程志友，儲著增，楊 猛，章楊凡，王林茂

(1.安徽大學 教育部電能質量研究中心，安徽 合肥 230601；2.安徽大學 電子信息工程學院，安徽 合肥 230601)

非侵入式負荷分解[1-2]可幫助用戶了解各負荷的功耗，進而影響用戶的用電行為.近年來，隨著智能電網[3]、電力需求側管理[4]、人工智能[5]的發(fā)展，非侵入式負荷分解逐漸成為研究熱點，研究人員將深度學習用于非侵入式負荷分解. 文獻[6]構建3種深度學習模型用于負荷分解，其分解準確度較傳統(tǒng)機器學習方法有較大提高. 文獻[7]提出一種基于序列到點(sequence-to-point，簡稱Seq2point)的非侵入式負荷分解方法，能提高分解的準確度.文獻[8]提出了一種基于短序列到點及門控循環(huán)單元的非侵入式負荷分解方法，能實時分解電荷，但多狀態(tài)負荷分解的準確度較低. 文獻[9]提出了基于深度擴張殘差網絡的非侵入式負荷分解方法，與已有方法相比，該方法有更高的分解準確度. 雖然上述方法均利用了信息處理能力強大的神經網絡，但未對網絡提取的信息進行篩選，即提取有效信息的能力不強，導致分解準確度不高.鑒于此，該文提出基于Seq2point和擠壓與激勵的殘差網絡(squeeze-and-excitation residual network，簡稱SERNet)的非侵入式負荷分解和識別方法，以增強提取有效信息的能力，進而提高負荷分解和識別的準確度.

1 非侵入式負荷分解

圖1為非侵入式負荷分解示意圖. 圖1中，智能電表采集了5種負荷信號疊加的總功耗信號. 通過分解總功耗信號，可獲得分解信號，即實現(xiàn)了負荷的分解.

圖1 非侵入式負荷分解示意圖

t時刻的總功耗信號可表示為

(1)

其中：Yi(t)為t時刻第i個負荷的功耗信號，L為負荷數(shù)量，g(t)為t時刻的干擾信號.

非侵入式負荷分解可表示為

f(X(t))=[Y1(t),Y2(t),…,YL(t)]，

(2)

其中：f表示非侵入式負荷分解的映射函數(shù).

總功耗信號的有功功率序列長度較長， 1個月采集的數(shù)據可達幾十萬個，而深度學習的輸入序列長度有限且固定，因此需對采集數(shù)據進行分割.

數(shù)據分割時采用滑動窗口法，在總功耗的有功功率序列中截取固定長度的有功功率序列.3次數(shù)據分割的流程如圖2所示. 在數(shù)據分割過程中，固定長度的窗口在總消耗功率序列{x1,x2,…,xn}上滑動，直至端點xn進入窗口.若將滑動窗口的長度設置為3，則窗口內的數(shù)據就是分割后的功率序列{xi,xi+1,xi+2}.

圖2 3次數(shù)據分割的流程圖

2 基于Seq2point和SERNet的非侵入式負荷分解及識別方法

2.1 1維卷積神經網絡

功率信號是1維時間序列[10]信息，因此該文使用1維卷積神經網絡(one dimensional convolutional neural network，簡稱1D CNN) 進行卷積操作.利用訓練好的1D CNN對輸入序列進行卷積，提取輸入序列中的信息，具體流程如圖3所示.

圖3 1維卷積流程圖

(3)

(4)

其中：B1為偏置系數(shù). 完成第i個卷積核的卷積后，滑動窗向右移動，接著進行第i+1個卷積核的卷積.

2.2 擠壓與激勵的殘差網絡

為了預防網絡退化，使用殘差網絡[11]提取信息，并引入注意力機制擠壓和激勵網絡，對提取的信息進行自適應校準[12]，以增強提取有效信息的能力. 擠壓與激勵的殘差網絡結構如圖4所示.

圖4 擠壓與激勵的殘差網絡結構

提取信息的過程可分為以下幾個階段：

(1) 卷積階段.對輸入信號sl做如下卷積

H(sl)=F(sl,wl)，

(5)

其中：wl表示卷積網絡的權重，l表示第l個SERNet.卷積階段的輸出作為擠壓和scale的輸入.

(2) 擠壓階段. 擠壓階段對輸入的信息進行壓縮，2維信息被映射為1個實數(shù).擠壓階段的輸出為

(6)

其中：H和W分別表示輸入的高和寬.擠壓階段的輸出作為激勵階段的輸入.

(3) 激勵階段. 全連接網絡生成的權重為

we(sl)=Fex(zs,ω)=σ(ω2δ(ω1zs)),

(7)

其中：ω為全連接層的參數(shù)；σ，δ分別表示sigmoid激活函數(shù)、relu激活函數(shù).

(4) scale階段. 對卷積階段輸出的原始信息權重進行重新標定.重新標定后的輸出信息為

zsc(sl)=H(sl)°we(sl)，

(8)

其中：°為逐元素乘法的運算符號.

(5) 跨層求和階段. 將輸入信號sl與scale階段的輸出信號相加，得到最終的輸出信息為

tl=sl+zsc(sl).

(9)

2.3 全連接網絡

該文使用全連接網絡構建特征映射網絡，特征映射的網絡結構如圖5所示.

圖5 特征映射的網絡結構

全連接網絡將輸入特征映射至設備的有功功率y，具體映射過程如下

y=γ(Y2w(3)+b(3))，

(10)

Y2=δ(Y1w(2)+b(2))，

(11)

Y1=δ(tlw(1)+b(1))，

(12)

其中：w(i)表示第i層的權重；b(i)表示第i層的偏置系數(shù)；Y1，Y2分別表示全連接層1，2的輸出；γ表示線性激活函數(shù)linear.

2.4 負荷分解流程

為了在提取信息過程中能抑制無用及干擾信息，篩選出有效信息，使負荷分解及識別的效果良好，該文提出基于Seq2point和SERNet的非侵入式負荷分解及識別方法.該文方法的負荷分解流程如圖6所示. 具體分解流程為：

(1) 載入功耗數(shù)據.對功耗的無效值進行預處理.

(2) 數(shù)據分割. 采用滑動窗口法處理總功耗序列，并對數(shù)據進行歸一化處理，使用Seq2point方法將總功耗序列與負荷功耗組合在一起，形成訓練集與測試集.

(3) 信息提取.提取輸入信號信息，并自適應校準信息.

(4) 特征映射. 全連接網絡將輸入映射至設備功率.

圖6 該文方法的負荷分解流程

3 算例分析

3.1 數(shù)據預處理

該文選取UK-DALE[13]為數(shù)據集，數(shù)據集包含5個家庭的用電信息，每個家庭的用電信息包括每個用電設備和總負荷的有功功率.用電設備和總負荷有功功率的采樣間隔分別為6，1 s.選取5個常用電器(冰箱、水壺、微波爐、洗碗機和洗衣機)為分解目標，這5種電器具有不同的運行特性，可更好地驗證該文方法的有效性.對數(shù)據集中的無效值進行處理的方法為：用同一時刻所有設備的有功功率之和代替總負荷的有功功率，以修正數(shù)據集中總負荷有功功率的無效值；用設備下一時刻的有功功率代替此時刻設備的有功功率，以修正數(shù)據集中設備有功功率的無效值.

3.2 實驗環(huán)境

硬件為：Intel(R)Core(TM)i5-8300H CPU@2.3 GHz、8 G內存、8 G顯存的64位計算機. 軟件為：Windows 10家庭中文版操作系統(tǒng)，Python3.6.10，Keras2.3.1深度學習框架.

3.3 評價指標

評價負荷分解及識別的指標有多種[14]，該文選取MAE和SAE為負荷分解的指標、 ACC和F1為負荷識別的指標，其定義式分別為

(13)

(14)

(15)

(16)

其中：T為功率序列的長度；yt為t時刻分解出的負荷功率；y′t為t時刻負荷的真實功率；e為分解出的負荷總功率；e′為真實的負荷總功率；TP表示負荷為開啟狀態(tài)且方法識別為開啟狀態(tài)的次數(shù)；TN表示負荷為關閉狀態(tài)同時方法識別為關閉狀態(tài)的次數(shù)；FN表示負荷為開啟狀態(tài)且方法識別為關閉狀態(tài)的次數(shù)；FP表示負荷為關閉狀態(tài)且方法識別為開啟狀態(tài)的次數(shù).

MAE的值越小，方法分解出的功率與實際功率越接近，分解的準確度越高. SAE的值越小，方法分解出的總功率與實際總功率越接近，分解的準確度越高. ACC的值越大，方法正確識別負荷開啟及閉合的次數(shù)占總識別次數(shù)的比值越大，識別的準確度越高.F1的值越大，方法正確識別負荷開啟的次數(shù)與錯誤識別負荷開啟及閉合次數(shù)之和的比值越大，識別的準確度越高.

3.4 負荷分解

為了證明該文方法的有效性，將去噪自動編碼器(denoising autoencoders，簡稱DAE)、基于卷積神經網絡的序列到點學習(sequence-to-point learning via convolutional neural network，簡稱CNN-S2P)、門控循環(huán)單元(gate recurrent unit，簡稱GRU)、擴張殘差網絡(dilated residual network，簡稱D-ResNet)方法的實驗結果與該文方法實驗結果進行對比.所有實驗使用的數(shù)據均相同，滑動窗口的長度均為100.5種方法的負荷分解結果如表1所示.

表1 5種方法的負荷分解結果

由表1可知：該文方法的MAE均值相對于DAE，CNN-S2P，GRU，D-ResNet方法的MAE均值，分別下降了27%，30%，35%，35%；該文方法的SAE均值相對于DAE，CNN-S2P，GRU，D-ResNet方法的SAE均值，分別下降了54%，40%，43%，55%.因此，該文方法相對于DAE，CNN-S2P，GRU，D-ResNet方法有更高的負荷分解準確度.

3.5 負荷識別

完成負荷分解后，接著對負荷進行識別.將方法分解出的功率與負荷閾值功率比較，若分解出的功率大于或等于閾值功率則認為負荷開啟，反之則認為負荷關閉. 若方法分解出的負荷開啟且實際負荷開啟，則認為負荷開啟的識別結果正確，反之則認為負荷開啟的識別結果錯誤. 若方法分解出的負荷關閉且實際負荷關閉，則認為負荷關閉的識別結果正確，反之則認為負荷關閉的識別結果錯誤. 該文負荷工作狀態(tài)閾值取自UK-DALE數(shù)據集.5種方法的負荷識別結果如表2所示.

表2 5種方法的負荷識別結果

由表2可知：該文方法的ACC均值相對于DAE，CNN-S2P，GRU，D-ResNet方法的ACC均值，分別提高了6%，5%，8%，17%；該文方法的F1均值相對于DAE，CNN-S2P，GRU，D-ResNet方法的F1均值，分別提高了24%，20%，22%，52%.因此，該文方法相對于DAE，CNN-S2P，GRU，D-ResNet方法有更高的負荷識別準確度.

4 結束語

該文提出了基于Seq2point和SERNet的非侵入式負荷分解及識別方法.使用殘差網絡提取信息，引入注意力機制擠壓和激勵網絡，對提取的信息進行自適應校準，通過全連接網絡映射得到負荷分解結果，進而識別負荷. 用公開數(shù)據集對該文方法進行驗證，結果表明相對于其他4種方法，該文方法有更高的負荷分解及識別的準確度.