基于穩(wěn)態(tài)波形分解與神經(jīng)網(wǎng)絡(luò)的負(fù)荷識(shí)別方法

陳偉偉，洪彬倬

(1.廣東電網(wǎng)有限責(zé)任公司河源供電局，廣東 河源 517000；2.廣東電網(wǎng)有限責(zé)任公司陽(yáng)江供電局，廣東 陽(yáng)江 529500)

電力是當(dāng)今社會(huì)中應(yīng)用最為廣泛的能源之一。為了給用戶提供更加可靠、綠色的電能和減緩全球變暖及氣候改變所帶來(lái)的影響，家庭用戶用電負(fù)荷細(xì)節(jié)監(jiān)測(cè)是實(shí)現(xiàn)智能用電的重要環(huán)節(jié)，負(fù)荷監(jiān)測(cè)通過(guò)對(duì)用戶的用電行為進(jìn)行采樣、分析與記錄，監(jiān)測(cè)用戶側(cè)的每一種電器的使用狀況，以獲得電力用戶每種電器的電量消耗情況和用電行為等具體數(shù)據(jù)信息。以前，家庭用戶負(fù)荷監(jiān)測(cè)通常是采集用戶側(cè)的總負(fù)荷數(shù)據(jù)，若能分別對(duì)每種電器設(shè)備運(yùn)行狀態(tài)進(jìn)行監(jiān)測(cè)，就能更加有利于智能電網(wǎng)的建設(shè)。在智能電網(wǎng)中，非侵入式負(fù)荷監(jiān)測(cè)(NILM)系統(tǒng)具有廣泛的應(yīng)用前景，能為用戶、電力公司等多方面帶來(lái)效益[1-4]。家庭用戶是智能用電的主要研究對(duì)象，用電負(fù)荷具有數(shù)量多、電器狀況多變的特點(diǎn)，家庭用戶對(duì)NILM的要求比工商業(yè)用戶的技術(shù)要求要高。NILM是指利用安裝在電力入口處的監(jiān)測(cè)設(shè)備，分析并處理總負(fù)荷數(shù)據(jù)，從而得到系統(tǒng)內(nèi)部用電設(shè)備狀態(tài)[5]。NILM技術(shù)對(duì)用戶的總用電負(fù)荷數(shù)據(jù)的分析和判定，得到精確的用戶負(fù)荷分類(lèi)與電器使用狀態(tài)數(shù)據(jù)，是解決智能用電負(fù)荷數(shù)據(jù)監(jiān)測(cè)困難的有效途徑。非侵入式負(fù)荷監(jiān)測(cè)主要有兩類(lèi)方案：一類(lèi)方案在每個(gè)用戶電表出口處加裝具有數(shù)據(jù)采樣、監(jiān)測(cè)與判斷功能的NILM裝置，直接在用戶側(cè)實(shí)現(xiàn)非侵入式的用電負(fù)荷監(jiān)測(cè)，再經(jīng)過(guò)通信通道將采集到的負(fù)荷狀況信息傳輸至電網(wǎng)；另一個(gè)方案是僅依靠現(xiàn)有的用電負(fù)荷信息采集系統(tǒng)中的信息采集設(shè)備和電網(wǎng)通訊網(wǎng)絡(luò)，采用高級(jí)的智能通訊技術(shù)獲取精確細(xì)分的家庭用電負(fù)荷設(shè)備信息，再利用云端運(yùn)行先進(jìn)的負(fù)荷判別算法，實(shí)現(xiàn)NILM。NILM對(duì)于用戶來(lái)說(shuō)可以實(shí)時(shí)獲取家庭用電設(shè)備狀態(tài)，實(shí)現(xiàn)合理規(guī)劃用電，減少用電開(kāi)支[6-8]。對(duì)于電力部門(mén)來(lái)說(shuō)，可以使決策者了解電力系統(tǒng)內(nèi)部各類(lèi)負(fù)荷的含量和狀態(tài)，以及每類(lèi)負(fù)荷的用電量與用電時(shí)間，從而幫助決策者科學(xué)安排負(fù)荷投切，實(shí)現(xiàn)電力系統(tǒng)高效、穩(wěn)定運(yùn)行[9]。近來(lái)有國(guó)內(nèi)外不少學(xué)者對(duì)NILM方法開(kāi)展研究，用于解決智能用電家庭負(fù)荷數(shù)據(jù)的采樣和上傳、負(fù)荷特征的確定與判斷以及用電行為分析等技術(shù)研究難題，提高了用電負(fù)荷采樣的效率和監(jiān)測(cè)的精確度，為電能合理分配與電量定價(jià)等服務(wù)提供技術(shù)支持。文獻(xiàn)[10]采用了差分進(jìn)化算法，利用功率實(shí)現(xiàn)負(fù)荷識(shí)別，對(duì)大功率負(fù)荷有著較好的效果，但對(duì)于功率較小的負(fù)荷識(shí)別效果差。文獻(xiàn)[11]采用了差量特征提取與模糊聚類(lèi)算法對(duì)負(fù)荷類(lèi)型進(jìn)行識(shí)別，卻無(wú)法解決多種類(lèi)型符合同時(shí)開(kāi)啟的問(wèn)題。文獻(xiàn)[12]利用動(dòng)態(tài)實(shí)現(xiàn)彎曲(DTW)算法對(duì)負(fù)荷進(jìn)行識(shí)別，利用穩(wěn)態(tài)波形分解得到的波形與數(shù)據(jù)庫(kù)的波形進(jìn)行匹配，該算法計(jì)算量較大，識(shí)別效率較低，不適合在線運(yùn)行。針對(duì)上述問(wèn)題，本文提出一種基于穩(wěn)態(tài)波形分解的BP神經(jīng)網(wǎng)絡(luò)識(shí)別方法，該方法首先利用采集單個(gè)用電器的諧波特征進(jìn)行網(wǎng)絡(luò)訓(xùn)練得出神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值。然后再在線運(yùn)行時(shí)利用穩(wěn)態(tài)電流分解，得到新投入用電器的諧波特征，而后結(jié)合訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值實(shí)現(xiàn)對(duì)負(fù)荷的識(shí)別。該方法具有識(shí)別精度高，運(yùn)算量小的特點(diǎn)，硬件設(shè)備簡(jiǎn)單易于實(shí)現(xiàn)等特點(diǎn)，特別適用于在線識(shí)別。

1 基本原理

1.1 BP算法

神經(jīng)網(wǎng)絡(luò)作為一種快速發(fā)展的人工智能技術(shù)，具有獨(dú)特的優(yōu)勢(shì)，神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和生物神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)相類(lèi)似，都是通過(guò)大量的神經(jīng)元相互作用連接，從而形成一個(gè)龐大，復(fù)雜的神經(jīng)網(wǎng)絡(luò)系統(tǒng)。因?yàn)樯窠?jīng)元的連接，系統(tǒng)具有強(qiáng)大的非線性映射能力，可以處理復(fù)雜的非線性和預(yù)測(cè)穩(wěn)態(tài)。BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)的主要特點(diǎn)是信號(hào)向前傳遞，誤差反向傳遞。在向前傳遞中，輸入信號(hào)從輸入層隱含層逐層處理，直至輸出層。每一層的神經(jīng)元狀態(tài)只影響下一層神經(jīng)元狀態(tài)。如果輸出層得不到期望輸出，則轉(zhuǎn)入反向傳播，根據(jù)預(yù)測(cè)誤差調(diào)整網(wǎng)絡(luò)權(quán)值和閾值，從而使BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出不斷逼近期望輸出[13-17]。只包含一個(gè)隱含層的BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖1所示。

圖1中，X1，X2…Xn是BP神經(jīng)網(wǎng)絡(luò)的輸入值，Y1，Y2…Ym是BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值，ωjk，ωij是BP神經(jīng)網(wǎng)絡(luò)的權(quán)值。該網(wǎng)絡(luò)的各層之間都是采用全連接的方式，單層內(nèi)的神經(jīng)元不相連接。當(dāng)輸入需要學(xué)習(xí)的樣本輸入向量后，向量進(jìn)行正向傳送的過(guò)程。數(shù)據(jù)通過(guò)傳遞函數(shù)、求和單元從輸入層經(jīng)過(guò)隱含層最后傳遞至輸出層，然后得到輸出。在這個(gè)傳輸過(guò)程中權(quán)值和閾值是恒定的，每一層的神經(jīng)元只會(huì)使得相鄰層的神經(jīng)元狀態(tài)發(fā)生變化。然后比較這一過(guò)程得到的輸出結(jié)果和預(yù)想的輸出結(jié)果，若達(dá)不到預(yù)期的誤差內(nèi)，至進(jìn)行誤差反向傳播。在反向傳播過(guò)程中，將以梯度下降的方法進(jìn)行傳送，計(jì)算梯度然后修正權(quán)值和閾值，然后進(jìn)行反復(fù)的循環(huán)，權(quán)值和閾值進(jìn)行不斷的修正，等到輸出結(jié)果和預(yù)想的輸出結(jié)果誤差低于設(shè)定值，迭代結(jié)束，BP神經(jīng)網(wǎng)絡(luò)模型建立完成。從圖1可以看出，BP神經(jīng)網(wǎng)絡(luò)可以看成一個(gè)非線性函數(shù)，網(wǎng)絡(luò)輸入值和預(yù)測(cè)值分別為該函數(shù)的自變量和因變量[18-20]。當(dāng)輸入節(jié)點(diǎn)數(shù)為n，輸出節(jié)點(diǎn)數(shù)為m時(shí)，BP神經(jīng)網(wǎng)絡(luò)就表達(dá)了從n個(gè)自變量到m個(gè)因變量的函數(shù)映射關(guān)系。BP算法的優(yōu)勢(shì)是具有一定的反向傳播能力，不斷與期望值逼近，常常用于模式判別、圖像處理等場(chǎng)景。

1.2 波形分解

并聯(lián)電路中，電路的總電流等于各支路電流之和。家庭用電負(fù)荷基本采用并聯(lián)接線，每個(gè)負(fù)荷獨(dú)立且不互相影響，最后家庭電源總進(jìn)線的電流等于各個(gè)用電負(fù)荷的電流之和。由于家庭用電負(fù)荷的并聯(lián)接線，因此滿足疊加定理。我國(guó)的供電采用220 V，50 HZ周期供電電壓，假設(shè)電網(wǎng)的電壓頻率ω保持穩(wěn)定不變，因此家庭電源總進(jìn)線的電流等于各個(gè)用電設(shè)備電流的線性疊加。因此只需獲得新用電器投入使用前后的穩(wěn)態(tài)波形，利用波形的疊加定理即可分解得出新用電器的穩(wěn)態(tài)波形[15]。

2 裝置實(shí)現(xiàn)

非侵入式電力監(jiān)控相較于侵入式電力監(jiān)控有著安裝簡(jiǎn)單，實(shí)現(xiàn)成本低等優(yōu)勢(shì)，非侵入式電力監(jiān)控系統(tǒng)如圖2所示。電流傳感器安裝在了電源進(jìn)線處，實(shí)現(xiàn)對(duì)某一用電區(qū)域電流波形的獲取。

此方法的實(shí)現(xiàn)過(guò)程分成兩個(gè)部分：

(1)網(wǎng)絡(luò)訓(xùn)練。首先通過(guò)硬件采集單個(gè)用電器的電流波形，得到諧波特征。然后搭建神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練，得出權(quán)值，閾值。

(2)在線識(shí)別。通過(guò)在線讀取電流波形，對(duì)波形進(jìn)行分解，提取諧波特征，結(jié)合以及獲取的權(quán)值，閾值進(jìn)行運(yùn)算，最終實(shí)現(xiàn)用電器在線識(shí)別。實(shí)現(xiàn)過(guò)程如圖3所示。

2.1 負(fù)載信息的獲取

不同種類(lèi)的負(fù)載由于其功能不同，因此其電流波形也具有一定差異。此方法利用了這一特點(diǎn)，通過(guò)研究不同負(fù)載電流波形的差異，實(shí)現(xiàn)了負(fù)載識(shí)別。由于電流波形難以量化，難以用數(shù)值形式表征負(fù)載電流波形的差異。根據(jù)信號(hào)原理，任何滿足狄利克雷條件的波形序列都可以用不同頻率的正弦波疊加得到，因此本文采用電流諧波含量的差異量化了不同負(fù)載波形的差異。理論上負(fù)載電流波形需要用無(wú)限多次諧波疊加得到，因此完全表征負(fù)載電流特征需要無(wú)限多次諧波信號(hào)。然而，負(fù)載的諧波次數(shù)越高諧波幅值越小，其受噪聲的影響也較明顯。另外，諧波次數(shù)越高神經(jīng)網(wǎng)絡(luò)的維度也更大，相應(yīng)的算法運(yùn)算量也越大。通過(guò)權(quán)衡了算法的準(zhǔn)確性與快速性，最后選擇了2-10次諧波以表征不同負(fù)載的電流波形特征。

2.2 神經(jīng)網(wǎng)絡(luò)算法的訓(xùn)練過(guò)程

(1)采集單個(gè)用電器波形。通過(guò)搭建好的硬件，對(duì)5種用電器單獨(dú)進(jìn)行諧波特征提取。得出以下數(shù)據(jù)，如表1所示。

表1 用電器諧波含量

(2)BP神經(jīng)網(wǎng)絡(luò)搭建。本文采用9-4-5的網(wǎng)絡(luò)結(jié)構(gòu)，輸入節(jié)點(diǎn)節(jié)點(diǎn)數(shù)為9個(gè)，代表電流基波有效值，以及2-10次諧波含量，用矩陣表X={X1，X2…X9}表示。上節(jié)提到隱含層節(jié)點(diǎn)數(shù)為4個(gè)，輸出層節(jié)點(diǎn)數(shù)為5個(gè)，分別代表5類(lèi)用電器投入使用的概率用矩陣Y={Y1，Y2…Y5}表示。

隱含層激活函數(shù)采用對(duì)數(shù)S型轉(zhuǎn)移函數(shù)

(5)

因?yàn)楹瘮?shù)f(x)的值域?yàn)閇0，1]所以，在訓(xùn)練數(shù)據(jù)之前必須把數(shù)據(jù)歸一化到[0，1]之間，歸一化公式為：

(6)

y代表歸一化后的數(shù)據(jù)，x代表歸一化前的數(shù)據(jù)，min代表不同組間同類(lèi)數(shù)據(jù)的最小值，max代表不同組間同類(lèi)數(shù)據(jù)的最大值。訓(xùn)練函數(shù)采用梯度下降自適應(yīng)學(xué)習(xí)率訓(xùn)練函數(shù)traingdx。經(jīng)過(guò)1 637代的訓(xùn)練，精度達(dá)到0.000 96。

(3)得到訓(xùn)練好的網(wǎng)絡(luò)的權(quán)值，閾值。利用查看指令可以在matlab界面查看網(wǎng)絡(luò)的權(quán)值，閾值。輸入層到隱含層權(quán)值用ωjk表示，輸入層到隱含層閾值用b1表示，隱含層到輸出層權(quán)值用ωij表示，隱含層到輸出層閾值用b2表示。

2.3 裝置的在線識(shí)別方法

在線識(shí)別系統(tǒng)通過(guò)硬件系統(tǒng)在家庭電源入口出采集電流信號(hào)，而后進(jìn)行波形分解，提取特征值，結(jié)合神經(jīng)網(wǎng)絡(luò)的權(quán)值，閾值，進(jìn)行運(yùn)算。硬件系統(tǒng)主要由三部分組成，分別為信號(hào)采樣調(diào)理部分，A/D轉(zhuǎn)換部分，數(shù)據(jù)處理部分。信號(hào)調(diào)理電路由電流采樣電路、電壓跟隨電路和巴特沃斯二階低通濾波電路構(gòu)成。A/D轉(zhuǎn)換電路我們采用的是以AD7607芯片為核心的A/D轉(zhuǎn)換電路。數(shù)據(jù)處理部分采用以STM32F407為核心的嵌入式系統(tǒng)。STM32F407系統(tǒng)自帶FPU浮點(diǎn)運(yùn)算單元以及DSP數(shù)字信號(hào)處理模塊加快了數(shù)字信號(hào)處理的速度。數(shù)據(jù)處理部分主要分成三部分：

(1)波形拆分。當(dāng)用電器增加減少時(shí)，處理器對(duì)波形進(jìn)行拆分。由于用電器啟動(dòng)存在短暫的電流暫態(tài)波形，所以當(dāng)系統(tǒng)檢查到電流波動(dòng)超過(guò)波動(dòng)容許值If后三秒開(kāi)始進(jìn)行電流波形采樣。If的取值根據(jù)經(jīng)驗(yàn)為：

If=Ia.min/3

(7)

Ia.min為家庭最小額定功率用電器的額定電流。把新得到的序列減去上一次的的序列就可以得到新開(kāi)啟或關(guān)閉的負(fù)荷的電流波形。

(2)對(duì)拆分出來(lái)的波形進(jìn)行FFT變換，STM32F407 DSP單元提供了基-4，1024點(diǎn)的FFT庫(kù)函數(shù)，因此調(diào)用此庫(kù)函數(shù)這可以得到各次諧波幅值，進(jìn)而得到各次諧波含量。

(3)把諧波特征結(jié)合神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到的傳遞系數(shù)進(jìn)行運(yùn)算。利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，可以得出網(wǎng)絡(luò)的傳遞系數(shù)，在在線運(yùn)行的時(shí)候只需把特征值跟傳遞系數(shù)進(jìn)行數(shù)學(xué)運(yùn)算就可以得出結(jié)果。運(yùn)算的公式如下：

(8)

X為特征輸出矩陣，Y為輸出矩陣，ωij為輸入層到隱含層的權(quán)值，ωjk為隱含層到輸出層的權(quán)值，b1為輸入層到隱含層的閾值，b2為隱含層到輸出層的閾值，函數(shù)f1(x)為隱含層激活函數(shù)，f2(x)為輸出層激活函數(shù)。

3 實(shí)驗(yàn)調(diào)試

本文用電熱水壺、電風(fēng)扇、冰箱、液晶顯示器、日光燈5個(gè)電器設(shè)備的投切使用或者狀態(tài)改變，模擬出家庭用戶的用電行為場(chǎng)景，然后使用基于穩(wěn)態(tài)波形分析和BP神經(jīng)網(wǎng)絡(luò)的嵌入式設(shè)備對(duì)電器設(shè)備進(jìn)行監(jiān)測(cè)，從而驗(yàn)證本文提出方法的可行性。為了方便實(shí)驗(yàn)數(shù)據(jù)的統(tǒng)計(jì)分析，嵌入式設(shè)備監(jiān)測(cè)所得的數(shù)據(jù)通過(guò)設(shè)備的藍(lán)牙模塊傳送至電腦端，便于保存、使用。

本實(shí)驗(yàn)的具體步驟為分別隨機(jī)開(kāi)啟一個(gè)用電器500次，嵌入式設(shè)備將監(jiān)測(cè)期間所采樣的數(shù)據(jù)傳輸至電腦端，分析實(shí)驗(yàn)過(guò)程得到的數(shù)據(jù)，得到嵌入式設(shè)備監(jiān)測(cè)識(shí)別用電負(fù)荷的結(jié)果，并將識(shí)別準(zhǔn)確率記錄。實(shí)驗(yàn)監(jiān)測(cè)過(guò)程如圖4所示，識(shí)別準(zhǔn)確率如表2所示。

表2 實(shí)測(cè)識(shí)別準(zhǔn)確率

由實(shí)驗(yàn)結(jié)果可以看出實(shí)測(cè)精度基本與理論分析時(shí)，所提出方法能達(dá)到的識(shí)別精度相一致。其中，電熱水壺諧波特征最明顯，所以識(shí)別精度達(dá)到了100%；顯示屏和電風(fēng)扇也基本達(dá)到了全識(shí)別；日光燈和冰箱因?yàn)槠渲C波特征較不明顯，所以精度稍差，但是還是能達(dá)到智能用電對(duì)負(fù)荷識(shí)別精度的要求。從實(shí)驗(yàn)結(jié)果可以證明，本文所提出的方法能正確的判別家庭用電負(fù)荷。

4 結(jié)論

針對(duì)家庭用戶的用電負(fù)荷投切或者狀態(tài)改變時(shí)具有的諧波特性以及非侵入式負(fù)荷識(shí)別問(wèn)題，提出了一種基于穩(wěn)態(tài)波形分解與BP算法的方法，利用穩(wěn)態(tài)電流波形分解，提取單個(gè)用電器的諧波特征，結(jié)合BP神經(jīng)網(wǎng)絡(luò)，通過(guò)嵌入式系統(tǒng)進(jìn)行分析判斷，以此來(lái)判別用電負(fù)荷的類(lèi)別，實(shí)現(xiàn)非侵入式負(fù)荷識(shí)別。通過(guò)構(gòu)建的家庭用電行為平臺(tái)進(jìn)行裝置監(jiān)測(cè)測(cè)試，驗(yàn)證了提出方法的有效性。該方法是基于嵌入式裝置實(shí)現(xiàn)的，相比與其他非侵入式負(fù)荷識(shí)別方法，不需要通過(guò)電力網(wǎng)云端進(jìn)行分析判斷，且裝置硬件簡(jiǎn)單，結(jié)構(gòu)簡(jiǎn)單，運(yùn)算速度快，可靠性高、識(shí)別精度高等特點(diǎn)。