可以增加隱含層對輸入信號中存在干擾噪聲的魯棒性。

對于DAE而言，重構(gòu)輸出的信號與原始輸入的信號之間差異越小，其隱含層對信號特征識別的能力越好。

為得到最小的重構(gòu)誤差，本文采用了梯度下降法更新參數(shù)W和b，對于每一次迭代有：

2 堆棧降噪自編碼網(wǎng)絡(luò)電力負(fù)荷識別方法

選用一層和多層DAE均能對電力負(fù)荷數(shù)據(jù)進(jìn)行特征提取，但是采用一層DAE提取的特征信息不夠準(zhǔn)確，因此本文采用多個DAE堆疊，形成多層網(wǎng)絡(luò)，以提取出更加可靠的數(shù)據(jù)特征。本文分別采用了堆疊2層和3層DAE網(wǎng)絡(luò)識別電力負(fù)荷數(shù)據(jù)的本質(zhì)特征，并增加了BP神經(jīng)網(wǎng)絡(luò)的監(jiān)督微調(diào)環(huán)節(jié)，對堆疊DAE識別的特征信息進(jìn)行實時監(jiān)督和微調(diào)，最后再將電力負(fù)荷數(shù)據(jù)進(jìn)行分類輸出。堆疊三層DAE網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 堆棧降噪自編碼網(wǎng)絡(luò)

采用逐層訓(xùn)練的方式提取特征，從低層開始訓(xùn)練，完成后進(jìn)行下一層的訓(xùn)練。低層訓(xùn)練輸出的結(jié)果直接用作下一層訓(xùn)練的輸入，直到最高一層訓(xùn)練完成為止。在多個DAE堆疊訓(xùn)練完成之后，通過頂層的BP神經(jīng)網(wǎng)絡(luò)對前面訓(xùn)練好的最終結(jié)果進(jìn)行微調(diào)，可以進(jìn)一步提高識別準(zhǔn)確率。

在對電力負(fù)荷進(jìn)行識別的過程中，首先是將原始數(shù)據(jù)分為訓(xùn)練和測試兩大類，然后對其進(jìn)行預(yù)處理與歸一化，再將處理后的訓(xùn)練數(shù)據(jù)作為輸入數(shù)據(jù)對SDAE模型進(jìn)行訓(xùn)練，訓(xùn)練完的SDAE模型可以有效地提取出電力負(fù)荷工作時的特征。雖然SDAE選擇與提取特征的過程不明確，但是可以自動提取電力負(fù)荷的內(nèi)在特征。將測試數(shù)據(jù)輸入到訓(xùn)練好的SDAE模型中，通過輸出的最終結(jié)果與類別標(biāo)簽對比計算，可得出SDAE模型的負(fù)荷類型識別率。實驗大致流程如圖3所示。

圖3 實驗流程圖

3 實驗驗證分析

3.1 實驗數(shù)據(jù)來源

使用國網(wǎng)江西電科院自主研制的0.02級電能表現(xiàn)場參數(shù)記錄儀，采用非侵入方式采集現(xiàn)場工業(yè)用戶的波形數(shù)據(jù)用于分析及識別研究。為保證采樣波形數(shù)據(jù)的完整和實時性，設(shè)置設(shè)備在存儲數(shù)據(jù)時不進(jìn)行同步電壓電流波形采集，裝置的采樣頻率設(shè)定為50 kHz，每個負(fù)荷點(diǎn)均采集10次，每次采集時長均設(shè)置為5 min，對電壓、電流波形和用于計量的電能表脈沖進(jìn)行同步采集。國內(nèi)電網(wǎng)基波頻率為工頻50 Hz，根據(jù)裝置設(shè)置數(shù)據(jù)計算出此時一個周波采樣 1 000 點(diǎn)，5 min 采樣 15000 周波，每個負(fù)荷點(diǎn)采集50 min，共計采樣 150 000周波。電力負(fù)荷類型及江西采樣現(xiàn)場情況如表1所示。

3.2 數(shù)據(jù)處理

將采集的原始數(shù)據(jù)通過現(xiàn)場參數(shù)記錄儀內(nèi)設(shè)的數(shù)據(jù)分析處理軟件進(jìn)行解析，得到通用格式的樣本數(shù)據(jù)。首先，根據(jù)使用需要，將樣本數(shù)據(jù)進(jìn)一步分解，得到電壓、電流和采樣時間等信息；然后，用Matlab工具對樣本數(shù)據(jù)進(jìn)行分析處理，將數(shù)據(jù)切割為10周波一行，共分割成15 000行；最后將處理后的電流波形數(shù)據(jù)用作負(fù)荷識別分析的依據(jù)。各種負(fù)荷的樣本數(shù)據(jù)均為一行10個周波，其采樣點(diǎn)數(shù)為10 000 點(diǎn)，最終得到的數(shù)據(jù)樣本為 15 000×10 000的矩陣。選取其中12 500個（行）數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，剩余的2 500個（行）數(shù)據(jù)作為測試數(shù)據(jù)。采用SDAE方法進(jìn)行訓(xùn)練和測試。在進(jìn)行訓(xùn)練前首先對所采集的樣本數(shù)據(jù)進(jìn)行歸一化處理：

x——原信號；

xmax——原信號的最大值；

xmin——原信號的最小值。

實驗中，8種用電力負(fù)荷的電流歸一化波形如圖4所示。

圖4 歸一化波形圖

為了進(jìn)一步掌握8種電力負(fù)荷的內(nèi)在特征，通過快速傅里葉變換對電流信號進(jìn)行分析處理，從圖5中可以看出，8種電力負(fù)荷的諧波分布及含量各不相同。

圖5 8種負(fù)荷電流的各次諧波分量

由于樣本數(shù)據(jù)多，將試驗平均分成5組進(jìn)行，每組仍有8種負(fù)荷類型，且每種類型由2 500個訓(xùn)練數(shù)據(jù)與500個測試數(shù)據(jù)組成，即訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)分別為 20 000×10 000 的矩陣和 4000×10 000的矩陣。最終負(fù)荷識別的準(zhǔn)確率采用5組實驗結(jié)果的平均值。

實驗環(huán)境為 Inter Core i7-6500U、CPU 主頻為2.5 GHz、12 GB 內(nèi)存、64 位操作系統(tǒng)的計算機(jī)。實驗時DAE網(wǎng)絡(luò)分別為2層和3層，選用2層DAE網(wǎng)絡(luò)時，將隱含層的神經(jīng)元數(shù)量依次設(shè)為100和50，其網(wǎng)絡(luò)結(jié)構(gòu)為10000-100-50-8；選用3層DAE網(wǎng)絡(luò)時，將隱含層的神經(jīng)元數(shù)量依次設(shè)為100、50和50，網(wǎng)絡(luò)結(jié)構(gòu)為 10000-100-50-50-8。訓(xùn)練時，DAE 每一層迭代次數(shù)都設(shè)定為500次，學(xué)習(xí)速率設(shè)為0.02，信噪比例設(shè)為0.2 dB；DAE模型訓(xùn)練完成之后，用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行微調(diào)，微調(diào)600次，學(xué)習(xí)速率設(shè)為0.01。

3.3 實驗結(jié)果

選擇使用兩層DAE時，在第一層提取負(fù)荷的初始特征，在第二層提取負(fù)荷的深入特征，完成各層訓(xùn)練后再對最終的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行微調(diào)，第一層的權(quán)重可視化如圖6所示，第二層的權(quán)重可視化如圖7所示。圖6中的區(qū)塊對應(yīng)著第一層DAE隱含單元的權(quán)重，與圖7中第二層DAE區(qū)塊類似。

圖6 第一個RBM的可視化權(quán)重

圖7 第二個RBM的可視化權(quán)重

圖8為DAE迭代次數(shù)為600次時，識別率與微調(diào)次數(shù)關(guān)系的曲線圖。從圖中可以看出微調(diào)次數(shù)越多，負(fù)荷識別準(zhǔn)確率越高，當(dāng)微調(diào)次數(shù)達(dá)到500次之后，電力負(fù)荷的分類準(zhǔn)確率已無太大的上升空間，基本保持不變。

圖8 分類準(zhǔn)確率隨微調(diào)次數(shù)變化曲線

在DAE實驗后，文中采用非線性的3層BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行實驗。訓(xùn)練時，采樣相同的訓(xùn)練集對BP進(jìn)行訓(xùn)練，神經(jīng)網(wǎng)絡(luò)的迭代次數(shù)設(shè)定為500次，學(xué)習(xí)速率設(shè)為0.02，訓(xùn)練完成后進(jìn)行負(fù)荷識別。實驗得到的8種電力負(fù)荷的測試數(shù)據(jù)樣本的識別率如表2所示。

表2 負(fù)荷類型識別率 %

當(dāng)采用基于SDAE的電力負(fù)荷識別方法后平均識別率為96.23%，取得了良好的識別效果。當(dāng)使用3層網(wǎng)絡(luò)后，平均識別率提高到97.68%，較2層網(wǎng)絡(luò)識別率提高了1.45%，較4層網(wǎng)絡(luò)識別率提高了0.67%。在迭代次數(shù)與微調(diào)次數(shù)均相同的條件下，3層DAE的識別率較3層BP神經(jīng)網(wǎng)絡(luò)（BP neural network, BP）提升了2.93%，其識別率明顯優(yōu)于BP。

開展對比實驗，選擇3層DAE網(wǎng)絡(luò)，設(shè)置不同迭代次數(shù)和微調(diào)次數(shù)，從而進(jìn)一步檢驗DAE能否有效分類識別電力負(fù)荷類型。網(wǎng)絡(luò)結(jié)構(gòu)依然為10000-100-50-50-8，分別進(jìn)行兩組實驗：第一組的迭代次數(shù)以及微調(diào)次數(shù)均為300，第二組的迭代次數(shù)以及微調(diào)次數(shù)均為500。實驗結(jié)果如表3所示。

表3 8種負(fù)荷類型識別率

由表3可以看出，在一定范圍內(nèi)，通過增加迭代次數(shù)及微調(diào)次數(shù)可以顯著提高分類識別率。SDAE通過自主學(xué)習(xí)可以得到不錯的網(wǎng)絡(luò)模型，這也說明了深度學(xué)習(xí)方法在電力負(fù)荷識別中具有良好的效果。

4 結(jié)束語

本文提出了基于堆棧降噪自編碼網(wǎng)絡(luò)的電力負(fù)荷識別方法，并且通過現(xiàn)場真實采集的電力負(fù)荷數(shù)據(jù)進(jìn)行了試驗驗證，可以得出以下結(jié)論：

1）基于堆棧降噪自編碼網(wǎng)絡(luò)的電力負(fù)荷識別方法可自動提取現(xiàn)場實際采集的數(shù)據(jù)特征，DAE網(wǎng)絡(luò)的迭代次數(shù)、DAE層數(shù)以及微調(diào)次數(shù)需要經(jīng)過試驗獲取。通過試驗得出：3層DAE迭代、微調(diào)500次可以達(dá)到較好的效果，最終負(fù)荷識別準(zhǔn)確率能達(dá)到96%以上。

2）基于堆棧降噪自編碼網(wǎng)絡(luò)（SDAE）的電力負(fù)荷識別方法可廣泛用于各類電力負(fù)荷波形數(shù)據(jù)的特征提取和準(zhǔn)確識別。首先，廣泛采集現(xiàn)場各類典型電力負(fù)荷的電流波形數(shù)據(jù)；然后通過SDAE自動提取電力負(fù)荷的內(nèi)在特征，建立典型負(fù)荷特征庫；最后根據(jù)建立的特征庫準(zhǔn)確識別現(xiàn)場的電力負(fù)荷類型。

現(xiàn)場實際采集的數(shù)據(jù)為非線性負(fù)荷，其中含有較多的噪聲，傳統(tǒng)人工特征提取方法不能很好地區(qū)分特征。后期，我們將對負(fù)荷數(shù)據(jù)進(jìn)行噪聲處理，再將傳統(tǒng)分類算法與SDAE算法相結(jié)合，以獲得更佳的負(fù)荷識別效果。下一步將采集更多的實測數(shù)據(jù)，建立更完善的電力負(fù)荷數(shù)據(jù)集，以便有效識別更多的電力負(fù)荷類型。