楊 秀,李 安,孫改平,田英杰,劉 方,潘瑞媛,吳吉海
基于改進(jìn)GMM-CNN-GRU混合的非侵入式負(fù)荷監(jiān)測(cè)方法研究
楊 秀1,李 安1,孫改平1,田英杰2,劉 方1,潘瑞媛1,吳吉海1
(1.上海電力大學(xué)電氣工程學(xué)院,上海 200090;2.華東電力科學(xué)研究院,上海 200437)
為挖掘用戶側(cè)節(jié)能減排潛力,對(duì)用戶用電行為進(jìn)行精細(xì)化分析和管理,提升電能利用效率,提出了一種基于高斯混合模型聚類和深度神經(jīng)網(wǎng)絡(luò)相結(jié)合的非侵入式負(fù)荷監(jiān)測(cè)方法。首先,針對(duì)同一電器常出現(xiàn)功率相近但運(yùn)行狀態(tài)不一致問(wèn)題,利用高斯混合模型聚類算法中“軟分類”和類簇靈活的優(yōu)勢(shì),對(duì)負(fù)荷工作狀態(tài)進(jìn)行精細(xì)分類,形成負(fù)荷用電設(shè)備實(shí)際運(yùn)行情況的負(fù)荷狀態(tài)特征庫(kù)。其次,針對(duì)常見(jiàn)的應(yīng)用于非侵入式負(fù)荷監(jiān)測(cè)模型的深度神經(jīng)網(wǎng)絡(luò)在多標(biāo)簽分類時(shí)存在識(shí)別精度低等問(wèn)題,提出卷積神經(jīng)網(wǎng)絡(luò)與門控循環(huán)單元混合的深度神經(jīng)網(wǎng)絡(luò)模型。最后,綜合考慮外部環(huán)境數(shù)據(jù)對(duì)家庭用戶用能習(xí)慣的影響,在AMPds2數(shù)據(jù)集上開(kāi)展驗(yàn)證分析,并與其他模型進(jìn)行對(duì)比。結(jié)果表明,所提的非侵入式負(fù)荷監(jiān)測(cè)模型具有較高的準(zhǔn)確性。
非侵入式負(fù)荷監(jiān)測(cè)與分解;高斯混合模型聚類;卷積神經(jīng)網(wǎng)絡(luò);門控循環(huán)單元;深度學(xué)習(xí)
隨著全球氣候變暖、能源爭(zhēng)奪加劇以及環(huán)境污染日益嚴(yán)重,為了降低能源消耗,改善電力系統(tǒng)效率,為用戶提供優(yōu)質(zhì)服務(wù),高級(jí)量測(cè)體系(Advanced Metering Infrastructure, AMI)等應(yīng)運(yùn)而生[1]。其中負(fù)荷監(jiān)測(cè)是AMI最重要的應(yīng)用之一,其主要任務(wù)是對(duì)負(fù)荷進(jìn)行分解、歸類,有針對(duì)性地管理用戶用電行為,實(shí)現(xiàn)用戶精細(xì)化用能管理,提升能源利用效率,降低用能成本,對(duì)于降低碳排放具有重要意義[2-5]。
上世紀(jì)80年代Hart教授首次提出非侵入式負(fù)荷監(jiān)測(cè)(Non-intrusive Load Monitoring, NILM)概念[6],并基于事件監(jiān)測(cè)[7]方法對(duì)用戶電力入口處記錄的總功率信息進(jìn)行分解,進(jìn)而獲得用戶用電設(shè)備能耗情況及用電規(guī)律,但受限于當(dāng)時(shí)技術(shù)問(wèn)題精度難以提高。隨著人工智能及高級(jí)量測(cè)技術(shù)的發(fā)展,學(xué)者開(kāi)始將新技術(shù)應(yīng)用于新能源出力預(yù)測(cè)[8-9]、負(fù)荷預(yù)測(cè)[10-13]與監(jiān)測(cè)[14-17]等研究中。2015年Kelly教授首次將深度學(xué)習(xí)(Deep Learning)算法應(yīng)用于NILM,相比于傳統(tǒng)算法具有高精度、易于擴(kuò)展等特點(diǎn)[18]。目前許多學(xué)者將神經(jīng)網(wǎng)絡(luò)方法應(yīng)用于NILM[19-21]。
將神經(jīng)網(wǎng)絡(luò)應(yīng)用于NILM問(wèn)題的關(guān)鍵在于,如何構(gòu)建負(fù)荷工作狀態(tài)特征庫(kù)作為神經(jīng)網(wǎng)絡(luò)的監(jiān)督數(shù)據(jù),多數(shù)學(xué)者采用聚類算法進(jìn)行構(gòu)建。文獻(xiàn)[22]提出基于改進(jìn)K-Means聚類的電器狀態(tài)分類方法,通過(guò)挖掘低頻數(shù)據(jù)中電器功率特征消除冗余信息。但用電設(shè)備在不同的工作狀態(tài)下常常會(huì)出現(xiàn)功率大小相近的情況,而K-Means算法難以解決該問(wèn)題。這是由于K-Means屬于“硬分配”,不同類別的劃分嚴(yán)格依靠距離關(guān)系,故無(wú)法精準(zhǔn)劃分不同工作狀態(tài)。為解決“硬分類”的局限,提高負(fù)荷狀態(tài)分類精細(xì)度,本文基于高斯混合模型(Gaussian Mixture Model, GMM)聚類構(gòu)建負(fù)荷運(yùn)行特征庫(kù)的方法。GMM聚類算法按群集概率分配群集成員,屬于“軟分類”,其靈活的類簇可有效避免“硬分類”的局限性,面向大規(guī)模數(shù)據(jù)集能同時(shí)保證聚類效率以及聚類精度[23-25]。
另一方面,更精細(xì)化的負(fù)荷狀態(tài)特征庫(kù)對(duì)深度神經(jīng)網(wǎng)絡(luò)也提出更高的性能要求。常見(jiàn)應(yīng)用于非侵入式負(fù)荷監(jiān)測(cè)模型的深度神經(jīng)網(wǎng)絡(luò)有多層感知器(Multilayer Perceptron, MLP)、卷積神經(jīng)網(wǎng)絡(luò) (Convolutional Neural Networks, CNN)等。雖CNN神經(jīng)網(wǎng)絡(luò)能夠挖掘非連續(xù)性特征在高維空間中的聯(lián)系,其對(duì)圖片的分類性能在計(jì)算機(jī)視覺(jué)領(lǐng)域得到充分認(rèn)可,但在識(shí)別具有時(shí)序性的多標(biāo)簽數(shù)據(jù)時(shí)精度較低[26]。長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(Long Short-term Memory Networks, LSTM)是在序列傳遞方向上進(jìn)行遞歸處理的一種神經(jīng)網(wǎng)絡(luò),非常適合處理具有時(shí)序性的功率數(shù)據(jù)。門控循環(huán)單元(Gated Recurrent Unit,GRU)是一種基于LSTM的優(yōu)化網(wǎng)絡(luò),其簡(jiǎn)化了LSTM的內(nèi)部單元結(jié)構(gòu),在擁有LSTM網(wǎng)絡(luò)優(yōu)點(diǎn)的同時(shí)可減少梯度的消失,有效縮短模型的訓(xùn)練時(shí)間,因此更適用于負(fù)荷辨識(shí)[27]。本文設(shè)計(jì)CNN與GRU分別作為子模塊的改進(jìn)CNN-GRU深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。為滿足負(fù)荷分解需求,將一個(gè)神經(jīng)網(wǎng)絡(luò)模型分為兩個(gè)輸出,其一為負(fù)荷工作狀態(tài),其二為負(fù)荷工作功率。最終通過(guò)GMM聚類算法建立的設(shè)備運(yùn)行狀態(tài)特征庫(kù)作為工作狀態(tài)輸出的監(jiān)督,分項(xiàng)計(jì)量的負(fù)荷功率作為負(fù)荷功率輸出的監(jiān)督,形成一個(gè)基于改進(jìn)GMM-CNN-GRU混合的非侵入式負(fù)荷監(jiān)測(cè)模型。在AMPds2數(shù)據(jù)集[28]上進(jìn)行試驗(yàn),并與CNN、LSTM和常規(guī)CNN-GRU神經(jīng)網(wǎng)絡(luò)比較,驗(yàn)證了該方法負(fù)荷狀態(tài)監(jiān)測(cè)和功率分解的精度。
本文采用基于改進(jìn)GMM-CNN-GRU混合的NILM模型流程圖,如圖1所示。首先通過(guò)GMM聚類算法對(duì)各電器運(yùn)行歷史數(shù)據(jù)進(jìn)行狀態(tài)劃分,形成負(fù)荷狀態(tài)特征庫(kù);然后將外部環(huán)境數(shù)據(jù)和總功率數(shù)據(jù)輸入基于改進(jìn)CNN-GRU深度神經(jīng)網(wǎng)絡(luò)模型,負(fù)荷狀態(tài)特征和負(fù)荷詳細(xì)分項(xiàng)計(jì)量數(shù)據(jù)作為模型訓(xùn)練監(jiān)督量,進(jìn)行模型訓(xùn)練,最終達(dá)到各類負(fù)荷的精準(zhǔn)監(jiān)測(cè)和分解。
圖1 NILM框架圖
負(fù)荷狀態(tài)特征庫(kù)的形成依賴于GMM聚類,其中高斯混合模型是用若干個(gè)高斯概率密度函數(shù)(正態(tài)分布曲線)來(lái)描述一個(gè)事物的模型。對(duì)于一個(gè)樣本來(lái)說(shuō),混合高斯分布得到的是其屬于各個(gè)類的概率。求解高斯混合模型參數(shù)一般采用期望極大算[29](Expectation Maximization algorithm, EM),其步驟如下。
Step2:根據(jù)貝葉斯定理,求出后驗(yàn)分布概率,如式(2)。
Step3:計(jì)算新一輪迭代的模型參數(shù)。
Step4:重復(fù)Step2和Step3直至收斂或達(dá)到最大迭代輪數(shù)。
高斯混合模型聚類算法流程圖如圖2所示。
GMM聚類算法對(duì)每個(gè)用電設(shè)備進(jìn)行聚類分析,以有功功率作為工作狀態(tài)劃分的依據(jù),最終形成對(duì)應(yīng)用電設(shè)備的負(fù)荷狀態(tài)特征庫(kù)。將負(fù)荷狀態(tài)特征進(jìn)行One-hot編碼,作為改進(jìn)CNN-GRU神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的監(jiān)督數(shù)據(jù)。
深度神經(jīng)網(wǎng)絡(luò)憑借其強(qiáng)大的表達(dá)能力在分類方面有巨大優(yōu)勢(shì)。直接將常規(guī)CNN-GRU網(wǎng)絡(luò)應(yīng)用于NILM問(wèn)題不能取得良好的效果,為了提高深度神經(jīng)網(wǎng)絡(luò)的性能,可增加網(wǎng)絡(luò)層數(shù)和每層神經(jīng)元數(shù)目,但這并不能有效提升監(jiān)測(cè)精度,反而會(huì)增加訓(xùn)練復(fù)雜度。
圖2 高斯混合模型聚類算法流程圖
本文將多個(gè)不同的神經(jīng)元模塊橫向“并聯(lián)”排布,分別獲得非連續(xù)性輸入數(shù)據(jù)的非線性特征聯(lián)系、高維空間特征聯(lián)系以及時(shí)序特征聯(lián)系,最終將各個(gè)網(wǎng)絡(luò)獲得的特征張量進(jìn)行疊加后,傳入邏輯回歸單元,形成一個(gè)改進(jìn)CNN-GRU深度神經(jīng)網(wǎng)絡(luò)。該結(jié)構(gòu)中包含以下內(nèi)容。
1) Dense模塊
神經(jīng)元采用全連接方式,其中每個(gè)神經(jīng)元傳播公式為
2) 一維卷積模塊
卷積神經(jīng)網(wǎng)絡(luò)(CNN)在圖像處理中的應(yīng)用廣泛。由于圖像中有色彩、尺寸等多維特征,需要挖掘圖像中的空間特征,故采用卷積網(wǎng)絡(luò)結(jié)構(gòu),卷積核多為2維。而在NILM問(wèn)題中,功率數(shù)據(jù)為時(shí)間序列類型數(shù)據(jù),所以本文采用一維卷積方式,計(jì)算公式為
3) GRU模塊
門控循環(huán)單元GRU是對(duì)長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的一種改進(jìn),參數(shù)更少,訓(xùn)練速度更快。GRU中包含重置門和更新門,其計(jì)算公式為
本文搭建的神經(jīng)網(wǎng)絡(luò)分為兩大部分,一部分實(shí)現(xiàn)用電設(shè)備的狀態(tài)監(jiān)測(cè),另一部分實(shí)現(xiàn)用電設(shè)備的功率分解,其結(jié)構(gòu)設(shè)計(jì)如圖3所示,超參數(shù)設(shè)置如下。
圖3 網(wǎng)絡(luò)結(jié)構(gòu)
(2) 改進(jìn)CNN-GRU層,總計(jì)352個(gè)神經(jīng)元。
(3) 全連接層:64個(gè)神經(jīng)元。
(4) 激活層:激活函數(shù)為Softmax。
(5) 第一部分輸出層:輸出維度為(為用電器的狀態(tài)數(shù),即聚類中心數(shù)),得到該用電器處于的狀態(tài)(One-hot編碼形式)。
(7) 改進(jìn)CNN-GRU模塊,總計(jì)352個(gè)神經(jīng)元。
(8) 全連接層:64個(gè)神經(jīng)元。
(9) 激活層:激活函數(shù)為ReLU。
(10) 第二部分輸出層:輸出層維度為1維,為用電器的有功功率。
文獻(xiàn)[30]采用國(guó)外公開(kāi)數(shù)據(jù)集REDD以及實(shí)驗(yàn)室測(cè)量私人數(shù)據(jù)集(國(guó)內(nèi)社區(qū)采集)對(duì)所設(shè)計(jì)的模型進(jìn)行驗(yàn)證分析,其實(shí)驗(yàn)結(jié)果表明應(yīng)用于非侵入式負(fù)荷監(jiān)控的模型在國(guó)內(nèi)外家庭用戶層面的差異影響較小。由于國(guó)內(nèi)有關(guān)家庭用電設(shè)備詳細(xì)公開(kāi)數(shù)據(jù)集很少,目前國(guó)內(nèi)絕大多數(shù)學(xué)者采用國(guó)外公開(kāi)數(shù)據(jù)集作為模型研究驗(yàn)證的對(duì)象,故本文選取國(guó)外公開(kāi)數(shù)據(jù)集。
本文選取2016年加拿大學(xué)者發(fā)布的AMPds2數(shù)據(jù)集,該數(shù)據(jù)采集自加拿大溫哥華市區(qū)內(nèi)一個(gè)家庭用戶,居住總面積199 m2,地下室面積100 m2,有功功率的采樣間隔為1 min,外部環(huán)境數(shù)據(jù)采樣間隔為1 h,數(shù)據(jù)集的采集時(shí)間跨度從2012年4月1日至2014年4月1日,總計(jì)1 051 200條記錄。
NILM有很多評(píng)價(jià)指標(biāo),本文選擇針對(duì)狀態(tài)監(jiān)測(cè)的指標(biāo):準(zhǔn)確度(precision)、召回率(recall)和F1分?jǐn)?shù)(F1-score)。選擇針對(duì)功率分解的指標(biāo):平均絕對(duì)誤差(Mean Absolute Error, MAE)。
1) 狀態(tài)監(jiān)測(cè)指標(biāo)
首先分別計(jì)算三個(gè)統(tǒng)計(jì)量TP、FP、FN,其中TP為真陽(yáng)性:狀態(tài)監(jiān)測(cè)為正,實(shí)際為正的個(gè)數(shù);FP為假陽(yáng)性:狀態(tài)監(jiān)測(cè)為正,實(shí)際為負(fù)的個(gè)數(shù);FN為假陰性:狀態(tài)監(jiān)測(cè)為負(fù)、實(shí)際為正的個(gè)數(shù)。
2) 功率分解指標(biāo)
平均絕對(duì)誤差(MAE)計(jì)算公式為[31]
為接近我國(guó)國(guó)情,從AMPds2數(shù)據(jù)集中選擇7種典型家庭用電設(shè)備:熱泵(暖通空調(diào))、干衣機(jī)、冰箱、電視、地下照明、洗衣機(jī)和洗碗機(jī),基本包含國(guó)內(nèi)家庭大功率用電設(shè)備種類。日常生活中外界的環(huán)境溫度與室內(nèi)電器的使用存在很大相關(guān)性,故本文通過(guò)計(jì)算Pearson相關(guān)系數(shù)[32]分析AMPds2數(shù)據(jù)集中用電設(shè)備的總功率以及7種典型設(shè)備有功功率與外界環(huán)境(氣溫、氣壓、風(fēng)速、能見(jiàn)度)之間的相關(guān)性,此處環(huán)境數(shù)據(jù)與電器功率數(shù)據(jù)在時(shí)間及顆粒度上保持一致,如圖4所示。
由于加拿大全年溫度較低,而夏季溫度較為適宜,所以室內(nèi)溫控系統(tǒng)(熱泵)與氣溫呈負(fù)相關(guān)。同樣該家庭電視、冰箱、地下照明和洗衣機(jī)的使用與外界環(huán)境存在一定的相關(guān)性。表1為天氣數(shù)據(jù)對(duì)本文所設(shè)計(jì)的NILM模型精度的影響情況。
表1中可看出部分與外部環(huán)境數(shù)據(jù)相關(guān)性較大的電器(熱泵、冰箱、電視、地下照明和洗衣機(jī)),在加入天氣因素后其監(jiān)測(cè)精度都得到明顯提升,可見(jiàn)天氣數(shù)據(jù)為負(fù)荷精度的重要影響因素之一,環(huán)境數(shù)據(jù)的獲取并不困難,具有可行性。
圖4 用電設(shè)備與環(huán)境特征的相關(guān)性
表1 天氣數(shù)據(jù)對(duì)精度的影響對(duì)比表
利用高斯混合模型聚類算法對(duì)用電設(shè)備有功功率進(jìn)行挖掘,獲取用電設(shè)備運(yùn)行狀態(tài)的特征信息,并形成用電設(shè)備運(yùn)行狀態(tài)特征庫(kù)。由于7種典型用電設(shè)備都屬于多工作狀態(tài)設(shè)備,所以依據(jù)實(shí)際功率數(shù)據(jù)以及戴維森堡丁指數(shù)確定聚類數(shù)目。將GMM聚類效果與文獻(xiàn)[22]中所用K-Means聚類效果相比較。
設(shè)置高斯混合模型聚類最大迭代次數(shù)為100次,收斂閾值為6×10-5,初始化中心點(diǎn)次數(shù)為5。圖5為GMM與K-Means的聚類結(jié)果比較,分別為熱泵、洗碗機(jī)、電視、冰箱和洗衣機(jī)的有功功率聚類結(jié)果,其中左側(cè)圖為GMM聚類結(jié)果,右側(cè)為K-Means聚類結(jié)果。
在圖5(a)中,GMM聚類將熱泵工作過(guò)程分為五類,即待機(jī)狀態(tài)功率約為37 W、啟動(dòng)狀態(tài)功率由37 W突變到1800 W、平穩(wěn)運(yùn)行狀態(tài)約為1800 W、大功率運(yùn)行狀態(tài)功率約為2400 W及關(guān)閉狀態(tài)0 W,而K-Means聚類將關(guān)閉狀態(tài)0 W與待機(jī)狀態(tài)37 W歸為一類,明顯不符合實(shí)際;圖5(b)中洗碗機(jī)被分為四類,即關(guān)閉狀態(tài)功率0 W、待機(jī)狀態(tài)功率約為11 W、大功率工作狀態(tài)功率約為775 W和低功率工作狀態(tài)功率約為140 W,同樣K-Means聚類算法將洗碗機(jī)待機(jī)狀態(tài)與關(guān)閉狀態(tài)歸為一類。K-Means聚類在電視、冰箱和洗衣機(jī)上也存在類似現(xiàn)象,GMM聚類算法結(jié)果精細(xì)度更高,更符合實(shí)際,聚類結(jié)果如表2所示。
表2 電器運(yùn)行狀態(tài)編號(hào)以及相關(guān)特征
將GMM聚類算法與K-Means聚類算法所得負(fù)荷狀態(tài)特征庫(kù),分別送入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,最終負(fù)荷功率分解結(jié)果對(duì)比如表3所示。
表3 不同聚類算法對(duì)比
從表3中可看出,GMM聚類形成的負(fù)荷狀態(tài)特征庫(kù)在最終負(fù)荷監(jiān)測(cè)精度上有明顯優(yōu)勢(shì),電視、冰箱的負(fù)荷監(jiān)測(cè)精度提升較高,可見(jiàn)更精細(xì)化的負(fù)荷狀態(tài)特征有利于提升負(fù)荷監(jiān)測(cè)的性能。
將訓(xùn)練數(shù)據(jù)輸入所搭建的改進(jìn)CNN-GRU深度神經(jīng)網(wǎng)絡(luò)中,按訓(xùn)練策略進(jìn)行訓(xùn)練,負(fù)荷功率分解結(jié)果如圖6所示。
從圖6可以看出,本文所提的負(fù)荷監(jiān)測(cè)模型對(duì)用電設(shè)備的啟停過(guò)程辨識(shí)精準(zhǔn),功率分解效果好,可滿足NILM任務(wù)要求。將本文所提模型與卷積神經(jīng)網(wǎng)絡(luò)模型(CNN)[8]、長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)模型(LSTM)[8]和常規(guī)CNN-GRU神經(jīng)網(wǎng)絡(luò)模型[8]進(jìn)行對(duì)比。比較過(guò)程中訓(xùn)練數(shù)據(jù)一致,均選自基于GMM聚類得到的負(fù)荷狀態(tài)特征庫(kù),比較結(jié)果見(jiàn)表4。
由表4可知,本文所設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)相比CNN和LSTM網(wǎng)絡(luò)精度明顯提升。由于熱泵設(shè)備在該家庭的能耗占比為23.23%,工作功率在1500 W以上且穩(wěn)定,故改進(jìn)CNN-GRU模型在功率分解上精度提升較小,其他用電設(shè)備提升明顯。圖7中詳細(xì)比較了改進(jìn)CNN-GRU與常規(guī)CNN-GRU模型的狀態(tài)監(jiān)測(cè)和功率分解性能。
圖6 負(fù)荷功率分解結(jié)果
表4 深度學(xué)習(xí)算法對(duì)比
圖7 本文方法與CNN-GRU結(jié)果對(duì)比
從圖7可以看出,針對(duì)功率較大、狀態(tài)少且特征差異較大的設(shè)備,本文所提算法比常規(guī)CNN- GRU算法識(shí)別負(fù)荷工作狀態(tài)精度提升5%~20%,負(fù)荷工作功率分解精度接近,提升1%~2%。但針對(duì)狀態(tài)較多的用電設(shè)備時(shí),本文算法精度更高,工作狀態(tài)監(jiān)測(cè)精度提升30%,功率分解精度提升6%。通過(guò)結(jié)果對(duì)比可知,本文神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)在處理多分類問(wèn)題時(shí)優(yōu)勢(shì)顯著。
考慮在一年中不同的外界環(huán)境下,家庭用戶會(huì)有不同的用電場(chǎng)景,各場(chǎng)景下各電器的使用習(xí)慣也會(huì)出現(xiàn)相應(yīng)變化,故為保證本文模型在全年時(shí)間段不同電器使用場(chǎng)景和不同用電習(xí)慣下都有較高的分解精度,選擇AMPds2數(shù)據(jù)集中春夏秋冬的典型周以及度假周的真實(shí)數(shù)據(jù)(不包含在訓(xùn)練集中)作為測(cè)試集,其中夏季周選擇2013年7月21日—27日,期間熱泵使用頻率降低,冰箱使用頻率增大;冬季周選擇2013年1月20日—26日,期間熱泵使用頻率增大,冰箱使用頻率降低;春秋兩季電器使用較為均衡,選擇2013年4月14日—20日;度假周選擇2013年8月1日—7日,期間只有熱泵和冰箱維持基本運(yùn)行。表5和表6分別展示了模型應(yīng)對(duì)用戶不同行為習(xí)慣時(shí)的狀態(tài)監(jiān)測(cè)與功率分解精度。
表5 狀態(tài)監(jiān)測(cè)結(jié)果(eF1-score)
表6 功率分解結(jié)果(eMAE)
由表5和表6可以看出,本文模型在面對(duì)不同的用電場(chǎng)景時(shí),負(fù)荷工作狀態(tài)監(jiān)測(cè)誤差均在10%以內(nèi),只有冰箱誤差在10%左右。該模型功率分解的精度維持在較高的水平。
本文提出一種基于改進(jìn)GMM-CNN-GRU混合的NILM方法。首先對(duì)大規(guī)模負(fù)荷數(shù)據(jù)采用GMM聚類算法獲取負(fù)荷狀態(tài)特征庫(kù),然后輸入改進(jìn)CNN-GRU神經(jīng)網(wǎng)絡(luò)模型以實(shí)現(xiàn)非侵入式負(fù)荷狀態(tài)監(jiān)測(cè)與功率分解,所提方法具有以下優(yōu)勢(shì)。
1) 相比于K-Means聚類結(jié)果,本文所提GMM聚類方法的類簇更加靈活,面對(duì)同一電器功率接近但狀態(tài)迥異的情況,可實(shí)現(xiàn)更加精準(zhǔn)的分類,且與電器運(yùn)行狀態(tài)貼合度更高。
2) 在相同的訓(xùn)練數(shù)據(jù)下,本文所提改進(jìn)CNN- GRU神經(jīng)網(wǎng)絡(luò)與CNN神經(jīng)網(wǎng)絡(luò)、LSTM神經(jīng)網(wǎng)絡(luò)和常規(guī)CNN-LSTM神經(jīng)網(wǎng)絡(luò)相比,在負(fù)荷狀態(tài)監(jiān)測(cè)和功率分解等方面具備更高的精度。
3) 本文主要選取了AMPds2數(shù)據(jù)集中符合我國(guó)國(guó)情的典型用電設(shè)備,其中洗碗機(jī)和干衣機(jī)在國(guó)內(nèi)需求越來(lái)越高,本文模型將其考慮在內(nèi),符合未來(lái)家庭發(fā)展需要。熱泵(暖通空調(diào))在國(guó)內(nèi)主要應(yīng)用于公商業(yè)樓宇等設(shè)施,本文所設(shè)計(jì)模型在應(yīng)用于工商業(yè)用戶時(shí)也有一定的競(jìng)爭(zhēng)力。
本文模型基于大量侵入式測(cè)量數(shù)據(jù)訓(xùn)練得到,而在實(shí)際應(yīng)用中會(huì)面臨侵入式用電設(shè)備功率數(shù)據(jù)不足的問(wèn)題,如何利用少量的數(shù)據(jù)達(dá)到NILM的精度要求以及針對(duì)國(guó)內(nèi)家庭用電情況進(jìn)一步驗(yàn)證模型將成為下一步的研究目標(biāo)。
[1] 張永生, 巢清塵, 陳迎, 等. 中國(guó)碳中和: 引領(lǐng)全球氣候治理和綠色轉(zhuǎn)型[J]. 國(guó)際經(jīng)濟(jì)評(píng)論, 2021(3): 1-18.
ZHANG Yongsheng, CHAO Qingchen, CHEN Ying, et al. China's carbon neutrality: leading in global climate governance and green transition[J]. International Economic Review, 2021(3): 1-18.
[2] 程祥, 李林芝, 吳浩, 等. 非侵入式負(fù)荷監(jiān)測(cè)與分解研究綜述[J]. 電網(wǎng)技術(shù), 2016, 40(10): 3108-3117.
CHENG Xiang, LI Linzhi, WU Hao, et al. A survey of the research on non-intrusive load monitoring and disaggregation[J]. Power System Technology, 2016, 40(10): 3108-3117.
[3] 李葉茂, 李雨桐, 郝斌, 等. 低碳發(fā)展背景下的建筑“光儲(chǔ)直柔”配用電系統(tǒng)關(guān)鍵技術(shù)分析[J]. 供用電, 2021, 38(1): 32-38.
LI Yemao, LI Yutong, HAO Bin, et al. Key technologies of building power supply and distribution system towards carbon neutral development[J]. Distribution & Utilization, 2021, 38(1): 32-38.
[4] 盛四清, 吳昊, 顧清, 等. 含碳捕集裝置的電氣綜合能源系統(tǒng)低碳經(jīng)濟(jì)運(yùn)行[J]. 電測(cè)與儀表, 2021, 58(6): 82-90.
SHENG Siqing, WU Hao, GU Qing, et al. Low-carbon economic operation of integrated electricity and natural gas system with carbon capture devices[J]. Electrical Measurement & Instrumentation, 2021, 58(6): 82-90.
[5] 白云, 賈燕冰, 陳浩, 等. 計(jì)及供氣充裕性的電- 氣互聯(lián)綜合能源系統(tǒng)低碳經(jīng)濟(jì)調(diào)度[J]. 電測(cè)與儀表, 2021, 58(11): 32-38.
BAI Yun, JIA Yanbing, CHEN Hao, et al. Low-carbon economic dispatch of electric-gas interconnection systems considering gas supply adequacy[J]. Electrical Measurement & Instrumentation, 2021, 58(11): 32-38.
[6] HART G W. Nonintrusive appliance load monitoring[J]. Proceedings of the IEEE, 1992, 80(12): 1870-1891.
[7] 周東國(guó), 張恒, 周洪, 等. 基于狀態(tài)特征聚類的非侵入式負(fù)荷事件檢測(cè)方法[J]. 電工技術(shù)學(xué)報(bào), 2020, 35(21): 4565-4575.
ZHOU Dongguo, ZHANG Heng, ZHOU Hong, et al. Non-intrusive load event detection method based on state feature clustering[J]. Transactions of China Electrotechnical Society, 2020, 35(21): 4565-4575.
[8] BOZORG M, BRACALE A, CARAMIA P, et al. Bayesian bootstrap quantile regression for probabilistic photovoltaic power forecasting[J]. Protection and Control of Modern Power Systems, 2020, 5(3): 218-229.
[9] MADHIARASAN M. Accurate prediction of different forecast horizons wind speed using a recursive radial basis function neural network[J]. Protection and Control of Modern Power Systems, 2020, 5(3): 230-238.
[10]陳弘川, 蔡旭, 孫國(guó)歧, 等. 基于智能優(yōu)化方法的相似日短期負(fù)荷預(yù)測(cè)[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(13): 121-127.
CHEN Hongchuan, CAI Xu, SUN Guoqi, et al. Similar day short-term load forecasting based on intelligent optimization method[J]. Power System Protection and Control, 2021, 49(13): 121-127.
[11]劉云, 吳家宏. 計(jì)及電動(dòng)汽車滲透率的臺(tái)區(qū)負(fù)荷預(yù)測(cè)研究[J]. 電網(wǎng)與清潔能源, 2020, 36(1): 72-78.
LIU Yun, WU Jiahong. Research on forecasting of transformer area load considering the permeability of electric vehicles[J]. Power System and Clean Energy, 2020, 36(1): 72-78.
[12]仝新宇, 張宇澤, 張長(zhǎng)生, 等. 基于廣義回歸神經(jīng)網(wǎng)絡(luò)的有源配電網(wǎng)網(wǎng)供負(fù)荷預(yù)測(cè)方法[J]. 供用電, 2020, 37(12): 40-45.
TONG Xinyu, ZHANG Yuze, ZHANG Changsheng, et al. Load forecasting method of active distribution network based on generalized regression neural network[J]. Distribution & Utilization, 2020, 37(12): 40-45.
[13]李強(qiáng), 趙健, 王磊, 等. 配電網(wǎng)饋線負(fù)荷預(yù)測(cè)及風(fēng)險(xiǎn)評(píng)估預(yù)警分析方法[J]. 供用電, 2020, 37(5): 50-55.
LI Qiang, ZHAO Jian, WANG Lei, et al. Distribution network feeder load forecasting and risk assessment warning analysis method[J]. Distribution & Utilization, 2020, 37(5): 50-55.
[14] 楊立余, 陳昊, 黎明, 等. 非侵入式電力負(fù)荷多目標(biāo)分解框架[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(6): 100-107.
YANG Liyu, CHEN Hao, LI Ming, et al. A framework for non-intrusive load monitoring using multi-objective evolutionary algorithms[J]. Power System Protection and Control, 2020, 48(6): 100-107.
[15] 張安安, 莊景泰, 郭紅鼎, 等. 結(jié)合圖半監(jiān)督與廣義回歸神經(jīng)網(wǎng)絡(luò)的非侵入式海洋平臺(tái)負(fù)荷監(jiān)測(cè)[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(7): 85-91.
ZHANG An'an, ZHUANG Jingtai, GUO Hongding, et al. Non-intrusive offshore platform load monitoring based on graph-based semi-supervised learning and generalized regression neural networks[J]. Power System Protection and Control, 2020, 48(7): 85-91.
[16]朱永燦, 張鵬, 田毅, 等. 變電設(shè)備在線監(jiān)測(cè)技術(shù)中的同步采集觸發(fā)方法對(duì)比分析[J]. 中國(guó)電力, 2022, 55(3): 64-73.
HU Yongcan, ZHANG Peng, TIAN Yi, et al. Comparison of synchronous acquisition trigger methods in on-line monitoring technology of transformer equipment[J]. Electric Power, 2022, 55(3): 64-73.
[17]許易經(jīng), 韓學(xué)山, 楊明, 等. 基于設(shè)備在線監(jiān)測(cè)的電網(wǎng)狀態(tài)檢修決策模型[J]. 電力系統(tǒng)自動(dòng)化, 2020, 44(23): 72-81.
XU Yijing, HAN Xueshan, YANG Ming, et al. Decision-making model of condition-based maintenance for power grid with equipment on-line monitoring[J]. Automation of Electric Power Systems, 2020, 44(23): 72-81.
[18] KELLY J, KNOTTENBELT W J. Neural NILM: deep neural networks applied to energy disaggregation[M]. Springer International Publishing, 2015.
[19] VERMA S, SINGH S, MAJUMDAR A. Multi-label LSTM autoencoder for non-intrusive appliance load monitoring[J]. Electric Power Systems Research, 2021, 199.
[20] 王軻, 鐘海旺, 余南鵬, 等. 基于seq2seq和Attention機(jī)制的居民用戶非侵入式負(fù)荷分解[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2019, 39(1): 75-83.
WANG Ke, ZHONG Haiwang, YU Nanpeng, et al. Nonintrusive load monitoring based on sequence-to- sequence model with Attention mechanism[J]. Proceedings of the CSEE, 2019, 39(1): 75-83.
[21] ZHOU X, FENG J, LI Y. Non-intrusive load decomposition based on CNN–LSTM hybrid deep learning model[J]. Energy Reports, 2021, 7: 5762-5771.
[22] 燕續(xù)峰, 翟少鵬, 王治華, 等. 深度神經(jīng)網(wǎng)絡(luò)在非侵入式負(fù)荷分解中的應(yīng)用[J]. 電力系統(tǒng)自動(dòng)化, 2019, 43(1): 126-132.
YAN Xufeng, ZHAI Shaopeng, WANG Zhihua, et al. Application of deep neural network in non-intrusive load disaggregation[J]. Automation of Electric Power Systems, 2019, 43(1): 126-132.
[23] LI Kehua, MA Zhenjun, ROBINSON D, et a1. Identification of typical building daily electricity usage profiles using Gaussian mixture model-based clustering and hierarchical clustering[J]. Applied Energy, 2018, 231: 331-342.
[24] Model-based clustering and Gaussian mixture model [EB/OL]. [2017-01-02]. https://en.proft.me/2017/02/1/ model-based-clustering-r/.
[25] 張美霞, 李麗, 楊秀, 等. 基于高斯混合模型聚類和多維尺度分析的負(fù)荷分類方法[J]. 電網(wǎng)技術(shù), 2020, 44(11): 4283-4296.
ZHANG Meixia, LI Li, YANG Xiu, et al. A load classification method based on gaussian mixture model clustering and multi-dimensional scaling analysis[J]. Power System Technology, 2020, 44(11): 4283-4296.
[26] KIM Y. Convolutional neural networks for sentence classification[Z]. 2014.
[27] LIU S, YOU S, ZENG C, et al. Data source authentication of synchrophasor measurement devices based on 1D-CNN and GRU[J]. Electric Power Systems Research, 2021, 196: 107-207.
[28] MAKONIN S, ELLERT B, BAJIC I V, et al. Electricity, water, and natural gas consumption of a residential house in Canada from 2012 to 2014[J]. Scientific Data, 2016, 3: 1-12.
[29] 周志華. 機(jī)器學(xué)習(xí)[M]. 北京: 清華大學(xué)出版社, 2016.
[30] 何敏瑤. 非侵入式家庭用戶負(fù)荷監(jiān)測(cè)算法研究[D]. 西安: 西安理工大學(xué), 2021.
HE Minyao. Research on household non-invasive load monitoring algorithm[D]. Xi’an: Xi’an University of Technology, 2021.
[31] MENGISTU M A, GIRMAY A A, CAMARDA C, et al. A cloud-based on-line disaggregation algorithm for home appliance loads[J]. IEEE Transactions on Smart Grid, 2019, 10(3): 3430-3439.
[32] MOON T K. The expectation-maximization algorithm[J]. IEEE Signal Processing Magazine, 1996, 13(6): 47-60.
Non-invasive load monitoring based on an improved GMM-CNN-GRU combination
YANG Xiu1, LI An1, SUN Gaiping1, TIAN Yingjie2, LIU Fang1, PAN Ruiyuan1, WU Jihai1
(1. School of Electric Power Engineering, Shanghai University of Electric Power, Shanghai 200090, China;2. East China Electric Power Research Institute, Shanghai 200437, China)
A non-intrusive load monitoring method based on Gaussian mixture model clustering combined with a deep neural network is proposed to explore the potential of energy saving and emission reduction at the customer side. It also fine-tunes the analysis and management of customer electricity consumption behavior, and improves the efficiency of electricity use. First, we tackle the problem that the same electrical appliance often has similar power but inconsistent operating status. In order to classify the load working status in fine manner, the advantages of "soft classification" and flexible clustering in the Gaussian mixture model clustering algorithm can be used to form a load status feature library that conforms to the actual operating conditions of electrical equipment. Secondly, note that in the common deep neural networks applied to non-invasive load monitoring models, there are problems such as low recognition accuracy in multi-label classification. Thus a deep neural network model with a mixture of convolutional neural networks and gated recurrent units is proposed. Finally, the validation analysis is carried out on the AMPds2 dataset by considering the influence of external environmental data on the energy consumption habits of household users, and the results are compared with other models. The results show that the proposed non-invasive load monitoring model has high accuracy.
non-invasive load monitoring and decomposition; Gaussian mixture model clustering; convolutional neural networks; gated recurrent unit; deep learning
10.19783/j.cnki.pspc.211238
國(guó)家自然科學(xué)基金項(xiàng)目資助(61872230);上海電力人工智能工程技術(shù)研究中心研究項(xiàng)目資助(19D72252800)
This work is supported by the National Natural Science Foundation of China (No. 61872230).
2021-09-08;
2021-12-09
楊 秀(1972—),男,教授,博士生導(dǎo)師,從事分布式發(fā)電與微電網(wǎng)技術(shù);Email: yangxiu721102@126.com
李 安(1997—),男,碩士研究生,從事非侵入式負(fù)荷監(jiān)測(cè)與分解;E-mail: spiderla97@163.com
孫改平(1984—),女,講師,從事電力系統(tǒng)優(yōu)化調(diào)度。E-mail: sunfrog2002@163.com
(編輯 許 威)