蔡雨露，聶玉虎，崔文朋，鄭 哲，劉 瑞，池穎英

(北京智芯微電子科技有限公司，北京 100192)

0 引言

非侵入式負(fù)荷監(jiān)測(cè)(Non-Intrusive Load Monitoring，NILM)也稱為非入侵式負(fù)荷分解(Non-Intrusive Load Disaggregation，NILD)[1]，其通過對(duì)某一特定區(qū)域的總電表數(shù)據(jù)進(jìn)行分析，可獲取該范圍內(nèi)各用電負(fù)荷的相關(guān)信息，如負(fù)荷的數(shù)量、各負(fù)荷的類別、所處工作狀態(tài)以及對(duì)應(yīng)的能耗使用情況等[2]。NILM 可以在不入戶、不對(duì)用戶用電器分別安裝電表的前提下，實(shí)現(xiàn)對(duì)用戶用電情況的監(jiān)測(cè)，通過用電行為分析更精準(zhǔn)為用戶提供相應(yīng)的用電服務(wù)[3]，對(duì)提高供電服務(wù)水平、節(jié)省電能資源、提高用電效率等都有重要的現(xiàn)實(shí)意義。

1980 年，Hart[4]開創(chuàng)性地提出NILM 的概念，所提出的監(jiān)控器在電源接口處進(jìn)行測(cè)量，基于對(duì)總負(fù)載的電流和電壓的詳細(xì)分析來確定在電負(fù)載中打開和關(guān)閉的單個(gè)設(shè)備的能耗。這種方法可以將用電器從少量電器種類中分解出來，對(duì)于用電器種類較多的情況下，則很難準(zhǔn)確地進(jìn)行分解。因此，后續(xù)不斷有學(xué)者提出通過增加不同負(fù)荷特征的方式改進(jìn)分解效果。負(fù)荷特征主要包括有穩(wěn)態(tài)特征、暫態(tài)特征、周期性特征狀態(tài)轉(zhuǎn)換特征，其中暫態(tài)特征又可以細(xì)分為暫態(tài)功率波形特征、電壓噪聲特征等，穩(wěn)態(tài)特征細(xì)分為功率的階躍特征、穩(wěn)態(tài)電流波形特征等[5]。通過研究發(fā)現(xiàn)，通過提取更多特征的方式進(jìn)行負(fù)荷分解取得了良好的分解效果。

近幾年來，深度學(xué)習(xí)開始在負(fù)荷分解中得到應(yīng)用。利用神經(jīng)網(wǎng)絡(luò)的方法，避免了手動(dòng)設(shè)計(jì)特征，且更容易分析時(shí)間序列特征，在分解準(zhǔn)確率方面也有一定的提高[5-8]。目前，深度學(xué)習(xí)在非侵入式負(fù)荷分解應(yīng)用上的研宄是現(xiàn)在的重要方向之一。

本文是基于電參量的穩(wěn)態(tài)特征與諧波分量特性，利用一維卷積神經(jīng)網(wǎng)絡(luò)的方法，對(duì)家用多用電器進(jìn)行分解。不僅可以準(zhǔn)確地分解出所需用電器，還可以通過針對(duì)不同用戶家庭進(jìn)行用電器信號(hào)庫的補(bǔ)充，不再進(jìn)行重復(fù)訓(xùn)練即可達(dá)到良好的分解效果。

1 非入侵式負(fù)荷分解

非侵入式負(fù)荷監(jiān)測(cè)是典型的時(shí)間序列分析問題[2]。在某個(gè)時(shí)間t，非侵入式負(fù)荷分解可以表示為：

其中，pt為t 時(shí)刻電表采集到的所有用電器的總功率；Pn(t)為t 時(shí)刻用電器n 的預(yù)測(cè)功率值；en(t)是用電器n實(shí)測(cè)值與預(yù)測(cè)值的誤差。

典型的非侵入式負(fù)監(jiān)測(cè)流程包括數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、負(fù)荷分解等步驟[9]，如果是采用深度學(xué)習(xí)的方法進(jìn)行分解，還需要搭建網(wǎng)絡(luò)模型和對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的步驟。具體步驟如圖1 所示。

圖1 負(fù)荷分解示意圖

1.1 非侵入式負(fù)荷分解模型輸入電參量

負(fù)荷特征是進(jìn)行負(fù)荷分解的重要因素，主要是對(duì)電壓、電流、電功率進(jìn)行特征變化，形成利于提取特征的電參數(shù)。

1.1.1 電流有效值

交流電流的大小和方向會(huì)隨時(shí)間作周期性變化，假設(shè)交流電為I，則交流電的有效值為：

1.1.2 諧波分量

諧波分量是指一個(gè)周期內(nèi)的電氣量的傅里葉級(jí)數(shù)中次數(shù)大于1 的整數(shù)倍分量。

假設(shè)采集到的電流可用正弦函數(shù)y=Asin(wx+φ)表示，則其傅里葉級(jí)數(shù)可以寫成如下公式：

其中，an、bn就是諧波分量。

1.2 基于有效值和諧波分量的負(fù)荷分解模型

本文與現(xiàn)有的非侵入式負(fù)荷分解模型算法的重要區(qū)別在于數(shù)據(jù)選取的不同。有學(xué)者利用用戶用電器工作模式的差異，通過不同用電器工作時(shí)間的差異進(jìn)行分解[10-11]。但是由于多種用電器工作模式過多，更是能夠排列組合出成千上萬種工作模式，因此分解效果不佳。

另一種可供選擇的數(shù)據(jù)是通過電流的有效值進(jìn)行分解。由于用電器開始工作時(shí)電流有效值會(huì)產(chǎn)生跳變沿，不同用電器有不同大小的電流有效值跳變，因此，可以借助于此跳變沿的不同進(jìn)行分解。采用這種數(shù)據(jù)可以有效獲取有用信息，但數(shù)據(jù)信息量還不夠足，分解可供參考的值過少，容易產(chǎn)生錯(cuò)誤分解。

基于前人的經(jīng)驗(yàn)，在有效值后又加入高頻諧波分量，作為整體的數(shù)據(jù)進(jìn)行負(fù)荷分解的相似性比對(duì)。高頻分量往往擁有更多的有效信息，且不同用電器在跳變沿有不同的高頻諧波分量數(shù)據(jù)，根據(jù)某一時(shí)刻前后的諧波分量差來判斷具體是哪一用電器發(fā)生工作模式的變化。

本文對(duì)一次周期的電流量進(jìn)行采樣，采樣周期為20 ms/次。假設(shè)In為第n 次采樣得到的有效值，ln為第n次采樣得到的諧波分量，則本文針對(duì)的數(shù)據(jù)Y 可表示為：

1.3 負(fù)荷分解評(píng)價(jià)指標(biāo)

非入侵式負(fù)荷分解涉及多個(gè)步驟，任何步驟都會(huì)影響到最終的分解效果。主要評(píng)價(jià)指標(biāo)有以下幾個(gè)方面：

(1)負(fù)荷分解的結(jié)果準(zhǔn)確率。

負(fù)荷分解識(shí)別準(zhǔn)確率主要指標(biāo)有：

①平均絕對(duì)誤差(Mean Absolute Error，MAE)，用來評(píng)估在某個(gè)時(shí)刻分解效果的好壞。假設(shè)gt為某個(gè)電器在t時(shí)刻真實(shí)消耗的功率，Pt為經(jīng)過負(fù)荷分解分解出的某個(gè)用電器功率。

②綜合信號(hào)誤差(Signal Aggregrate Error，ASE)，用來評(píng)價(jià)一段時(shí)間內(nèi)的分解效果好壞。

式中，P 表示為一段時(shí)間內(nèi)的功率消耗值，P*為負(fù)荷分解后在一段時(shí)間內(nèi)的功率消耗。

(2)識(shí)別效果的穩(wěn)定性。

(3)識(shí)別算法的泛化能力和可擴(kuò)展性。

2 基于一維卷積神經(jīng)網(wǎng)絡(luò)的負(fù)荷分解

2.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)是一種由卷積層、池化層、全連接層組成的多層監(jiān)督學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，如圖2 所示。其中，卷積層用來提前特征信息；池化層用來進(jìn)行下采樣，減少數(shù)據(jù)量的同時(shí)盡可能地保留有效的特征；全連接層得到激活后的特征信息值。與其他深度神經(jīng)網(wǎng)絡(luò)相比，卷積神經(jīng)網(wǎng)絡(luò)有權(quán)值共享的特征，能夠簡化網(wǎng)絡(luò)結(jié)構(gòu)的同時(shí)有更好的適應(yīng)性，能夠?qū)崿F(xiàn)分類和識(shí)別任務(wù)[12]。

圖2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

2.2 一維卷積神經(jīng)網(wǎng)絡(luò)

一維卷積神經(jīng)網(wǎng)絡(luò)(1D Convolutional Neural Network，1D-CNN)是一種能夠從時(shí)間序列中提取時(shí)間特征的卷積神經(jīng)網(wǎng)絡(luò)[13]。

一維卷積的輸入輸出是一個(gè)向量，卷積核在一維空間進(jìn)行滑動(dòng)，經(jīng)過向量和卷積核的運(yùn)算輸出另一個(gè)向量，如圖3 所示。

圖3 一維卷積運(yùn)算示意圖

本文利用一維卷積進(jìn)行特征提取，由于數(shù)據(jù)量不大，為了更好地保證數(shù)據(jù)的特征，去掉池化過程，直接在卷積層后跟全連接層，提高特征準(zhǔn)確度。

2.3 非入侵式負(fù)荷分解網(wǎng)絡(luò)模型

如圖4 所示，本文采用的一維神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為5 層卷積層和1 層全連接層。

圖4 本文采用的負(fù)荷分解網(wǎng)絡(luò)結(jié)構(gòu)圖

輸入信號(hào)是1×230 大小的一維信號(hào)，由某一時(shí)刻的電流有效值和諧波分量組成。

在推理過程中，通過對(duì)64 bit 數(shù)據(jù)特征進(jìn)行相似性比對(duì)來最終判斷屬于哪一類別。

3 實(shí)驗(yàn)

3.1 數(shù)據(jù)采集

采集數(shù)據(jù)是進(jìn)行負(fù)荷分解的第一步。目前，電力公司所能夠采集到的數(shù)據(jù)主要包括：電流、電壓、電功率和頻率，這些基本物理參數(shù)通過簡單計(jì)算可獲得有功功率、功率因數(shù)、無功功率、有效值、諧波分量及能耗等設(shè)備參數(shù)[14]。

本實(shí)驗(yàn)過程中，采用Blued 數(shù)據(jù)集，數(shù)據(jù)集包含大約8 天之內(nèi)來自單個(gè)美國家庭的高頻(12 kHz)家庭級(jí)數(shù)據(jù)。每秒包括60 個(gè)周期，每個(gè)周期有15 000 個(gè)采樣點(diǎn)，以得到電流的正弦波形，不同用電器的波形如圖5 所示。圖6、圖7 分別給出空調(diào)和熱水壺的跳變沿波形圖，通過此可以計(jì)算出電流的有效值以及諧波分量。

圖5 不同用電器跳變沿

圖6 空調(diào)諧波分量

圖7 熱水壺諧波分量

3.2 實(shí)驗(yàn)結(jié)果分析

一維神經(jīng)網(wǎng)絡(luò)的輸入是電流有效值加諧波分量組成的一維數(shù)組；輸出為電器類別。對(duì)Blued 數(shù)據(jù)進(jìn)行了處理，得到的處理后的數(shù)據(jù)維度為'labels.npy'：(338，4，53)；'dataset.npy'：(338，4，1，230，1)。將以上數(shù)據(jù)維度展開，得到1 352 條維度為230 的數(shù)據(jù)，其中每條數(shù)據(jù)的前9 維為電器投切發(fā)生前后的頻域特征向量之差，后221 維為投切過程中相關(guān)電流或電壓信號(hào)的變化情況(跳變沿)。

1 352 條數(shù)據(jù)中第一類和第二類占了絕大多數(shù)，兩者之和占比超過88%。前20 類中，每類包括的數(shù)據(jù)條數(shù)分別為：901，295，11，7，71，9，9，4，1，1，2，1，0，1，1，1，0，1，1，1。將第一類和第二類數(shù)據(jù)拿出來作為單獨(dú)一個(gè)數(shù)據(jù)集，進(jìn)行二分類模型的訓(xùn)練，準(zhǔn)確度可達(dá)80%以上，其中利用前9 維數(shù)據(jù)訓(xùn)練模型的準(zhǔn)確率略高，為82.22%；利用后221 維數(shù)據(jù)訓(xùn)練模型的準(zhǔn)確率為81.11%。

將第1，2 和5 類數(shù)據(jù)分別作為一類，剩余所有數(shù)據(jù)作為一類，建立一個(gè)4 類別的數(shù)據(jù)集。利用前9 維數(shù)據(jù)訓(xùn)練模型的準(zhǔn)確率約為67.98%，利用后221 維數(shù)據(jù)訓(xùn)練模型的準(zhǔn)確率為69.46%。

4 結(jié)論

本文針對(duì)電流采樣數(shù)據(jù)得到的電流有效值和諧波分量，利用1D-CNN 構(gòu)建非侵入式負(fù)荷分解模型，并獲得了很好的分解效果，所得到的訓(xùn)練模型具有很好的擴(kuò)展性和泛化能力。具體特點(diǎn)總結(jié)如下：

(1)獲取實(shí)驗(yàn)數(shù)據(jù)(電流有效值+諧波分量)；

(2)針對(duì)性構(gòu)建1D-CNN 模型；

(3)根據(jù)用戶電器情況，無需重新訓(xùn)練，針對(duì)性調(diào)整推理數(shù)據(jù)集即可。

最后，通過實(shí)驗(yàn)結(jié)果分析可知，采用本文方法的分解準(zhǔn)確率達(dá)到95%。且相對(duì)于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)方法，避免了頻繁的訓(xùn)練過程，為有針對(duì)性地進(jìn)行負(fù)荷分解節(jié)省時(shí)間。