智能電網(wǎng)環(huán)境下基于大數(shù)據(jù)挖掘的居民負(fù)荷設(shè)備識(shí)別與負(fù)荷建模

楊甲甲，趙俊華，文福拴，董朝陽，薛禹勝

(1.悉尼大學(xué)電氣與信息工程學(xué)院, 澳大利亞悉尼市 2006；2. 香港中文大學(xué)(深圳)，廣東省深圳市 518100；3. 浙江大學(xué)電氣工程學(xué)院，杭州市 310027；4. 文萊科技大學(xué)電機(jī)與電子工程系，文萊斯里巴加灣 BE1410；5. 南方電網(wǎng)科學(xué)研究院，廣州市 510080；6. 南瑞集團(tuán)公司(國網(wǎng)電力科學(xué)研究院)，南京市 211106)

智能電網(wǎng)環(huán)境下基于大數(shù)據(jù)挖掘的居民負(fù)荷設(shè)備識(shí)別與負(fù)荷建模

楊甲甲1，趙俊華2，文福拴3,4，董朝陽5，薛禹勝6

(1.悉尼大學(xué)電氣與信息工程學(xué)院, 澳大利亞悉尼市 2006；2. 香港中文大學(xué)(深圳)，廣東省深圳市 518100；3. 浙江大學(xué)電氣工程學(xué)院，杭州市 310027；4. 文萊科技大學(xué)電機(jī)與電子工程系，文萊斯里巴加灣 BE1410；5. 南方電網(wǎng)科學(xué)研究院，廣州市 510080；6. 南瑞集團(tuán)公司(國網(wǎng)電力科學(xué)研究院)，南京市 211106)

利用數(shù)據(jù)挖掘技術(shù)對(duì)用戶負(fù)荷大數(shù)據(jù)進(jìn)行處理，既可以通過識(shí)別用電負(fù)荷設(shè)備來分析用戶的用電行為習(xí)慣，又可以輔助進(jìn)行負(fù)荷精確建模，實(shí)現(xiàn)精確而有目標(biāo)性的需求側(cè)管理或制定具有針對(duì)性的零售商售電策略。在此背景下，基于動(dòng)態(tài)時(shí)間彎曲(dynamic time warping，DTW)的時(shí)間序列匹配方法，提出了一種低頻負(fù)荷數(shù)據(jù)下的居民電器設(shè)備識(shí)別方法。首先，將負(fù)荷數(shù)據(jù)分割成單負(fù)荷設(shè)備運(yùn)行和多負(fù)荷設(shè)備同時(shí)運(yùn)行2種情況下的負(fù)荷子序列；然后，依據(jù)待識(shí)別子序列的時(shí)間長度，參照實(shí)測的電器設(shè)備耗電功率數(shù)據(jù)，生成與其時(shí)間長度一致的電器設(shè)備耗電功率參考序列，其中包含了從電器設(shè)備啟動(dòng)前一時(shí)刻至設(shè)備關(guān)閉后一時(shí)刻的功率變化情形；最后，以DTW距離作為相似性度量指標(biāo)確定識(shí)別結(jié)果。對(duì)于由多負(fù)荷設(shè)備運(yùn)行產(chǎn)生的負(fù)荷序列，提出了一種剔除已識(shí)別設(shè)備后將序列再次分割，如此交替進(jìn)行的識(shí)別策略。在獲得識(shí)別結(jié)果后，構(gòu)建了居民負(fù)荷統(tǒng)計(jì)模型。借助于高效數(shù)據(jù)分析軟件R語言平臺(tái)，實(shí)現(xiàn)了所提出的算法，并使用500組負(fù)荷數(shù)據(jù)進(jìn)行了數(shù)據(jù)實(shí)驗(yàn)。結(jié)果表明，在對(duì)負(fù)荷數(shù)據(jù)每 min采樣1次的情況下，所提出的負(fù)荷設(shè)備識(shí)別方法對(duì)單設(shè)備負(fù)荷序列識(shí)別的準(zhǔn)確率超過93%，對(duì)多設(shè)備負(fù)荷序列識(shí)別的準(zhǔn)確率接近83%。

智能電網(wǎng)；數(shù)據(jù)挖掘；R語言；動(dòng)態(tài)時(shí)間彎曲(DTW)；負(fù)荷識(shí)別；負(fù)荷模型

0 引 言

在智能電網(wǎng)環(huán)境下，智能量測設(shè)備會(huì)逐步得到廣泛應(yīng)用，從而能夠得到用戶負(fù)荷準(zhǔn)確的、海量的數(shù)據(jù)。利用數(shù)據(jù)挖掘方法對(duì)用戶負(fù)荷大數(shù)據(jù)進(jìn)行處理，能夠從中提取出有用信息，從而能夠?qū)﹄娏ω?fù)荷有更系統(tǒng)和深入的理解進(jìn)而改善負(fù)荷管理水平及系統(tǒng)運(yùn)行的安全性與經(jīng)濟(jì)性。負(fù)荷識(shí)別進(jìn)而負(fù)荷準(zhǔn)確建模是大數(shù)據(jù)挖掘在電力系統(tǒng)中應(yīng)用的重要領(lǐng)域。

按照最終識(shí)別結(jié)果，負(fù)荷識(shí)別可以分為負(fù)荷設(shè)備識(shí)別和負(fù)荷類型識(shí)別。負(fù)荷設(shè)備識(shí)別需要識(shí)別出具體的用電設(shè)備，因此對(duì)負(fù)荷采樣數(shù)據(jù)的要求更高[1]。負(fù)荷類型識(shí)別則是首先將負(fù)荷劃分為幾個(gè)類型，如電阻性負(fù)荷、單相恒轉(zhuǎn)矩感應(yīng)電機(jī)負(fù)荷、三相恒轉(zhuǎn)矩感應(yīng)電機(jī)負(fù)荷等[2]，之后確定負(fù)荷組成。本文討論負(fù)荷設(shè)備識(shí)別問題。

在現(xiàn)有研究中，常用的負(fù)荷設(shè)備識(shí)別方法包括兩大類[2]，即侵入式負(fù)荷監(jiān)測[1]和非侵入式負(fù)荷監(jiān)測[3-5]。

侵入式監(jiān)測方法需要在用電設(shè)備和插座之間安裝中間監(jiān)控裝置來記錄設(shè)備操作情況。該方法通常依靠中間監(jiān)控裝置采集的負(fù)荷設(shè)備操作記錄、設(shè)備能耗數(shù)據(jù)、用戶賬單數(shù)據(jù)等，如果用戶安裝了智能電表則也可利用智能電表所獲取的數(shù)據(jù)，進(jìn)行負(fù)荷設(shè)備識(shí)別。非侵入式監(jiān)測方法則不需要中間裝置，主要依靠高分辨率的負(fù)荷波形測量數(shù)據(jù)，如電流波形、負(fù)荷對(duì)電壓階躍的動(dòng)態(tài)響應(yīng)波形、負(fù)荷有功功率變化時(shí)的波形等[6]，通過分析這些負(fù)荷特征量來進(jìn)行負(fù)荷識(shí)別。

國外現(xiàn)有的負(fù)荷設(shè)備識(shí)別研究，主要針對(duì)居民負(fù)荷的各種電器設(shè)備，總體上可以分成2類：(1)負(fù)荷設(shè)備電氣特征信息提取[5-6]；(2)負(fù)荷設(shè)備識(shí)別方法研究[1, 7-11]。

現(xiàn)有的負(fù)荷設(shè)備識(shí)別方法主要是依據(jù)負(fù)荷設(shè)備的電氣特征信息，通過匹配方法進(jìn)行設(shè)備識(shí)別，這些特征信息總體上包括電器設(shè)備的暫態(tài)和穩(wěn)態(tài)信息，例如：電流波形、設(shè)備的有功/無功功率、諧波、瞬時(shí)導(dǎo)納波形、瞬時(shí)功率波形、特征值(主要針對(duì)動(dòng)態(tài)負(fù)荷，例如空調(diào)的電流波形在不同的工作循環(huán)內(nèi)是不同的，通過建立電流值的時(shí)間序列矩陣，并提取矩陣的特征值進(jìn)行設(shè)備識(shí)別)以及設(shè)備開關(guān)操作的暫態(tài)波形。

負(fù)荷設(shè)備識(shí)別方法可以歸納為如下2類[6]：

(1)數(shù)學(xué)優(yōu)化方法。在給定的設(shè)備集合中，求解使得設(shè)備組合的總功率和目標(biāo)負(fù)荷值之間的偏差最小的組合結(jié)果，該組合中所包含的電器設(shè)備就是識(shí)別結(jié)果。

(2)數(shù)據(jù)挖掘算法。如決策樹[1]、支持向量機(jī)[7]以及基于人工神經(jīng)元網(wǎng)絡(luò)的算法[8-9]。后者通過訓(xùn)練人工神經(jīng)元網(wǎng)絡(luò)，使其具備辨別不同電器設(shè)備的電氣特征的能力，然后進(jìn)行負(fù)荷識(shí)別。

由于一些數(shù)學(xué)優(yōu)化方法的計(jì)算復(fù)雜度會(huì)隨著待識(shí)別設(shè)備數(shù)量增加而呈現(xiàn)指數(shù)增長，因此現(xiàn)有研究多集中在基于數(shù)據(jù)挖掘的負(fù)荷設(shè)備識(shí)別方法。

在依據(jù)負(fù)荷數(shù)據(jù)識(shí)別出用戶的負(fù)荷設(shè)備后，通過對(duì)識(shí)別結(jié)果進(jìn)行統(tǒng)計(jì)分析，可建立更加精確的居民用戶負(fù)荷模型。這種明確了各個(gè)時(shí)刻負(fù)荷成分的精確負(fù)荷模型，既可以用來進(jìn)行精確而有目標(biāo)性的需求側(cè)管理，也可以結(jié)合用戶的用電行為習(xí)慣，用來研究用戶負(fù)荷，輔助零售商制定合適的售電策略。

已經(jīng)有一些這方面的研究工作報(bào)道。例如，文獻(xiàn)[12]研究了居民用戶的負(fù)荷特征和房屋大小、房屋類型(公寓或者別墅等)以及居住者的社會(huì)經(jīng)濟(jì)特征 (包括屋主年齡、收入、所處的社會(huì)階層等) 之間的關(guān)系，用線性回歸方法分析了居民負(fù)荷的15種家用電器設(shè)備和用戶的總耗電量、用戶的最大負(fù)荷功率、用戶的負(fù)荷系數(shù)以及用戶大負(fù)荷的發(fā)生時(shí)間之間的關(guān)系。文獻(xiàn)[13]中采用將用戶行為模型和負(fù)荷設(shè)備電氣模型相結(jié)合的方法對(duì)家庭負(fù)荷建模; 基于歷史數(shù)據(jù)，首先采用統(tǒng)計(jì)分析方法構(gòu)建了考慮居民有效用電人數(shù)、電器日使用概率、電器平均使用時(shí)長等特征的居民負(fù)荷行為學(xué)模型, 同時(shí)基于實(shí)測的負(fù)荷數(shù)據(jù)得到了負(fù)荷靜態(tài)模型。文獻(xiàn)[13]中的家用電器設(shè)備使用狀態(tài)是根據(jù)用電行為的歷史數(shù)據(jù)統(tǒng)計(jì)分析得到的，沒有涉及負(fù)荷識(shí)別問題。文獻(xiàn)[14]針對(duì)統(tǒng)計(jì)綜合法和總體測辨法等負(fù)荷建模方法存在數(shù)據(jù)需求量大，難以反映負(fù)荷時(shí)變性或辨識(shí)速度慢、精度低等缺點(diǎn)，提出了變電站綜合負(fù)荷的一種集中式建模方法。到目前為止，筆者還沒有見到通過識(shí)別負(fù)荷設(shè)備建立精確負(fù)荷模型的系統(tǒng)的研究報(bào)道。

國內(nèi)在負(fù)荷設(shè)備識(shí)別方面已經(jīng)有些研究報(bào)道。文獻(xiàn)[15]研究了家用電器運(yùn)行時(shí)的特征量如瞬時(shí)功率波形、電流曲線波形、諧波特性、電器開關(guān)時(shí)的脈沖電流和暫態(tài)過渡時(shí)間，并討論了利用這些特征量進(jìn)行負(fù)荷識(shí)別的可行性。文獻(xiàn)[16]和[17]以電器設(shè)備開、關(guān)過程中的暫態(tài)功率波形作為特征量，分別采用相似性匹配和聚類方法 對(duì)家用電器負(fù)荷進(jìn)行識(shí)別。雖然與文獻(xiàn)[16]和[17]相同，也利用了電器設(shè)備開啟時(shí)的瞬時(shí)功率波形，文獻(xiàn)[18]和[19]則是通過求解電器設(shè)備的優(yōu)化組合問題進(jìn)行家電負(fù)荷識(shí)別。利用暫態(tài)特征進(jìn)行負(fù)荷識(shí)別時(shí)需要獲取電器設(shè)備投切時(shí)刻的暫態(tài)信息，文獻(xiàn)[20]提出一種針對(duì)暫態(tài)事件的監(jiān)測算法，能夠?qū)崿F(xiàn)對(duì)負(fù)荷投切時(shí)的暫態(tài)過程進(jìn)行自動(dòng)檢測和準(zhǔn)確記錄。文獻(xiàn)[21]和[22]則都利用了電器設(shè)備運(yùn)行的暫態(tài)特征量和穩(wěn)態(tài)特征量進(jìn)行負(fù)荷識(shí)別。此外，文獻(xiàn)[23]針對(duì)近幾年有關(guān)非侵入式負(fù)荷識(shí)別算法進(jìn)行了綜述，分析了比較常用的幾種負(fù)荷識(shí)別方法的優(yōu)缺點(diǎn)，并討論了負(fù)荷識(shí)別技術(shù)在實(shí)際應(yīng)用中面臨的問題。

上述國內(nèi)研究都是基于高頻采樣數(shù)據(jù)(文獻(xiàn)[15-18]中的采樣頻率分別為2，2，5，20 Hz)進(jìn)行的負(fù)荷識(shí)別。在這些高頻采樣頻率下，當(dāng)智能電網(wǎng)中的用戶規(guī)模增大時(shí)，隨之產(chǎn)生的采樣數(shù)據(jù)量也將急劇增加。因此，這些將會(huì)對(duì)系統(tǒng)硬件設(shè)備的數(shù)據(jù)采集和存儲(chǔ)功能，以及負(fù)荷識(shí)別方法的數(shù)據(jù)處理能力提出更高的要求。而且，這些方法還僅是針對(duì)單個(gè)家庭用戶的負(fù)荷識(shí)別，沒有考慮通過對(duì)配電網(wǎng)中的大量用戶進(jìn)行負(fù)荷識(shí)別，然后建立系統(tǒng)負(fù)荷模型的問題。

在上述背景下，本文首先提出基于低頻負(fù)荷采樣數(shù)據(jù)的負(fù)荷設(shè)備識(shí)別方法。具體地，以動(dòng)態(tài)時(shí)間彎曲(dynamic time warping，DTW) 距離作為待識(shí)別負(fù)荷時(shí)間序列和設(shè)備參考時(shí)間序列之間相似性的度量指標(biāo)，通過將低頻采樣的負(fù)荷時(shí)間序列進(jìn)行波形分割，對(duì)每個(gè)子序列進(jìn)行負(fù)荷設(shè)備識(shí)別。接著，利用數(shù)據(jù)實(shí)驗(yàn)分析所提出的負(fù)荷設(shè)備識(shí)別方法的準(zhǔn)確性和有效性。之后，在負(fù)荷識(shí)別的基礎(chǔ)上，提出能夠明確負(fù)荷成分的負(fù)荷統(tǒng)計(jì)模型。

1 動(dòng)態(tài)時(shí)間彎曲距離

DTW距離是一種時(shí)間序列相似性度量指標(biāo)[24]。采用這種相似性度量指標(biāo)時(shí)，在計(jì)算被比較的時(shí)間序列之間的距離之前，允許被度量的時(shí)間序列沿時(shí)間軸進(jìn)行局部的延伸或收縮，對(duì)被匹配序列的振幅差異、噪聲和線性漂移具有更好的魯棒性。適用于度量變化趨勢(shì)相似，但時(shí)間長度可能不相等的時(shí)間序列，比其他相似性度量指標(biāo) (如Minkowski 距離、Euclidean 距離、Manhattan 距離，等) 具有更多的優(yōu)點(diǎn)，因而在數(shù)據(jù)挖掘領(lǐng)域得到了廣泛應(yīng)用。

給定長度分別為n和m的2個(gè)時(shí)間序列Q和C：

Q=q1,q2,…,qi,…,qn

(1)

C=c1,c2,…,cj,…,cm

(2)

為了用DTW來比較Q和C的相似性，需要構(gòu)造一個(gè)n行m列的距離矩陣D，其中的元素di,j表示點(diǎn)qi和點(diǎn)cj之間的歐式距離或者歐式距離的平方[24]。為便于討論，這里取di,j為(qi，cj)之間歐式距離的平方。

di,j=(qi-cj)2

(3)

式(3)表示當(dāng)進(jìn)行相似比較時(shí)，序列Q的元素qi和序列C的元素cj之間建立起對(duì)應(yīng)關(guān)系之后，兩序列之間相似距離的計(jì)算方法。其中，i=1,2,…,n，j=1,2,…,m。

彎曲路徑W是由di，j構(gòu)成的集合，W中的全體元素表示一個(gè)以(q1，c1)為起點(diǎn)，以(qn，cm)為終點(diǎn)的Q和C之間的映射關(guān)系：

W=w1,w2,…,wk,…,wK,

max(m,n)≤K≤m+n-1

(4)

wk=(di,j)k

(5)

式中：K表示彎曲路徑W的長度，且K的取值是通過求解最優(yōu)彎曲路徑W而確定；wk表示Q和C之間的第k組中2個(gè)具有映射關(guān)系的點(diǎn)之間的歐式距離的平方值。

在Q和C之間滿足以(q1，c1)為起點(diǎn)、以(qn，cm)為終點(diǎn)的映射關(guān)系有很多種。通常要求構(gòu)成彎曲路徑的映射必須要滿足以下3個(gè)約束條件[25]。

(1)邊界約束。w1=d1,1，wK=dn,m；邊界約束條件用于保證彎曲路徑的始點(diǎn)和終點(diǎn)分別在距離矩陣的對(duì)角位置。

(2)連續(xù)性約束。假定wk=di,j，wk-1=di′,j′；那么需要滿足i-i′≤1，j-j′≤1；連續(xù)性約束條件用于保證彎曲路徑是由距離矩陣中是相鄰的元素構(gòu)成的。

(3)單調(diào)性約束。同樣地，假定wk=di,j，wk-1=di′,j′；那么需要滿足i-i′≥0，j-j′≥0；單調(diào)性約束條件用于保證彎曲路徑中的點(diǎn)在時(shí)間順序上是單調(diào)的。

在滿足約束條件的彎曲路徑中，W的全體元素累加和最小的路徑被稱為動(dòng)態(tài)時(shí)間彎曲路徑，這里用DDTW表示。時(shí)間序列Q和C之間的DTW距離可表示為

(6)

對(duì)滿足約束條件的動(dòng)態(tài)彎曲路徑進(jìn)行搜索，是求解動(dòng)態(tài)彎曲距離過程中的關(guān)鍵環(huán)節(jié)，決定了序列之間相似匹配時(shí)映射關(guān)系。求解動(dòng)態(tài)時(shí)間彎曲路徑和相應(yīng)彎曲距離的問題可描述為多階段決策問題。令到第k步的累計(jì)距離為r(i，j)，第k步的決策變量為d(i，j)，則

(7)

采用動(dòng)態(tài)規(guī)劃法求解式(7)，可求得時(shí)間序列Q和C之間的動(dòng)態(tài)時(shí)間彎曲路徑和相應(yīng)的彎曲距離。

式(7)僅給出了當(dāng)對(duì)Q和C之間的映射不加以約束時(shí)的情況。實(shí)際上，為了防止病態(tài)映射 (例如Q的一小部分序列值映射到了C的很大一塊區(qū)域中) 的發(fā)生，同時(shí)提高求解DTW距離的速度，通常還會(huì)給動(dòng)態(tài)時(shí)間彎曲路徑的搜索范圍添加全局或局部約束條件，以限定求解的搜索范圍[25]。

最常見的全局約束有2種，分別為Sakoe-Chiba帶狀約束和Itakura平行四邊形形狀約束。全局約束限制了當(dāng)沿距離矩陣D的對(duì)角線搜索最優(yōu)動(dòng)態(tài)路徑時(shí)，搜索范圍的總體將是沿對(duì)角線的一個(gè)帶狀區(qū)域，亦或是一個(gè)平行四邊形區(qū)域。而局部約束則有很多種形式，除式(7)所示的情形外，另外還有式(8)、式(9)所示的約束情形。不僅如此，一些學(xué)者還在不斷地研究新的約束情形。局部約束限制了當(dāng)搜索動(dòng)態(tài)彎曲路徑時(shí)，相鄰2步?jīng)Q策間的搜索范圍。有關(guān)全局和局部約束條件的更多詳細(xì)內(nèi)容可參考文獻(xiàn)[25]。

r(i,j)k=d(i,j)k+min{r(i-1,j-1),

r(i-1,j-2),r(i-2,j-1)}k-1

(8)

r(i,j)k=d(i,j)k+min{r(i-1,j-1),

r(i-3,j-4),r(i-4,j-3)}k-1

(9)

本文中通過選用不同的全局和局部約束條件進(jìn)行多次計(jì)算，來選擇對(duì)算法執(zhí)行效果最好的約束條件。

2 基于DTW的負(fù)荷設(shè)備識(shí)別方法

現(xiàn)有負(fù)荷設(shè)備識(shí)別方法通常都是基于頻率為1 Hz[1]、幾十Hz (如17 Hz[7]和60 Hz[11])，甚至更高頻率[6]的負(fù)荷采樣數(shù)據(jù)進(jìn)行的。在獲得了高頻負(fù)荷數(shù)據(jù)后，這些方法假定在足夠短的時(shí)間內(nèi)(例如1 s)，只可能有1臺(tái)設(shè)備會(huì)被開啟或者關(guān)閉，通過比較負(fù)荷數(shù)據(jù)和前文提到的負(fù)荷設(shè)備的電氣特征信息，來進(jìn)行負(fù)荷設(shè)備識(shí)別。

顯然，負(fù)荷采樣頻率越高，對(duì)數(shù)據(jù)采集系統(tǒng)硬件設(shè)備的要求也越高，同時(shí)在數(shù)據(jù)挖掘時(shí)需要存儲(chǔ)和處理的數(shù)據(jù)量也就越大。有鑒于此，在低頻數(shù)據(jù)下進(jìn)行負(fù)荷識(shí)別就是一個(gè)值得研究的問題。文獻(xiàn)[9]和[10]分別研究了當(dāng)采用頻率為每1 min 1次和每2 min 1次時(shí)的負(fù)荷識(shí)別問題。需要指出，現(xiàn)有的負(fù)荷設(shè)備識(shí)別方法多數(shù)是以人工神經(jīng)元網(wǎng)絡(luò)算法為基礎(chǔ)的[6, 9-10]。

這里提出一種針對(duì)負(fù)荷數(shù)據(jù)采樣頻率低的情況下的負(fù)荷設(shè)備識(shí)別新方法。所提出的方法主要用來識(shí)別在min級(jí)別或更長的時(shí)間尺度內(nèi)連續(xù)運(yùn)行的家用電器設(shè)備，正是這些設(shè)備的耗電構(gòu)成了居民負(fù)荷的主要部分。而對(duì)于那些運(yùn)行時(shí)間在1 min以內(nèi)的短時(shí)負(fù)荷，其耗電對(duì)系統(tǒng)負(fù)荷的影響很小，這些電器設(shè)備對(duì)系統(tǒng)負(fù)荷建模的影響也可忽略不計(jì)。

在所提出的方法中，首先將用戶負(fù)荷時(shí)間序列按照給定的原則進(jìn)行分割，然后以DTW距離為相似性度量指標(biāo)，分別將分割后的用戶負(fù)荷子序列與負(fù)荷設(shè)備數(shù)據(jù)庫中的參考時(shí)間序列進(jìn)行時(shí)間序列匹配，選擇匹配效果最好的參考序列所對(duì)應(yīng)的設(shè)備作為該子序列的識(shí)別結(jié)果。對(duì)于由多臺(tái)設(shè)備同時(shí)運(yùn)行構(gòu)成的復(fù)雜負(fù)荷子序列，提出了如下方法：首先，在每次識(shí)別出1個(gè)負(fù)荷設(shè)備后，就從該子序列中將已識(shí)別出的該設(shè)備所對(duì)應(yīng)的功率序列剔除；然后，對(duì)子序列再次進(jìn)行分割，并對(duì)分割得到的復(fù)雜度降低的子序列繼續(xù)進(jìn)行負(fù)荷識(shí)別，如此反復(fù)進(jìn)行，直到滿足結(jié)束條件。為便于理解，圖1給出了所提出的負(fù)荷設(shè)備識(shí)別方法的原理圖。

下面對(duì)圖1中的時(shí)間序列分割和負(fù)荷設(shè)備識(shí)別方法的具體內(nèi)容做比較詳細(xì)的闡述。

2.1 負(fù)荷時(shí)間序列分割

在給定負(fù)荷數(shù)據(jù)后，首先將其分割為由單個(gè)設(shè)備運(yùn)行或者多個(gè)設(shè)備同時(shí)運(yùn)行組成的一系列負(fù)荷子序列。需要處理的完整負(fù)荷數(shù)據(jù)通常是時(shí)間長度為24 h的數(shù)據(jù)，在對(duì)其進(jìn)行分割后，得到的各個(gè)子序列的時(shí)間長度縮短至min級(jí)別，各個(gè)子序列的功率變化特征更加明顯，能更準(zhǔn)確地和數(shù)據(jù)庫中存儲(chǔ)的單臺(tái)設(shè)備的時(shí)間序列進(jìn)行相似性匹配。

圖1 識(shí)別負(fù)荷設(shè)備的基本流程

在對(duì)負(fù)荷數(shù)據(jù)進(jìn)行分割時(shí)，根據(jù)負(fù)荷功率的躍升值確定子序列的起始點(diǎn)。為排除設(shè)備正常工作時(shí)的功率波動(dòng)或其他干擾導(dǎo)致的負(fù)荷功率變化，需要事先設(shè)定一個(gè)功率躍變閾值ΔPset，只有當(dāng)負(fù)荷功率變化的絕對(duì)值大于ΔPset時(shí)，才認(rèn)為有設(shè)備被啟動(dòng)或者關(guān)閉。同時(shí)，根據(jù)負(fù)荷功率的跌落值，以及功率跌落發(fā)生后的Ts個(gè)時(shí)段內(nèi)的負(fù)荷功率變化狀態(tài)確定子序列的結(jié)束點(diǎn)。這是由于功率的跌落不只是發(fā)生在設(shè)備的關(guān)閉時(shí)刻，也可能發(fā)生在設(shè)備工作模式的轉(zhuǎn)換期間，因此如果功率跌落大于閾值，還需要判斷跌落后的負(fù)荷功率值P(t+1)以及在t之后的Ts個(gè)時(shí)段內(nèi)負(fù)荷功率是否進(jìn)入平穩(wěn)狀態(tài)。

在Matlab環(huán)境下實(shí)現(xiàn)了負(fù)荷數(shù)據(jù)分割算法。表1給出了負(fù)荷時(shí)間序列分割算法的偽代碼。

表1 負(fù)荷數(shù)據(jù)分割算法偽代碼

Table 1 Pseudocodes for proposed load profile segmentation algorithm

注：輸入為用戶負(fù)荷時(shí)間序列；輸出為負(fù)荷數(shù)據(jù)分割結(jié)果；ΔP(t)=P(t+1)-P(t)。

上述算法中相關(guān)參數(shù)的設(shè)置對(duì)算法執(zhí)行效果有重要影響。在針對(duì)具體負(fù)荷數(shù)據(jù)進(jìn)行設(shè)備識(shí)別時(shí)，算法參數(shù)與負(fù)荷數(shù)據(jù)的特點(diǎn)密切相關(guān)，如何針對(duì)不同負(fù)荷情形確定最優(yōu)參數(shù)設(shè)置是一個(gè)值得研究的重要問題。在本文中，采用了一種啟發(fā)式方法，即通過在數(shù)據(jù)實(shí)驗(yàn)中測試不同的參數(shù)設(shè)置對(duì)結(jié)果的影響來選擇最合適的參數(shù)。

2.2 基于DTW相似度量的負(fù)荷設(shè)備識(shí)別方法

在獲得了負(fù)荷數(shù)據(jù)的分割結(jié)果后，將每個(gè)子序列和已知的設(shè)備參考序列進(jìn)行DTW匹配，記錄每次匹配計(jì)算所得到的DTW距離值和序列匹配的映射關(guān)系。選擇DTW距離值最小的匹配結(jié)果作為負(fù)荷設(shè)備識(shí)別結(jié)果，同時(shí)判斷DTW距離值是否大于閾值。如果小于閾值則設(shè)備識(shí)別結(jié)束；如果大于閾值，則表明此序列中同時(shí)還有其他設(shè)備，需要從含多臺(tái)設(shè)備的負(fù)荷序列中剔除已識(shí)別設(shè)備。每次將負(fù)荷子序列和設(shè)備耗電功率參考序列進(jìn)行DTW匹配時(shí)，會(huì)把變化趨勢(shì)最相似的點(diǎn)自動(dòng)匹配，并將變化最顯著的設(shè)備識(shí)別出來。因此，只需依據(jù)DTW匹配時(shí)已經(jīng)記錄的序列匹配的映射關(guān)系，將已識(shí)別出的設(shè)備耗電功率參考序列從負(fù)荷序列中減去，然后對(duì)負(fù)荷序列繼續(xù)進(jìn)行分割，進(jìn)而識(shí)別分割后的負(fù)荷序列直到每個(gè)子序列進(jìn)行匹配后的DTW距離值小于閾值，則識(shí)別結(jié)束。圖2為一組DTW匹配時(shí)的序列映射關(guān)系示意圖。

負(fù)荷序列表示從某個(gè)未知時(shí)刻開始的時(shí)間長度為24 min的負(fù)荷耗電功率曲線。該段負(fù)荷由3臺(tái)設(shè)備構(gòu)成：在第1～6 min為空調(diào)負(fù)荷，第9～22 min為洗碗機(jī)負(fù)荷，第11～24 min為洗衣機(jī)負(fù)荷。從圖2所示的映射關(guān)系可知，此時(shí)該負(fù)荷序列的最優(yōu)DTW匹配是洗碗機(jī)的參考功率序列，且只有第9～22 min的序列值匹配到了洗碗機(jī)的參考序列上。因此洗碗機(jī)設(shè)備將首先被識(shí)別出來，然后洗碗機(jī)的耗電功率參考序列將被從負(fù)荷序列中減去，繼續(xù)進(jìn)行其他電器設(shè)備的識(shí)別。

圖2 兩時(shí)間序列DTW匹配結(jié)果映射關(guān)系示意圖

R語言是一套具備數(shù)據(jù)處理、數(shù)學(xué)計(jì)算和統(tǒng)計(jì)制圖的完整軟件系統(tǒng)。由于其出色的數(shù)據(jù)分析功能，近年來在數(shù)據(jù)挖掘領(lǐng)域得到了廣泛的應(yīng)用。借助于其豐富的計(jì)算包[26]，R語言可以靈活地實(shí)現(xiàn)針對(duì)不同領(lǐng)域的不同問題的數(shù)據(jù)分析。本文中，利用R語言中高效的DTW計(jì)算包來輔助實(shí)現(xiàn)所提出的負(fù)荷設(shè)備識(shí)別算法。表2 給出了利用R語言實(shí)現(xiàn)負(fù)荷設(shè)備識(shí)別算法時(shí)的偽代碼。

表2 負(fù)荷設(shè)備識(shí)別算法偽代碼

Table 2 Pseudocodes for proposed appliance identification algorithm

注：輸入為負(fù)荷時(shí)間序列的分割結(jié)果；輸出為設(shè)備識(shí)別結(jié)果列表；N為分割結(jié)果中子序列的總數(shù)；M為電器設(shè)備總個(gè)數(shù)。

3 居民負(fù)荷模型構(gòu)建

采用前文介紹的負(fù)荷設(shè)備識(shí)別算法，可確定構(gòu)成各個(gè)時(shí)刻用戶負(fù)荷的用電設(shè)備，并識(shí)別用戶在這些時(shí)段使用不同電器設(shè)備的行為習(xí)慣。這樣，就可利用負(fù)荷設(shè)備識(shí)別結(jié)果建立能夠明確各個(gè)時(shí)段內(nèi)系統(tǒng)負(fù)荷成分的用戶負(fù)荷模型，即明確各個(gè)時(shí)段內(nèi)構(gòu)成負(fù)荷的設(shè)備組合，并識(shí)別用戶在這些時(shí)段使用不同電器設(shè)備的行為習(xí)慣。

(10)

式中β0,t為服從特定分布的隨機(jī)變量，表示系統(tǒng)總負(fù)荷中未被識(shí)別的電器設(shè)備所構(gòu)成的負(fù)荷。由于設(shè)備識(shí)別存在誤差，該常數(shù)項(xiàng)也包括了識(shí)別結(jié)果和系統(tǒng)實(shí)際負(fù)荷之間存在的誤差。

式(10)給出了能夠明確各種負(fù)荷成分的系統(tǒng)負(fù)荷模型，根據(jù)各個(gè)電器設(shè)備的負(fù)荷特性，可利用該負(fù)荷模型進(jìn)行精確而有目標(biāo)性的需求側(cè)管理，也可以分析用戶的用電行為特性，輔助零售商制定合適的售電策略。不過，這些內(nèi)容已經(jīng)超出了本文的研究范圍，不再贅述。

在式(10)中，β0,t和βi,t均是根據(jù)電器設(shè)備識(shí)別結(jié)果統(tǒng)計(jì)得到的隨機(jī)變量。因此，需要對(duì)這些參數(shù)的分布形態(tài)進(jìn)行推斷。在實(shí)際中，用戶使用某些設(shè)備的行為可能存在關(guān)聯(lián)，但研究這種行為的關(guān)聯(lián)性本身就是一個(gè)復(fù)雜的問題，本文不對(duì)此展開研究。為簡化處理，假定用戶對(duì)各個(gè)設(shè)備的使用行為之間相互獨(dú)立，這樣就可以分別對(duì)式(10)中的各個(gè)系數(shù)進(jìn)行分布檢驗(yàn)。由于無法事先對(duì)β0,t和βi,t的分布形態(tài)作簡單假定，故只能根據(jù)設(shè)備識(shí)別結(jié)果中的樣本數(shù)據(jù)對(duì)這些參數(shù)的分布形態(tài)進(jìn)行推斷。上述問題屬于非參數(shù)檢驗(yàn)的研究范疇，因此這里采用著名的統(tǒng)計(jì)分析軟件SPSS[27]，并應(yīng)用單樣本非參數(shù)檢驗(yàn)方法對(duì)這些隨機(jī)變量的分布形態(tài)進(jìn)行分析。

SPSS軟件中包括4種單樣本非參數(shù)檢驗(yàn)方法，即總體分布的卡方(Chi-square)檢驗(yàn)、二項(xiàng)分布(Binomial) 檢驗(yàn)、單樣本K-S(Kolmogorov-Smirnov)檢驗(yàn)、單樣本變量值隨機(jī)性檢驗(yàn)(Runs Test)。其中，總體分布的卡方檢驗(yàn)適用于配合度檢驗(yàn)，其根據(jù)樣本數(shù)據(jù)的實(shí)際頻數(shù)推斷總體分布與期望分布或理論分布是否具有顯著差異，常用于分析多個(gè)變量之間的關(guān)聯(lián)性; 或基于樣本數(shù)據(jù)分析多個(gè)變量之間是否滿足特定的比例關(guān)系。二項(xiàng)分布檢驗(yàn)主要針對(duì)只有兩類取值的問題，通過分析樣本數(shù)據(jù)，檢驗(yàn)總體是否服從參數(shù)為P值的二項(xiàng)分布。單樣本K-S檢驗(yàn)則利用樣本數(shù)據(jù)推斷總體是否與某一理論分布 (如正態(tài)分布、均勻分布、泊松分布、指數(shù)分布等) 有顯著差異，屬于擬合優(yōu)度的非參數(shù)檢驗(yàn)方法，適用于分析連續(xù)型隨機(jī)變量的分布。單樣本變量隨機(jī)性檢驗(yàn)也被稱為游程檢驗(yàn)，用于檢驗(yàn)?zāi)匙兞康娜≈凳欠駷殡S機(jī)過程。

本文首先使用游程檢驗(yàn)排除設(shè)備數(shù)量的取值為隨機(jī)過程，然后采用單樣本K-S檢驗(yàn)方法對(duì)給定時(shí)段內(nèi)各類電器設(shè)備數(shù)量的分布形態(tài)進(jìn)行檢驗(yàn)。

此外，如何適當(dāng)確定負(fù)荷模型中每個(gè)時(shí)段的長度，也是一個(gè)需要考慮的問題。在實(shí)際應(yīng)用中，如果時(shí)段t的長度太短，就會(huì)導(dǎo)致隨機(jī)變量的樣本數(shù)據(jù)量減少，導(dǎo)致參數(shù)估計(jì)不準(zhǔn)確，這樣時(shí)段長度的取值不能過小，可以針對(duì)具體應(yīng)用情形適當(dāng)確定。

4 仿真結(jié)果分析

4.1 負(fù)荷設(shè)備識(shí)別

盡管目前已有一些關(guān)于用戶負(fù)荷設(shè)備識(shí)別的文獻(xiàn)，但其中的數(shù)據(jù)多是非開源的。文獻(xiàn)[1]在實(shí)驗(yàn)室環(huán)境內(nèi)以s為采樣單位測得并公開了31種家庭常用電器設(shè)備的有功功率數(shù)據(jù)?；谖墨I(xiàn)[1]的電器設(shè)備耗電功率數(shù)據(jù)，文獻(xiàn)[28]發(fā)展了智能電網(wǎng)環(huán)境下的負(fù)荷數(shù)據(jù)生成器，其根據(jù)事先給定的用戶用電行為參數(shù)(如工作時(shí)間、休息時(shí)間等)、家用電器列表以及各個(gè)電器的功率數(shù)據(jù)最終生成家庭用戶負(fù)荷數(shù)據(jù)。本文利用該生成器所產(chǎn)生的負(fù)荷數(shù)據(jù)進(jìn)行數(shù)據(jù)實(shí)驗(yàn)。

4.1.1 待識(shí)別電器設(shè)備的選取

文獻(xiàn)[28]利用由12種電器設(shè)備組成的備選庫來生成負(fù)荷數(shù)據(jù)。這些電器設(shè)備分別為：空調(diào)、冰箱、熱水器、洗衣機(jī)、洗碗機(jī)、微波爐、電爐灶、電視機(jī)、電熨斗、烘干機(jī)、冷藏柜、真空吸塵器。在這些電器設(shè)備中，有些具有典型特點(diǎn)，如：(1)常開電器，包括冰箱、冷藏柜等；(2)短時(shí)使用設(shè)備，如微波爐、電熨斗、真空吸塵器等；(3)小功率設(shè)備，如電視機(jī)等。需要指出，對(duì)上述電器設(shè)備特點(diǎn)的劃分主要依據(jù)其在負(fù)荷數(shù)據(jù)生成器中的能耗特性。

上述這些具有典型特點(diǎn)的設(shè)備都有一個(gè)共同特征：其能耗不構(gòu)成用戶負(fù)荷的主要組成部分。因此，這里選取剩余的6種電器設(shè)備進(jìn)行負(fù)荷識(shí)別，即空調(diào)、熱水器、洗衣機(jī)、洗碗機(jī)、電爐灶和烘干機(jī)。在附圖A1中給出了一組采樣頻率為每30 s 1次時(shí)這6種電器設(shè)備的耗電功率參考曲線。

4.1.2 參數(shù)設(shè)置和結(jié)果統(tǒng)計(jì)分析

以500組采樣頻率為每min 1次的負(fù)荷數(shù)據(jù)作實(shí)驗(yàn)樣本，對(duì)所提出的負(fù)荷識(shí)別算法進(jìn)行測試。由于上述生成器產(chǎn)生的數(shù)據(jù)是以s為時(shí)間單位的，需要對(duì)負(fù)荷數(shù)據(jù)樣本進(jìn)行適當(dāng)處理。首先，通過取時(shí)段內(nèi)負(fù)荷的平均值，將以s為時(shí)間單位的負(fù)荷數(shù)據(jù)轉(zhuǎn)化成以min為單位的?？紤]到取時(shí)段內(nèi)負(fù)荷的平均值和實(shí)際中以min為單位采集所得的負(fù)荷數(shù)據(jù)有一定差別，算例中對(duì)取平均值和整分鐘取值2種情形進(jìn)行了對(duì)比，結(jié)果見表3。然后，對(duì)負(fù)荷數(shù)據(jù)進(jìn)行分割。附圖A2給出了對(duì)部分負(fù)荷數(shù)據(jù)進(jìn)行分割的結(jié)果。

參數(shù)的合理設(shè)置對(duì)負(fù)荷設(shè)備的精確識(shí)別至關(guān)重要。表3給出了在不同參數(shù)設(shè)置情形下設(shè)備識(shí)別結(jié)果的統(tǒng)計(jì)數(shù)據(jù)。其中：Nsigl表示只包含單個(gè)電器設(shè)備的子序列數(shù)量；Nmult表示同時(shí)含有多臺(tái)電器設(shè)備的子序列數(shù)量；ηsigl和ηmult分別表示所提算法對(duì)單設(shè)備子序列和多設(shè)備子序列的準(zhǔn)確識(shí)別率；ηavg為ηsigl和ηmult的算術(shù)平均值。

由于實(shí)驗(yàn)數(shù)據(jù)是利用文獻(xiàn)[28]中的居民負(fù)荷數(shù)據(jù)生成器所產(chǎn)生的數(shù)據(jù)，因此通過將識(shí)別結(jié)果和原始數(shù)據(jù)中的電器狀態(tài)進(jìn)行校驗(yàn)來統(tǒng)計(jì)準(zhǔn)確率。具體為：對(duì)于識(shí)別結(jié)果中的每個(gè)時(shí)刻的每個(gè)電器設(shè)備，當(dāng)其被識(shí)別出的狀態(tài)與原始數(shù)據(jù)中的電器狀態(tài)相同時(shí)，則表示準(zhǔn)確識(shí)別1次，否則為錯(cuò)誤識(shí)別1次，將總的準(zhǔn)確識(shí)別次數(shù)累加，其占總識(shí)別次數(shù)的百分比就是本文中的準(zhǔn)確率。將單設(shè)備和多設(shè)備子序列的識(shí)別結(jié)果分別進(jìn)行統(tǒng)計(jì)即可得ηsigl和ηmult，由于居民負(fù)荷序列只包含單設(shè)備和多設(shè)備子序列，因此將ηsigl和ηmult進(jìn)行算術(shù)平均，就可得總體識(shí)別準(zhǔn)確率。

4.1.3 與其他負(fù)荷識(shí)別算法的性能比較

由于目前還不存在被普遍認(rèn)可和接受的測試算例，因此很難對(duì)不同的負(fù)荷識(shí)別算法直接進(jìn)行性能比較。此外，盡管計(jì)算效率是負(fù)荷識(shí)別算法很重要的一個(gè)方面，但已有研究通常很少展示所提算法的計(jì)算效率而只著重在算法的識(shí)別準(zhǔn)確率。鑒于上述因素，如果要對(duì)不同的負(fù)荷識(shí)別算法進(jìn)行比較，就需要重新編碼實(shí)現(xiàn)這些算法。

在文獻(xiàn)[29]中作者對(duì)其所提出的負(fù)荷識(shí)別算法的計(jì)算效率進(jìn)行了分析，并給出了進(jìn)行數(shù)據(jù)實(shí)驗(yàn)時(shí)的算法執(zhí)行時(shí)間。本文在Matlab中重新編碼實(shí)現(xiàn)了文獻(xiàn)[29]中所提出的 PALDi (particle filter-based load disaggregation)負(fù)荷識(shí)別算法，在確保PALDi算法的執(zhí)行效果與文獻(xiàn)[28]中相一致的前提下，將其與本文所提出的DTWAI (dynamic time warping based appliance identification)負(fù)荷識(shí)別算法進(jìn)行了對(duì)比，計(jì)算結(jié)果見表4。在對(duì)比算例中，有6種電器設(shè)備參與識(shí)別，PALDi算法中的粒子數(shù)取為100，表4中的結(jié)果為多次運(yùn)行結(jié)果的平均值。從表4中的結(jié)果可以看出，識(shí)別相同的負(fù)荷數(shù)據(jù)時(shí)，本文所提出的算法在運(yùn)算效率和識(shí)別準(zhǔn)確率方面都更優(yōu)。

表3 數(shù)字實(shí)驗(yàn)中的參數(shù)設(shè)置和識(shí)別結(jié)果

Table 3 Parameter setting and identification results in numerical experiments

表4 所提出的負(fù)荷識(shí)別算法與 PALDi 算法的性能對(duì)比

相比于高頻率采樣時(shí)，在低采樣頻率下電器設(shè)備的功率波形特征會(huì)被削弱，將影響負(fù)荷識(shí)別的準(zhǔn)確率。但由于此時(shí)需要處理的數(shù)據(jù)量減小，負(fù)荷識(shí)別的運(yùn)算速度將會(huì)大幅提高?？奢o助以電器設(shè)備的其他電氣特征，如電器的使用時(shí)間、無功功率、電流和電壓波形等來提高識(shí)別的準(zhǔn)確率。在可接受的準(zhǔn)確率水平下，更高效的負(fù)荷識(shí)別算法將更有利于在智能電網(wǎng)的大數(shù)據(jù)環(huán)境下對(duì)負(fù)荷信息進(jìn)行挖掘。

針對(duì)不同采樣頻率下的負(fù)荷數(shù)據(jù)，采用上述方法進(jìn)行了負(fù)荷識(shí)別，圖3中給出了識(shí)別準(zhǔn)確率統(tǒng)計(jì)結(jié)果。從圖3可以看出，隨著數(shù)據(jù)采樣頻率的降低，識(shí)別難度逐漸增加，識(shí)別準(zhǔn)確率隨之降低。當(dāng)采樣頻率為每3 min 1次時(shí)，多設(shè)備負(fù)荷序列識(shí)別準(zhǔn)確率下降到72.84%。

圖3 不同采樣頻率下負(fù)荷識(shí)別準(zhǔn)確率

4.2 負(fù)荷模型系數(shù)檢驗(yàn)

前已述及，在建立負(fù)荷統(tǒng)計(jì)模型時(shí)，時(shí)段長度不能太短，在本算例中，選取時(shí)段長度為0.5 h。在4.1小節(jié)中已經(jīng)獲得了500組負(fù)荷數(shù)據(jù)在每個(gè)時(shí)刻的電器設(shè)備識(shí)別結(jié)果；以此為基礎(chǔ)，利用式(10)所描述的負(fù)荷模型，可以方便地求得每個(gè)時(shí)刻對(duì)應(yīng)的系數(shù)值，見附表A1。由于希望得到的是式(10)所示的統(tǒng)計(jì)系數(shù)模型，因此可利用SPSS非參數(shù)檢驗(yàn)對(duì)各個(gè)時(shí)刻的模型系數(shù)結(jié)果進(jìn)行統(tǒng)計(jì)分析，最終即可獲得負(fù)荷模型統(tǒng)計(jì)系數(shù)的分布形態(tài)，表5給出了相應(yīng)的統(tǒng)計(jì)分析結(jié)果。

表5 負(fù)荷統(tǒng)計(jì)模型系數(shù)的單樣本K-S檢驗(yàn)結(jié)果

Table 5 One-sample K-S test results for all coefficients in load statistical model

表5中給出了對(duì)于第2個(gè)時(shí)段 (31～60 min) 的數(shù)據(jù)，利用SPSS非參數(shù)檢驗(yàn)進(jìn)行分析所得到的結(jié)果。由于所選取的時(shí)段長度為0.5 h，因此在每個(gè)時(shí)段內(nèi)總共有30個(gè)樣本數(shù)據(jù)。又由于數(shù)據(jù)試驗(yàn)中所使用的500組負(fù)荷數(shù)據(jù)是對(duì)500個(gè)居民用戶進(jìn)行仿真所生成的數(shù)據(jù)，而負(fù)荷模型是針對(duì)1個(gè)居民用戶的，因此沒有同時(shí)使用500組負(fù)荷數(shù)據(jù)做統(tǒng)計(jì)分析。在顯著性水平為0.05的條件下，β0、β1和β2的單樣本非參數(shù)檢驗(yàn)結(jié)果中的顯著性水平，即表5中的P值，分別為0.229、0.369和0.462，均大于0.05，也即接受其服從均勻分布的原假設(shè)。β3、β5和β6的單樣本非參數(shù)檢驗(yàn)結(jié)果中的顯著性水平分別為0.600、0.235和 0.146，都大于0.05，也接受其原假設(shè)，即均服從泊松分布。對(duì)于β4，由于在所分析的時(shí)段內(nèi)，該設(shè)備對(duì)應(yīng)的識(shí)別結(jié)果保持不變，即為常數(shù)，因此沒有必要對(duì)此系數(shù)進(jìn)行統(tǒng)計(jì)分析。

需要特別指出，在某些電器設(shè)備如電爐灶的使用過程中，由于工作模式的調(diào)整其耗電功率會(huì)發(fā)生變化。因此，本文在對(duì)此類設(shè)備求解負(fù)荷模型系數(shù)時(shí)，均采用設(shè)備的平均耗電功率。但在負(fù)荷識(shí)別時(shí)，則是以此類設(shè)備的典型波動(dòng)負(fù)荷曲線作為參考序列的。

4.3 結(jié)果分析

從表3列出的數(shù)據(jù)實(shí)驗(yàn)結(jié)果中可以看出，對(duì)于僅含單臺(tái)設(shè)備的負(fù)荷子序列，能夠獲得相當(dāng)滿意的識(shí)別結(jié)果。然而，對(duì)于含有多臺(tái)設(shè)備的子序列，其識(shí)別結(jié)果的準(zhǔn)確性則尚有較大的提升空間。這是因?yàn)椋?1)多臺(tái)設(shè)備的同時(shí)運(yùn)行會(huì)使各個(gè)設(shè)備的功率曲線特征在總功率曲線中被弱化(例如，2個(gè)功率不同的設(shè)備同時(shí)運(yùn)行時(shí)，功率之和可能接近另外某一個(gè)設(shè)備的耗電功率；也有可能2臺(tái)耗電功率波動(dòng)的設(shè)備同時(shí)運(yùn)行，功率疊加的結(jié)果更近似于另一臺(tái)平穩(wěn)功率運(yùn)行的設(shè)備)。(2)在由多臺(tái)設(shè)備組成的子序列中，其中所包含的不同設(shè)備的運(yùn)行時(shí)間一般有差異，因此在生成電器設(shè)備的參考序列時(shí)，其時(shí)間長度難以適當(dāng)確定，也會(huì)導(dǎo)致識(shí)別的準(zhǔn)確率降低。

除了上述因素外，負(fù)荷設(shè)備識(shí)別算法的準(zhǔn)確性還受功率閾值ΔPset、時(shí)間閾值Ts、電器設(shè)備耗電功率參考序列等的影響。功率閾值和時(shí)間閾值直接影響負(fù)荷時(shí)間序列的分割結(jié)果，分割結(jié)果中各個(gè)子序列的復(fù)雜度相應(yīng)地決定了基于DTW設(shè)備識(shí)別方法的匹配難度。例如，在分割過程中，如果能將使用時(shí)間上鄰近的2個(gè)設(shè)備分為2個(gè)子序列，與將2個(gè)子序列分割在一起作為一個(gè)多設(shè)備負(fù)荷序列相比，在DTW匹配處理時(shí)后者增加了識(shí)別算法的復(fù)雜程度。再者，由于電器設(shè)備實(shí)際運(yùn)行情況復(fù)雜多變，在有些情況下其耗電功率的典型特點(diǎn)表現(xiàn)的并不明顯，這也會(huì)增加其識(shí)別的難度，導(dǎo)致識(shí)別的準(zhǔn)確性降低。因此，需要建立包含更多耗電功率情形的電器設(shè)備功率參考序列集合。

表5中給出了系統(tǒng)負(fù)荷模型的相關(guān)結(jié)果，可以看出在基于設(shè)備識(shí)別結(jié)果所建立的負(fù)荷統(tǒng)計(jì)模型中，系數(shù)呈現(xiàn)出特定的分布規(guī)律。采用統(tǒng)計(jì)模型既能夠在一定程度上減小設(shè)備識(shí)別誤差的影響，又能夠借助這些參數(shù)的分布規(guī)律挖掘用戶用電行為特點(diǎn)。更為重要的是，所建立的負(fù)荷統(tǒng)計(jì)模型明確了系統(tǒng)負(fù)荷在各個(gè)時(shí)段內(nèi)的具體構(gòu)成，可以方便地用于需求側(cè)管理。

5 結(jié) 論

在智能電網(wǎng)環(huán)境下，利用智能計(jì)量設(shè)備能夠收集越來越多的用戶負(fù)荷數(shù)據(jù)。采用大數(shù)據(jù)挖掘方法對(duì)用戶負(fù)荷進(jìn)行處理，既能夠分析用戶用電行為習(xí)慣又可以輔助進(jìn)行負(fù)荷精確建模，進(jìn)而實(shí)現(xiàn)精確而有目標(biāo)性的需求側(cè)管理，或制定具有針對(duì)性的零售商售電策略。負(fù)荷設(shè)備識(shí)別是負(fù)荷數(shù)據(jù)挖掘的基礎(chǔ)。基于這樣的考慮，本文首先采用以動(dòng)態(tài)時(shí)間彎曲距離為基礎(chǔ)的時(shí)間序列匹配思想，提出了一種針對(duì)負(fù)荷低頻采樣的居民電器設(shè)備識(shí)別方法。在此基礎(chǔ)上，構(gòu)建了居民負(fù)荷統(tǒng)計(jì)模型，以便將負(fù)荷設(shè)備識(shí)別結(jié)果應(yīng)用于需求側(cè)管理和構(gòu)造電力零售策略。數(shù)據(jù)實(shí)驗(yàn)結(jié)果表明，在每min采樣1次負(fù)荷數(shù)據(jù)時(shí)，所提出的負(fù)荷設(shè)備識(shí)別方法對(duì)單設(shè)備負(fù)荷序列識(shí)別的準(zhǔn)確率超過93%，而對(duì)較難識(shí)別的多設(shè)備負(fù)荷序列準(zhǔn)確率則接近83%。

如何提升對(duì)多設(shè)備負(fù)荷序列識(shí)別的準(zhǔn)確率進(jìn)而對(duì)用戶用電行為進(jìn)行系統(tǒng)而深入的分析是下一步研究的主要內(nèi)容。

[1]REINHARDT A，BAUMANN P，BURGSTAHLER D，et al. On the accuracy of appliance identification based on distributed load metering data [C] // Proceedings of the Sustainable Internet and ICT for Sustainability. Pisa，Italy: IEEE，2012：1-9.

[2]XU Y，MILANOVIC J V. Artificial-intelligence-based methodology for load disaggregation at bulk supply point [J]. IEEE Transactions on Power Systems，2015，30(2)：795-803.

[3]余貽鑫，劉博，欒文鵬. 非侵入式居民電力負(fù)荷監(jiān)測與分解技術(shù) [J]. 南方電網(wǎng)技術(shù)，2013，7(4)：1-5.

YU Yixin，LIU Bo，LUAN Wenpeng. Noninstrusive residential load monitoring and decomposition technology [J]. Southern Power System Technology，2013，7(4)：1-5.

[4]FIGUEIREDO M，DE-ALMEIDA A，RIBEIRO B. Home electrical signal disaggregation for non-intrusive load monitoring (NILM) systems [J]. Neurocomputing，2012(96)：66-73.

[5]DONG M，MEIRA P C M，XU W，et al. Non-intrusive signature extraction for major residential loads [J]. IEEE Transactions on Smart Grid，2013，4(3)：1421-1430.

[6]LIANG J，NG S K K，KENDALL G，et al. Load signature study—Part I：basic concept，structure，and methodology [J]. IEEE Transactions on Power Delivery，2010，25(2)：551-560.

[7]MITTELSDORF M，HUWEL A，KLINGENBERG T，et al. Submeter based training of multi-class support vector machines for appliance recognition in home electricity consumption data [C] // Proceedings of the 2nd International Conference on Smart Grids and Green IT Systems，Aachen，Germany，2013：151-158.

[8]PARADISO F，PAGANELLI F，LUCHETTA A，et al. ANN-based appliance recognition from low-frequency energy monitoring data [C]//Proceedings of the 2013 IEEE 14th International Symposium and Workshops on a World of Wireless，Mobile and Multimedia Networks (WoWMoM). Madrid，Spain：IEEE，2013：1-6.

[9]RUZZELLI A G，NICOLAS C，SCHOOFS A，et al. Real-time recognition and profiling of appliances through a single electricity sensor [C] // Proceedings of the 2010 7th Annual IEEE Communications Society Conference on Sensor Mesh and Ad Hoc Communications and Networks (SECON). Boston，MA：IEEE，2010：1-9.

[10]PAGANELLI F，PARADISO F，TURCHI S，et al. Appliance recognition in an OSGi-based home energy management gateway [J/OL]. International Journal of Distributed Sensor Networks，2015：1-12. [2016-11-20].http：//www.hindawi.com/journals/ijdsn/2015/937356.

[11]BELLEY C，GABOURY S，BOUCHARD B，et al. An efficient and inexpensive method for activity recognition within a smart home based on load signatures of appliances [J]. Pervasive and Mobile Computing，2014，12(3)：58-78.

[12]MCLOUGHLIN F，DUFFY A，CONLON M. Characterising domestic electricity consumption patterns by dwelling and occupant socio-economic variables：an irish case study [J]. Energy and Buildings，2012，48(19)：240-248.

[13]林順富, 黃娜娜, 趙倫加, 等. 基于用戶行為的家庭日負(fù)荷曲線模型[J]. 電力建設(shè), 2016, 37(10): 114-121.

LIN Shunfu,HUANG Nana, ZHAO Lunjia, et al. Domestic daily load curve modeling based on user behavior [J]. Electric Power Construction, 2016, 37(10): 114-121.

[14]黎靜華, 葉柳. 基于出線的變電站綜合負(fù)荷建模方法 [J]. 電力建設(shè), 2014, 35(9): 7-12.

LI Jinghua，YE Liu. Outlet-based substation comprehensive load modeling method [J]. Electric Power Construction, 2014, 35(9): 7-12.

[15]鄭小霞，劉慶強(qiáng)，林順富，等. 面向非干預(yù)式負(fù)荷監(jiān)測的居民負(fù)荷微觀特性研究[J]. 電力系統(tǒng)保護(hù)與控制，2014，42(10)：62-71.

ZHENG Xiaoxia，LIU Qingqiang，LIN Shunfu，et al. Research of the microscopic signatures of residential loads for NILM [J]. Power System Protection and Control，2014，42(10)：62-71.

[16]高云，楊洪耕. 基于暫態(tài)特征貼近度匹配的家用負(fù)荷識(shí)別 [J]. 電力系統(tǒng)自動(dòng)化，2013，37(9)：54-58.

GAO Yun，YANG Honggeng. Household load identification based on closeness matching of transient characteristics [J]. Automation of Electric Power Systems，2013，37(9)：54-58.

[17]張紅梅，孫潔，許儀勛，等. 基于暫態(tài)特征聚類的家用負(fù)荷識(shí)別[J]. 電子技術(shù)與軟件工程，2015(6)：185-186.

[18]曲朝陽，于華濤，郭曉利. 基于開啟瞬時(shí)負(fù)荷特征的家電負(fù)荷識(shí)別 [J]. 電工技術(shù)學(xué)報(bào)，2015，30(1)：358-364.

QU Zhaoyang，YU Huatao，GUO Xiaoli. The recognition of appliances instantaneous load [J]. Transactions of China Electrotechnical Society，2015，30(1)：358-364.

[19]林順富，趙倫加，劉慶強(qiáng)，等. 基于0-1 二次規(guī)劃的非干預(yù)式負(fù)荷識(shí)別算法研究 [J]. 電力系統(tǒng)保護(hù)與控制，2016，44(8)：85-91.

LIN Shunfu，ZHAO Lunjia，LIU Qingqiang，et al. A nonintrusive load identification method based on quadratic 0-1 programming [J]. Power System Protection and Control，2016，44(8)：85-91.

[20]牛盧璐，賈宏杰. 一種適用于非侵入式負(fù)荷監(jiān)測的暫態(tài)事件檢測算法[J]. 電力系統(tǒng)自動(dòng)化，2011，35(9)：30-35.

NIU Lulu，JIA Hongjie. Transient event detection algorithm for non-intrusive load monitoring [J]. Automation of Electric Power Systems，2011，35(9)：30-35.

[21]趙云，錢斌，王科，等. 基于特征相似度的非侵入式用電負(fù)荷識(shí)別模型研究 [J]. 電氣應(yīng)用，2015(S)：199-203.

[22]王慶玉，張青青，張高峰，等. 譜聚類算法在家用負(fù)荷識(shí)別中的應(yīng)用[J]. 電測與儀表，2015，52(1)：119-123.

WANG Qingyu，ZHANG Qingqing，ZHANG Gaofeng，et al. Application of the spectral clustering algorithm to household load identification [J]. Electrical Measurement & Instrumentation，2015，52(1)：119-123.

[23]李坦，楊洪耕，高云. 智能電表家用負(fù)荷識(shí)別技術(shù)綜述 [J]. 供用電，2011，28(6)：39-42.

LI Tan，YANG Honggeng，GAO Yun. Overview of exploration on household load identification of intelligent metering [J]. Distribution & Utilization，2011，28(6)：39-42.

[24]BERNDT D，CLIFFORD J. Using dynamic time warping to find patterns in time series [R]//AAAI-94 Workshop on Knowledge Discovery in Databases. New York: AAAI, 1994.

[25]KEOGH E，RATANAMAHATANA C A. Exact indexing of dynamic time warping [J]. Knowledge and Information Systems，2005，7(3)：358-386.

[26]GIORGINO T. Computing and visualizing dynamic time warping alignments in R：the DTW package [J]. Journal of Statistical Software，2009，31(7)：1-24.

[27]CORDER G W，F(xiàn)OREMAN D I. Nonparametric statistics for non-statisticians：a step-by-step approach [M]. USA：John Wiley & Sons，2009.

[28]KONG W，DONG Z Y，CHEN G，et al. A rule based domestic load profile generator for future smart grid [C] // Proceedings of the 2014 IEEE Australasian Universities Power Engineering Conference (AUPEC). Perth，WA：IEEE，2014：1-5.

[29]EGARTER D，BHUVANA V P，ELMENREICH W. PALDi：online load disaggregation via particle filtering[J]. IEEE Transactions on Instrumentation and Measurement，2014，64(2)：467-477.

(編輯 張媛媛)

附錄A

圖A1 電氣設(shè)備耗電功率參考序列

注：圖A1中橫坐標(biāo)表示采樣時(shí)間間隔 (為0.5 min)；縱坐標(biāo)表示電氣設(shè)備的耗電功率 ，W；Aircon / Cooking Stove/Dishwasher / Laundry Dryer / Washing Machine/Water Heater 分別表示空調(diào)/電爐灶/洗碗機(jī)/烘干機(jī)/洗衣機(jī)/熱水器。

Residential Appliance Identification and Load Modeling Based on Big Data Mining in Smart Grid Environment

YANG Jiajia1, ZHAO Junhua2, WEN Fushuan3,4, DONG Zhaoyang5, XUE Yusheng6

(1. School of Electrical and Information Engineering,University of Sydney, Sydney 2006, Australia; 2. The Chinese University of Hong Kong, Shenzhen 518100,Guangdong Province, China; 3. College of Electrical Engineering, Zhejiang University, Hangzhou 310027, China; 4. Department of Electrical and Electronic Engineering, Universiti Teknologi Brunei, Bandar Seri Begawan BE1410, Brunei; 5. Electric Power Research Institute,China Southern Power Grid, Guangzhou 510080, China; 6. NARI Group Corporation/State Grid Electric Power Research Institute, Nanjing 211106, China)

Through big data mining of residential load data, it can not only analyze the electricity consumption behaviour of residents by the identification of electrical load equipment, but also establish the load precise modeling, which can realize targeted demand-side management as well as develop customized electricity retailing strategies. Given this background, based on the dynamic time warping (DTW) time series matching method, this paper proposes a novel appliance identification algorithm for low frequency sampling load data. Firstly, the residential load sequence is segmented into subsequences composed of the single appliance load profile and multi-appliance load profile. Then, according to the time length of subsequences to be identified and measured electrical equipment power consumption data, reference load sequences of all given appliances are generated which have the same length of each query subsequence, including power change from the moment before equipment start to that after equipment shutdown. Finally, the DTW distance is taken as the similarity metric to determine recognition results. For a subsequence composed of multiple appliances, the best matched reference sequence is reduced after each DTW is matched, and then segmentation and DTW matching are carried on until all appliances are extracted. Given the status of all identified appliances, a statistical residential load model is developed. The proposed algorithm is coded in the R programming language and tested through a load dataset containing 500 households profiles. The simulation results show that the proposed algorithm could identify the single appliance load subsuquence at an accuracy above 93%, under the condition that the load data is sampled once every minute; while for the more difficult multi-appliance subsequence identification, the achieved accuracy is around 83%.

smart grid; data mining; R programming language; dynamic time warping (DTW); appliance identification; load modeling

圖A2 用戶負(fù)荷時(shí)間序列分割結(jié)果

國家自然科學(xué)基金項(xiàng)目 (51477151)；南方電網(wǎng)公司科技項(xiàng)目 (WYKJ00000027)

TM 73

A

1000-7229(2016)12-0011-13

10.3969/j.issn.1000-7229.2016.12.002

2016-09-08

楊甲甲(1989)，男，博士研究生，主要從事電力經(jīng)濟(jì)與電力市場、智能電網(wǎng)、可再生能源接入等方面的研究工作；

趙俊華(1980)，男，“青年千人計(jì)劃”入選者，副教授，本文通信作者，主要從事電力系統(tǒng)分析與計(jì)算、智能電網(wǎng)、計(jì)算智能方法在電力系統(tǒng)中的應(yīng)用、電力經(jīng)濟(jì)與電力市場等方面的研究工作；

文福拴(1965)，男，教授，博士生導(dǎo)師，主要從事電力系統(tǒng)故障診斷與系統(tǒng)恢復(fù)、電力經(jīng)濟(jì)與電力市場、智能電網(wǎng)與電動(dòng)汽車等方面的研究工作；

董朝陽(1971)，男，“千人計(jì)劃”特聘專家，講座教授，主要從事電力系統(tǒng)安全性、電力系統(tǒng)規(guī)劃與管理、電力市場仿真與風(fēng)險(xiǎn)管理、數(shù)據(jù)挖掘等方面的研究工作；

薛禹勝(1941)，男，中國工程院院士，博士生導(dǎo)師，名譽(yù)院長，主要從事電力系統(tǒng)自動(dòng)化方面的研究工作。

Project supported by National Natural Science Foundation of China (51477151)