基于功率軌跡的非侵入式負荷監(jiān)測方法研究

馮 威 李 爭*, 王 澤 安國慶 李 崢 王 強 陳 賀

（1.河北科技大學電氣工程學院 石家莊 050018；2.河北省智能配用電裝備產(chǎn)業(yè)技術(shù)研究院，石家莊科林電氣股份有限公司 石家莊 050222）

引言

隨著風能、太陽能、潮汐能等可再生能源發(fā)電技術(shù)的快速發(fā)展，電力能源的調(diào)度和穩(wěn)定運行面臨著巨大的挑戰(zhàn)。增強電力系統(tǒng)的供需平衡已經(jīng)成為解決可再生能源消納問題的必行之路。而非侵入式負荷檢測設(shè)備可以了解用戶電力能源消耗，實現(xiàn)電力能源的精準調(diào)度。同時可以使用戶合理調(diào)節(jié)用電時間，實時檢測用電設(shè)備的耗電量，有效減少能源浪費的現(xiàn)象。并且可以在保護隱私的條件下深度挖掘用戶用電習慣和用電方式，有計劃性的推送節(jié)電措施的提示[1,2]。

非侵入式負荷監(jiān)測由Hart教授于1982年提出[3]。該方法僅需要在用戶在電力入戶處安裝設(shè)備即可檢測到用戶用電信息，通過對用電數(shù)據(jù)進行分析就可以實現(xiàn)用電設(shè)備的檢測相對于侵入式負荷監(jiān)測極大的節(jié)約了成本、縮小了部署的設(shè)備的難度、減少了統(tǒng)計數(shù)量[4,5]。隨著技術(shù)的發(fā)展，非侵入監(jiān)測系統(tǒng)可以分為無監(jiān)督式和有監(jiān)督式兩大類別[6-8]。 無監(jiān)督式算法中的K-means聚類算法[9]由于其方法簡單、速度快、效果好等優(yōu)點成為了最簡便的算法。 但該算法需要事先指定分類的數(shù)量，主觀決定性較強，故該方法具有一定的局限性。AP聚類算法可以很大限度的克服以上缺點[10,11]，可以對不同的功率進行準確的分類處理，具有很高的準確性。有監(jiān)督式算法主要通過暫態(tài)和穩(wěn)態(tài)來對負荷進行識別?；跁簯B(tài)的主要有DTW算法、根據(jù)峰值和標準差來進行分辨的方法，這種方法有一定的正確率，但評判相似度的目標函數(shù)具有一定的主觀性。

文獻[12]基于VI曲線對負荷進行辨識，是基于穩(wěn)態(tài)的有監(jiān)督式學習算法。該算法通過該曲線的斜率、旋轉(zhuǎn)的方向、與自身交點個數(shù)等進行分析，形成獨立的設(shè)備標簽。最終通過實驗驗證了VI曲線分析的有效性。文獻[13]在前者的基礎(chǔ)上將VI曲線進行標準化后進行添加顏色處理，通過卷積神經(jīng)網(wǎng)絡(luò)對圖像進行識別，辨識出負荷特征，由于增加了其他辨別特征所以其準確率和分辨的類別進一步增強，利用AlexNet神經(jīng)網(wǎng)絡(luò)實現(xiàn)遷移學習，使得最終結(jié)果更加快速、準確。

本文通過傳統(tǒng)的復(fù)合滑動窗CUSUM對功率變化處的曲線進行提取，將總線上的有功功率作為x軸，無功功率作為y軸繪制二維暫態(tài)功率曲線，為了防止曲線斷點造成分辨準確率的降低，利用拉格朗日插值法對功率軌跡進行插值操作。最后利用卷積神經(jīng)網(wǎng)絡(luò)對暫態(tài)功率進行曲線訓(xùn)練與辨識，通過結(jié)果分析可知本文所用方法辨識出的結(jié)果具有一定的準確性，能夠成功將兩種不同類別的用電器進行分離。

1 負荷特征分析

負荷特征的檢測需要通過進線端的電壓和電流進行檢測和分析，根據(jù)不同的負荷特征來進行負荷辨識，該方法是辨識負荷的主要依據(jù)。隨著微處理器的普及與發(fā)展使得高頻率電流與電壓能夠輕易的獲取。這使得利用暫態(tài)特征進行辨識成為可能。通過對進線端上的電壓和電流進行提取及其運算可以得到總的有功和無功功率。假設(shè)有n 個用電器，總有功、無功功率的計算方程式如式（1）、（2）所示：

式中：

UK和IK—第k 個用電器瞬態(tài)電壓、電流的有效值；

JK—第k 個用電器的狀態(tài)；

P、Q—電表測出的總的有功、無功功率；

e1、e2—干擾信號。

1.1 信號的提取

信號的提取分為三個階段：信號檢測、信號分割和濾波處理。

1.1.1.信號檢測

先通過CUSUM算法檢測到數(shù)據(jù)中變化區(qū)間的位置[14]，之后檢測過渡時期的時間段，為后續(xù)準確的識別負荷種類提供數(shù)據(jù)。CUSUM算法如下式所示：

式中：

μ0—滑動窗所在數(shù)據(jù)段前的平均值；

β—干擾所產(chǎn)生的噪聲值；

1.1.2.信號分割

對于功率信號變化超過一定時間低于變化閾值的區(qū)段，就認為該用電器已經(jīng)完成設(shè)備的啟停。那么就將其開始到結(jié)束這一區(qū)段進行信號的分割。認為在這一段時間內(nèi)完成了電器的啟停操作。下一步對該區(qū)段進行識別處理。

1.1.3.濾波處理

為了監(jiān)測數(shù)據(jù)段是否在該區(qū)域真實出現(xiàn)了功率的變化，需要對干擾進行過濾處理。通過發(fā)生暫態(tài)事件到結(jié)束變化的時間段和功率變化的大小可以大致判斷，如果前后功率變化過小并且時間相差不大，那么可以認為是較大的信號干擾，會自動將其濾除。

1.2 信號的處理

如果單獨考慮有功功率可能會忽視無功功率造成辨識精度不高的現(xiàn)象。但如果只是分開考慮有功、無功功率與時間的關(guān)系不僅會忽視二者之間的聯(lián)系還會增加卷積神經(jīng)網(wǎng)絡(luò)中神經(jīng)元的數(shù)量。為了提高辨識的準確率和減輕處理器的工作量，本文提出基于P、Q曲線進行二維圖像的繪制，對該圖像進行辨識以確定用電器的類型。該方法的優(yōu)點如下：

1）對數(shù)據(jù)段提取不敏感。由于穩(wěn)定時有功、無功的值近乎不變，即使提取的數(shù)據(jù)段較為寬泛也不影響最終圖像的形狀和辨識結(jié)果。

2）有較強的可移植性。即使之前沒有經(jīng)過用電器的實驗與測試，也可以大致描述出電器所屬的種類。通過該特征可以移植到不同用戶的電表上，與其他方法相比具有一定的普適性。

3）具有較快的速度。本文僅涉及了黑白兩種顏色（黑為1，白為0），神經(jīng)網(wǎng)絡(luò)也是基于簡單的lenet-5。所以具有簡單的結(jié)構(gòu)較快的速度。

2 圖像的提取

2.1 處理數(shù)據(jù)

為了提取足夠大小的圖像，對圖像進行了歸一化操作。為了減小因提取頻率小而導(dǎo)致的曲線斷續(xù)問題，本文采用插值方法對兩個數(shù)據(jù)段進行處理，處理步驟如下所示：

Step1：計算像素點所占的功率長度，分別用有功、無功功率的最大值分別減去其對應(yīng)的最小值除以其對應(yīng)的像素點數(shù)，得到一個像素點的長和寬。

Step2：用其所在位置的值減去最小值再除以其像素所占的長度即可得到該像素落在那個像素點上，對所落在的像素點進行標黑處理。像素點的計算如式（5）、（6）所示：

式中：

X′和Y′—在圖像上標注點的橫、縱坐標；

X、Y—該用電設(shè)備的實際有功、無功功率；

d1、d2—橫、縱坐標窗格的像素數(shù)；

max（X）—有功功率的最大值；

min（X）—有功功率的最小值。

Step3：為了避免因提取時間不同而產(chǎn)生像素點分布的不同，進而導(dǎo)致卷積最終結(jié)果的差異。對數(shù)據(jù)進行插值操作。條件為如果兩點之間存在不連續(xù)的像素點，那么就對曲線進行插值操作。選取像素中心點，對落在該點的像素進行標黑處理（數(shù)值為1），沒有標黑即為白色（數(shù)值為0）。

考慮到曲線會出現(xiàn)回折現(xiàn)象，本文采用拉格朗日分段插值法對間斷數(shù)據(jù)點進行簡單的插值操作。對給定的n個插值點x1,x2,x3…,xn;及其對應(yīng)的函數(shù)值y1,y2,y3,…,yn;利用構(gòu)造的n-1次Lagrange插值多項式，則對插值區(qū)間內(nèi)任意x的函數(shù)值y可通過式（7）求得

式中：

X—有功功率；

Y—無功功率；

y（x）—與有功功率對應(yīng)的無功功率值。

對兩點之間缺少的像素點中間的值作為x進行插值，求取所對應(yīng)的像素點的高度。為了極大程度上簡化運算，每三個點為一組對中間的值進行求取，依次循環(huán)直到畫完整條曲線為止。如果中間有回折區(qū)間段，造成x數(shù)值不是單調(diào)遞增的現(xiàn)象，自動調(diào)整數(shù)據(jù)點的順序以確保x的數(shù)值遞增。對X軸插值完成后，將x，y進行對調(diào)，再對Y軸進行插值操作直到每相鄰的兩點之間沒有間隔點為止。

通過圖1兩個圖進行對比可以看出所得插值之后的結(jié)果，曲線沒有間斷點，變得連續(xù)。

圖1 插值前后的曲線圖

2.2 模型的訓(xùn)練

采用卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型，對經(jīng)典的LeNet-5進行了大致修改，增加了輸入的像素數(shù)和神經(jīng)網(wǎng)絡(luò)節(jié)點的個數(shù)。由于LeNet-5結(jié)構(gòu)簡單運算速度較快，因此基于此算法的結(jié)構(gòu)也具有較快的運算速度。傳統(tǒng)的LeNet-5是由Yann LeCun設(shè)計，用于識別手寫和機器打印字符的卷積神經(jīng)網(wǎng)絡(luò)。于1998 年提出了該模型并做出了網(wǎng)絡(luò)架構(gòu)介紹。該模型具有7 層（不包含輸入層），有卷積層、池化層和全連接層，其輸入圖像為32×32。本文對現(xiàn)有的結(jié)構(gòu)進行了修改，輸入圖像的大小為50×50，分別采用3×3、7×7和5×5不同大小的卷積核矩陣對矩陣進行處理，并且每個卷積層后都會有RELU激活層和批規(guī)范化BN（Batch Normalization）層。由于本文參與訓(xùn)練數(shù)據(jù)較少，為了防止發(fā)生過擬合現(xiàn)象，本文還另外增加了dropout算法，即隨機讓一部分神經(jīng)元“失活”進而避免在訓(xùn)練中出現(xiàn)過擬合的現(xiàn)象。通過池化層加快了矩陣減小的速度，最后通過全連接層對結(jié)果進行分類以獲取最終結(jié)果。生成的網(wǎng)絡(luò)基本構(gòu)架如圖2所示。

圖2 網(wǎng)絡(luò)結(jié)構(gòu)圖

由上文可知，因其需要盡可能的把圖像放大到最大，所以在圖像邊緣也包含大量有用信息。故在第一次卷積時增加了padding操作，目的是盡可能提取到邊緣的像素點以保留原始特征。本文所使用算法的流程圖如圖3所示。

圖3 負荷辨識流程圖

3 仿真驗證與分析

對微波爐、洗衣機、變頻空調(diào)、熱水器、冰箱和電磁爐6 種常見的家用電器，根據(jù)前文所述利用有功、無功曲線進行了二維圖像的繪制工作（有功功率為橫軸，無功功率為縱軸），圖像如圖4所示。

圖4 六種家用電器的有功、無功曲線

由熱水器和洗衣機瞬態(tài)功率可以看出，前期呈現(xiàn)出大致相同的曲線性質(zhì)，這是根據(jù)電機的工作特性而來的。在剛通電時，由于電機沒有初始速度，機械速度的上升需要一定時間，而通電后電流的上升速度要遠遠快于機械上升的速度，所以剛開始電機相當于處于堵轉(zhuǎn)狀態(tài)，隨著機械速度的上升功率會逐漸下降直到穩(wěn)定到額定的功率為止。

電磁爐與洗衣機的曲線也較為相似但通過功率的測試可以發(fā)現(xiàn)電磁爐無功功率為負值而洗衣機無功功率為正值，另外洗衣機的有功是先增大后縮小有峰值，而電磁爐一直在增加沒有峰值。所以區(qū)分時較為方便。

3.1 訓(xùn)練參數(shù)

首先利用已知的用電器圖像進行卷積網(wǎng)絡(luò)的訓(xùn)練，訓(xùn)練的進度和損失值隨迭代次數(shù)的變化，趨勢如圖5所示。

圖5 卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練進度

從圖中可以看出前40 次迭代中識別精度快速增加并且損失值快速減少，在迭代次數(shù)達到40 次之后精準率和損失值趨于平穩(wěn)。訓(xùn)練最高識別驗證精度能達到92.65 %，損失值最低為0.402。

3.2 實驗結(jié)果

本文模擬家庭用戶的用電器做出了近一周的檢測，通過上述方法進行了檢測。檢測結(jié)果如圖6所示，縱坐標為真實的用電器名稱，橫坐標為辨識出的用電器名稱。

圖6 卷積神經(jīng)網(wǎng)絡(luò)分類的矩陣

評價指標使用Fscore值衡量模型檢測結(jié)果的準確性[15]，其含義如下式所示：

式中：

TP—該用電器開啟并且能正確檢測出來的次數(shù)；

FP—其他用電器開啟但預(yù)測為該用電器開啟的次數(shù)；

FN—該用電器開啟但預(yù)測為其他用電器開啟的次數(shù)。

計算結(jié)果如表1所示。從表中的數(shù)據(jù)可以看出六種不同類別的用電器辨識精度較高，均能達到90 %以上。熱水器和電磁爐的辨識率相對較低。這是由于在提取過程中二者前期大量的軌跡曲線較為類似，當區(qū)分二者的曲線段較短或不明顯時二者容易被混淆。而洗衣機與熱水器雖然有相似的曲線段，但能將二者區(qū)分的特征曲線較長很容易將其分為兩類。故二者難以混淆。

表1 用電器的評價分數(shù)（%）

4 結(jié)論

本文提出了一種基于有功、無功功率曲線的負荷辨識技術(shù)，利用拉格朗日插值算法對中間的間斷點進行插補運算，通過卷積神經(jīng)網(wǎng)絡(luò)對圖像進行分類，并證明了該算法的有效性。通過仿真驗證了所提的方法在檢測準確率上可以滿足實際需求，且穩(wěn)定性較高。并且利用遷移算法可以充分發(fā)揮出其準確、高效的優(yōu)勢。適合部署在智能電網(wǎng)的辨識控制器中，為非侵入式負荷監(jiān)測算法在實際中的應(yīng)用提供了新的思路。