基于深度學(xué)習(xí)決策融合的非侵入式負(fù)荷分類的研究

滕紅麗，賈樹恒，王灝，王雅倩，周東國(guó)，胡文山，袁超

(1.河南農(nóng)業(yè)大學(xué)理學(xué)院，河南 鄭州 450002；2.武漢大學(xué)電氣與自動(dòng)化學(xué)院，湖北 武漢 430072)

負(fù)荷監(jiān)測(cè)作為高級(jí)測(cè)量體系(Advanced Metering Infrastructure，AMI)最重要的組成部分[1]，是實(shí)現(xiàn)智能電網(wǎng)的關(guān)鍵技術(shù)之一。其中，非侵入式負(fù)荷監(jiān)測(cè)(Non-intrusive load monitoring，NILM)[2]以軟算法代替硬測(cè)量，具有經(jīng)濟(jì)適用、易推廣等優(yōu)點(diǎn)，逐步取代了侵入式測(cè)量，成為新的研究熱點(diǎn)。NILM僅利用電力入口處的單一測(cè)量裝置即可有效獲取負(fù)荷電氣信息，結(jié)合軟件算法有針對(duì)性地分析、管理用戶用電行為，從而實(shí)現(xiàn)需求側(cè)精細(xì)化管理和智能用電雙向信息流交互[3-4]。

目前，負(fù)荷識(shí)別及分類方法以模式識(shí)別[5]為主，主要通過(guò)學(xué)習(xí)負(fù)荷印記(Load Signatures，LS)實(shí)現(xiàn)負(fù)荷分類，例如支持向量機(jī)、K最鄰近算法、神經(jīng)網(wǎng)絡(luò)等，國(guó)內(nèi)外相關(guān)研究眾多。FIGUEIREDO等[6]提取負(fù)荷電流和電壓的峰值、均方根以及功率因子等特征作為負(fù)荷印記標(biāo)記電氣設(shè)備。LIN等[7]結(jié)合Fuzzy、C-Means和模糊分類方法，能夠較好地處理負(fù)荷特征相似問(wèn)題，其性能優(yōu)于BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)；WANG等[8]提取V-I軌跡曲線，通過(guò)支持向量機(jī)多分類算法實(shí)現(xiàn)負(fù)荷辨識(shí)；DU等[9-10]深入研究了負(fù)荷V-I軌跡特征，并通過(guò)多種設(shè)備證明V-I軌跡圖像作為負(fù)荷分類特征的優(yōu)勢(shì)以及卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，CNN)對(duì)圖像的分類效果；HONG等[11]利用傅里葉變換(Fast Fourier Transform，F(xiàn)FT)獲得電流、電壓、有功功率、無(wú)功功率等4種負(fù)荷印記，構(gòu)成7種組合特征，研究發(fā)現(xiàn)4種負(fù)荷印記組合時(shí)能獲得最高精度。HE等[12]采用雙層特征提取框架融合不同負(fù)荷特征的優(yōu)勢(shì)，具備較強(qiáng)的可擴(kuò)展性。KELLY[13]采用3種深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)架構(gòu)，在負(fù)荷分解方面取得良好的分類效果。MAUCH等[14]采用長(zhǎng)短時(shí)記憶序列網(wǎng)絡(luò)(Long Short Term Memory Network，LSTM)模型通過(guò)使用電器運(yùn)行時(shí)的時(shí)間序列特性進(jìn)行負(fù)荷分解，對(duì)負(fù)荷功率特征具有較好的辨識(shí)效果。但這些研究也存在一些不足，V-I軌跡圖特征比其他高頻特征具有更高的辨識(shí)準(zhǔn)確率，但不能有效區(qū)分V-I軌跡圖相似但功率差異較大的設(shè)備；功率特征也存在相同情況，單獨(dú)使用功率特征，也無(wú)法較好的區(qū)分功率特征相似但V-I軌跡圖差異較大的設(shè)備。

相對(duì)于單一特征，組合特征能夠更全面反映不同負(fù)荷電氣特點(diǎn)，從而獲得更高的辨識(shí)精度。多層次的綜合辨識(shí)模型能夠更好地提高辨識(shí)效果和復(fù)雜場(chǎng)景適用性，其中集成學(xué)習(xí)表現(xiàn)優(yōu)秀。本研究提出一種基于深度學(xué)習(xí)決策融合的非侵入式負(fù)荷分類方法。首先從原始負(fù)荷電氣信息中提取負(fù)荷穩(wěn)態(tài)特征(有功功率P、無(wú)功功率Q和V-I軌跡圖)以及利用傅里葉變換得到電流諧波特征H。其次，將P、Q、H3種特征組合為PQH特征，通過(guò)歸一化處理后作為L(zhǎng)STM神經(jīng)網(wǎng)絡(luò)的輸入，進(jìn)行負(fù)荷第一層辨識(shí)。將V-I軌跡圖特征進(jìn)行圖像二值化處理，作為CNN網(wǎng)絡(luò)的輸入，進(jìn)行負(fù)荷第二層辨識(shí)。最后采用決策融合方法對(duì)兩個(gè)辨識(shí)模型進(jìn)行融合，實(shí)現(xiàn)負(fù)荷分類，并使用公共數(shù)據(jù)集對(duì)算法的分類性能進(jìn)行測(cè)試。

1 多特征負(fù)荷印記

負(fù)荷特征的選取是決定模型性能優(yōu)劣的因素之一，應(yīng)滿足以下基本要求：1)盡可能反映設(shè)備的電氣特性；2)能夠和其他設(shè)備進(jìn)行區(qū)分；3)降低不同特征之間的相關(guān)性，減少冗余，以提高模型效率。目前常用負(fù)荷印記有有功功率P、無(wú)功功率Q、電流波形、電流諧波、諧波畸變率、V-I軌跡圖等。

1.1 PQH特征

1.1.1 功率P、Q特征 設(shè)備的有功功率P和無(wú)功功率Q屬于低頻特征，利用快速傅里葉變換得到。設(shè)采樣點(diǎn)數(shù)為N的時(shí)域電壓和電流信號(hào)分別為v(n)和i(n)，n=0,…,N-1，則有

(1)

(2)

式中：V0和I0分別為基波電壓和電流有效值，Vk和Ik分別為第k次諧波電壓和電流有效值，θk和φk分別為第k次電壓和電流諧波的相位角，f0為設(shè)備工作頻率。

將(1)、(2)式進(jìn)行FFT變換，得到功率P、Q表達(dá)式。

(3)

(4)

1.1.2 電流諧波H特征 高頻次的特征信息中，電流諧波反映了用電設(shè)備在投入過(guò)程中電感、電容等高頻特性，例如電流諧波畸變能夠反映基波和高次諧波的比例成分，負(fù)荷特征表達(dá)中，常將其作為一個(gè)負(fù)荷印記。設(shè)利用FFT方法得到k階頻域電流信號(hào)為

I(k)=A(k)+jB(k)

(5)

式中：k=0,1,…,N-1，j為虛數(shù)單位，A(k)和B(k)分別為第k階頻域信號(hào)的實(shí)部和虛部?；ê透麟娏髦C波分量有效值如式(6)，(7)。

(6)

(7)

(8)

式中：||為取模。

1.1.3 特征歸一化 若直接將特征P、Q、H用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)，功率和諧波特征的數(shù)值數(shù)量級(jí)差異較大，會(huì)降低較小值(電流諧波)的重要性，因此需要進(jìn)行歸一化處理。常用歸一化方法有min-max歸一化和z-score歸一化。min-max歸一化對(duì)數(shù)據(jù)的處理是線性的，若數(shù)據(jù)中含有離群點(diǎn)時(shí)，會(huì)降低不同類型數(shù)據(jù)差異，產(chǎn)生不利影響。z-score歸一化法能夠克服離群點(diǎn)的影響，更適用于功率和諧波特征數(shù)值差異較大的情況，因此采用z-score歸一化法。

原始數(shù)據(jù)序列x1,x2,…,xn，將其轉(zhuǎn)換為均值為0，方差為1的標(biāo)準(zhǔn)數(shù)據(jù)，得到y(tǒng)i，i=1,2,…,n。

(9)

(10)

(11)

將P、Q、H特征數(shù)據(jù)作為3個(gè)原始數(shù)據(jù)序列，根據(jù)式(9)—(11)對(duì)每一個(gè)序列進(jìn)行歸一化處理。

1.2 V-I軌跡圖特征

V-I軌跡圖反映了一個(gè)工作周期內(nèi)電壓和電流的關(guān)系。BAETS等[10]驗(yàn)證了V-I軌跡圖作為負(fù)荷分類特征的有效性和優(yōu)勢(shì)性。傳統(tǒng)的V-I軌跡圖特征將其形狀數(shù)據(jù)作為辨識(shí)模型的輸入，方法復(fù)雜且易造成特征缺失。DU等[9]將V-I軌跡圖映射到基于二進(jìn)制值的單元格網(wǎng)絡(luò)，結(jié)果表明二值化的V-I軌跡圖是一種容易提取且十分有效的特征。

對(duì)一個(gè)工作周期的電壓、電流采樣，得到采樣點(diǎn)v(n)和i(n)。設(shè)V-I軌跡二值圖的像素為w×w，根據(jù)式(12)將v(n)和i(n)線性變換為[0,w]區(qū)間的整數(shù)。

(12)

式中：Vn和In為變換后的電壓和電流值，vn和in為v(n)和i(n)中第n個(gè)采樣點(diǎn)的值，vmax和imax為v(n)和i(n)的最大值，vmin和imin為v(n)和i(n)的最小值，?」表示向下取整。

像素為w×w的二值圖像，以像素為單位將其視為一個(gè)w×w的矩陣X，矩陣元素的值取決于是否被V-I軌跡覆蓋：若被覆蓋則該矩陣元素為1，否則為0。矩陣X計(jì)算方法如式(13)，(14)。

(13)

(14)

式中：n=0,1,…,N-1；i,j∈[0,w-1]。

2 基于深度學(xué)習(xí)的決策融合模型

歸一化后的P、Q、H特征都是時(shí)間序列，可以進(jìn)行組合。LSTM網(wǎng)絡(luò)作為經(jīng)典的改進(jìn)RNN神經(jīng)網(wǎng)絡(luò)之一，主要用于序列化信息的識(shí)別。LSTM網(wǎng)絡(luò)增加了記憶模塊，能很好地避免梯度消失現(xiàn)象的發(fā)生。研究采用LSTM模型對(duì)PQH組合特征進(jìn)行訓(xùn)練和學(xué)習(xí)。V-I軌跡圖是二值化圖像，考慮到卷積神經(jīng)網(wǎng)絡(luò)在圖像分類上表現(xiàn)優(yōu)秀，同時(shí)兼顧負(fù)荷分類的性能、模型復(fù)雜度和訓(xùn)練時(shí)間，研究采用基于LeNet-5的CNN神經(jīng)網(wǎng)絡(luò)模型，使用V-I軌跡二值圖做負(fù)荷印記進(jìn)行負(fù)荷分類。假設(shè)2個(gè)網(wǎng)絡(luò)的辨識(shí)結(jié)果分別為Y1、Y2，利用決策融合方法將Y1和Y2融合，得到最終分類結(jié)果Y。研究使用4種指標(biāo)和混淆矩陣對(duì)LSTM、CNN和決策融合模型的分類結(jié)果進(jìn)行評(píng)價(jià)。決策融合模型負(fù)荷辨識(shí)框架如圖1所示。

圖1 非侵入式負(fù)荷辨識(shí)框架Fig.1 Non-intrusive load identification framework

2.1 基于PQH特征的LSTM模型

LSTM和CNN網(wǎng)絡(luò)模型中，負(fù)荷印記采用one-hot編碼方式生成；輸入層的神經(jīng)元數(shù)量和輸入特征向量長(zhǎng)度相同；輸出層神經(jīng)元個(gè)數(shù)為設(shè)備種類數(shù)。LSTM網(wǎng)絡(luò)主要基于時(shí)間序列，具有歷史記憶特性，適合于能抽取時(shí)間序列特征參數(shù)的負(fù)荷辨識(shí)。本研究中LSTM網(wǎng)絡(luò)的層數(shù)和時(shí)間序列長(zhǎng)度相同，設(shè)置為10；隱含層神經(jīng)元個(gè)數(shù)為48，權(quán)重矩陣內(nèi)所有元素的值在區(qū)間(-1,1)內(nèi)初始化。Softmax函數(shù)作為輸出層激活函數(shù)，使用對(duì)數(shù)似然函數(shù)中的交叉熵函數(shù)作為損失函數(shù)，這樣不僅能提高模型訓(xùn)練速度，還有助于解決梯度消失問(wèn)題。

2.2 基于V-I軌跡特征的CNN模型

CNN模型以LeNet-5網(wǎng)絡(luò)為基礎(chǔ)，在圖像分類領(lǐng)域具有較好的性能和較大的應(yīng)用潛能。為保證降維效果和特征提取精度，降低結(jié)構(gòu)復(fù)雜性，模型結(jié)構(gòu)設(shè)置如下：第一層為輸入層，輸入維數(shù)和矩陣維數(shù)相同；第二層為第一卷積層，使用12個(gè)卷積核，每個(gè)卷積核大小為3×3；第三層為第一池化層，池化大小為2×2；第四層為第二卷積層，使用24個(gè)卷積核，每個(gè)卷積核大小為3×3；第五層為第二池化層，池化大小為2×2；第六層為全連接層，設(shè)置128個(gè)神經(jīng)元，在保證訓(xùn)練集擬合效果的同時(shí)避免過(guò)擬合；第七層為輸出層，神經(jīng)元數(shù)量等于期望輸出的負(fù)荷印記向量長(zhǎng)度。

為幫助模型分辨特征差異較小的類別，同時(shí)使訓(xùn)練能快速收斂，使用Relu函數(shù)作為CNN卷積層和全連接層的激活函數(shù)；多分類問(wèn)題中常用的Softmax函數(shù)作為輸出層激活函數(shù)。損失函數(shù)使用交叉熵函數(shù)。

2.3 決策融合方法

集成學(xué)習(xí)是將多個(gè)不同的基礎(chǔ)分類器組合成一個(gè)集成模型的方法，集成學(xué)習(xí)有助于降低分類模型的偏差和方差，提高模型性能，降低過(guò)擬合風(fēng)險(xiǎn)，具有比單一學(xué)習(xí)器更顯著優(yōu)越的泛化性能。決策融合是集成學(xué)習(xí)中多模型組合方法。常見的集成策略有平均法、投票法和學(xué)習(xí)法。平均法主要針對(duì)回歸任務(wù)；投票法主要針對(duì)分類任務(wù)；學(xué)習(xí)法是一種更為強(qiáng)大的集成策略，需要較多的訓(xùn)練數(shù)據(jù)。結(jié)合算法的分類目標(biāo)和訓(xùn)練數(shù)據(jù)體積，本研究采用投票法作為L(zhǎng)STM和CNN模型融合方法。

投票法中，絕對(duì)多數(shù)投票法和相對(duì)多數(shù)投票法適用于3個(gè)或3個(gè)以上分類模型的情況，而基于合適權(quán)重的加權(quán)投票法同樣可以獲得較好的決策結(jié)果，本研究采用加權(quán)投票法實(shí)現(xiàn)模型融合?？紤]到不同分類模型對(duì)不同負(fù)荷設(shè)備的分類效果會(huì)出現(xiàn)一定差異，引入決策權(quán)重矩陣對(duì)加權(quán)投票法進(jìn)行改進(jìn)。改進(jìn)的加權(quán)投票法通過(guò)對(duì)LSTM模型和CNN模型輸出向量的每一個(gè)元素設(shè)置權(quán)重，這樣可以克服加權(quán)投票法不能反映分類模型的辨識(shí)偏好等問(wèn)題。模型融合原理如圖2所示。

圖2 決策融合原理圖Fig.2 Schematic diagram of decision fusion

(15)

H(x)=cargmaxjY

(16)

式中：Y為集成后的輸出向量，Wi為hi的權(quán)重向量，符號(hào)“⊙”表示按元素乘，argmax()表示獲取向量最大元素的下標(biāo)。H(x)為運(yùn)算后得到融合模型分類結(jié)果。

所有的權(quán)重向量Wi可組成權(quán)重矩陣W。

(17)

式中：wi,j為hi的第j個(gè)類別輸出權(quán)重，且有

(18)

2.4 評(píng)價(jià)指標(biāo)

在分類任務(wù)[15]中，用于評(píng)價(jià)分類模型好壞的指標(biāo)有混淆矩陣(Confuse Matrix)、準(zhǔn)確率(Accuracy rate,A)、精確率(Precision ratio,P)、召回率(Recall rate,R)、F1值等?；煜仃囈卜Q誤差矩陣，是表示精度評(píng)價(jià)的一種標(biāo)準(zhǔn)格式，用行、列數(shù)相同的矩陣形式來(lái)表示，各矩陣元素通過(guò)將每個(gè)實(shí)測(cè)像元的位置、分類與分類圖像中的相應(yīng)位置和分類相比較計(jì)算。其他4個(gè)指標(biāo)計(jì)算方法如表1所示。

表1 評(píng)價(jià)指標(biāo)說(shuō)明Table 1 Description of evaluation indexes

(1)混淆矩陣反映了分類結(jié)果的混淆程度，最大的優(yōu)點(diǎn)是具有直觀性，可以清楚觀察模型的分類效果。用行代表樣本的實(shí)際類別，列代表模型的分類結(jié)果，則第i行第j列的數(shù)值表示模型將實(shí)際類別i分類為類別j的樣本數(shù)量；對(duì)角線元素表示分類正確的樣本數(shù)量。

(2)因每類設(shè)備的實(shí)例數(shù)量遠(yuǎn)小于總設(shè)備實(shí)例數(shù)量之和，評(píng)價(jià)過(guò)程中正、負(fù)樣本數(shù)量差異過(guò)大，會(huì)造成指標(biāo)結(jié)果虛高等問(wèn)題，因此單一的準(zhǔn)確率指標(biāo)無(wú)法全面反映模型優(yōu)劣。本研究使用混淆矩陣、準(zhǔn)確率、精確率、召回率和F1值多重指標(biāo)對(duì)模型進(jìn)行更加綜合、全面的評(píng)價(jià)。

3 試驗(yàn)結(jié)果與分析

為驗(yàn)證模型的有效性，使用插件級(jí)設(shè)備標(biāo)識(shí)數(shù)據(jù)集(Plug-Level Appliance Identification Dataset,PLAID)進(jìn)行測(cè)試。該數(shù)據(jù)集包含56戶家庭，11類不同電氣設(shè)備(空調(diào)，電風(fēng)扇，電吹風(fēng)，電暖器，電冰箱，熒光燈，白熾燈，微波爐，筆記本電腦，吸塵器，洗衣機(jī))的采樣數(shù)據(jù)。每類設(shè)備包含數(shù)十個(gè)不同品牌和型號(hào)的電氣設(shè)備，共1 074條原始樣本，如表2所示。每條樣本數(shù)據(jù)包含30 kHz采樣頻率下時(shí)長(zhǎng)2～5 s的設(shè)備電壓、電流波形，包括設(shè)備啟動(dòng)時(shí)的瞬態(tài)數(shù)據(jù)和設(shè)備運(yùn)行一段時(shí)間后的穩(wěn)態(tài)數(shù)據(jù)，每個(gè)工作周期的采樣點(diǎn)數(shù)N=500。

表2 PLAID數(shù)據(jù)集設(shè)備種類統(tǒng)計(jì)表Table 2 Equipment type statistics of PLAID data set

由于PLAID數(shù)據(jù)集中不同類別設(shè)備樣本數(shù)量差異較大，熒光燈樣本最多，有175條，洗衣機(jī)樣本最少，只有26條。為了避免數(shù)據(jù)不平衡降低模型辨識(shí)性能，預(yù)先采用合成少數(shù)類過(guò)采樣技術(shù)(Synthetic Minority Oversampling Technique，SMOTE)對(duì)原數(shù)據(jù)集進(jìn)行擴(kuò)充，使每類設(shè)備樣本數(shù)均達(dá)到樣本最多設(shè)備類別的樣本數(shù)175，擴(kuò)充后總樣本數(shù)為1 925條。

因PLAID數(shù)據(jù)集作者已做去噪處理，研究直接從每個(gè)原始樣本中截取最后10 000個(gè)采樣點(diǎn)，即20個(gè)工作周期，約0.33 s，并按位計(jì)算中位數(shù)將其壓縮為一個(gè)工作周期的穩(wěn)態(tài)數(shù)據(jù)，數(shù)據(jù)長(zhǎng)度N=500。

3.1 特征提取

使用擴(kuò)充后的數(shù)據(jù)集提取有功功率P、無(wú)功功率Q、電流諧波H和V-I軌跡圖。因設(shè)備品牌、型號(hào)和工作檔位(例如：空調(diào)、電吹風(fēng)等)不同，提取的部分設(shè)備P-Q二維特征存在重疊現(xiàn)象，這會(huì)在一定程度上影響辨識(shí)效果。大部分電風(fēng)扇樣本和其他設(shè)備也出現(xiàn)了不同程度的混疊，因此電風(fēng)扇的辨識(shí)準(zhǔn)確度可能較低。

圖3給出提取的11類設(shè)備的前16次電流諧波。由圖3可知，各設(shè)備的偶次電流諧波均可忽略不計(jì)，奇次電流諧波隨諧波次數(shù)增加呈下降趨勢(shì)，且大部分設(shè)備在第3次諧波時(shí)幅值已經(jīng)較小，說(shuō)明高次諧波對(duì)負(fù)荷分類貢獻(xiàn)相對(duì)較小。本研究使用第1、3、5次電流諧波作為電流諧波特征，加上P、Q特征，LSTM模型的輸入層神經(jīng)元數(shù)目為5(P、Q，電流1、3、5次諧波)，從而降低模型復(fù)雜度，便于工程化應(yīng)用。

圖3 不同種類設(shè)備的電流諧波直方圖Fig.3 Current harmonic histograms of different kinds of equipment

圖4給出提取的11類設(shè)備V-I軌跡圖。圖5給出二值化后的V-I軌跡二值圖。分析可知，這些設(shè)備的V-I軌跡圖存在一定差異，但少部分樣本(例如空調(diào)、白熾燈、電風(fēng)扇和電冰箱)的V-I軌跡圖有一定程度的相似性，可能影響辨識(shí)效果。

圖4 不同種類設(shè)備的V-I軌跡圖Fig.4 V-I trajectory original graphs of different kinds of equipment

圖5 不同種類設(shè)備的V-I軌跡二值圖Fig.5 V-I trajectory binary graphs of different kinds of equipment

3.2 單一模型和決策融合模型對(duì)比

3.2.1 LSTM模型 將提取后的PQH特征集按4∶1分為訓(xùn)練集(1 540條樣本)和測(cè)試集(385條樣本)，輸出神經(jīng)元個(gè)數(shù)為設(shè)備種類數(shù)11，訓(xùn)練輪數(shù)為500，使用小批量梯度下降法，設(shè)置每次迭代使用20個(gè)樣本對(duì)參數(shù)進(jìn)行更新。使用測(cè)試集對(duì)訓(xùn)練好的最佳LSTM模型進(jìn)行測(cè)試，得到混淆矩陣和A、P、R、F1指標(biāo)如圖6-a和表3所示。

由圖6-a和表3可知，每類設(shè)備的準(zhǔn)確率均高于95%，由于正負(fù)樣本比例(1∶10)差異較大，不同設(shè)備的準(zhǔn)確率差異不大。精確率評(píng)價(jià)中，電冰箱和白熾燈評(píng)價(jià)結(jié)果最差。從混淆矩陣可以看出，這是由于電風(fēng)扇辨識(shí)結(jié)果造成的電冰箱和白熾燈假正例(FP)較多。召回率評(píng)價(jià)中，LSTM模型對(duì)電風(fēng)扇的辨識(shí)性能較差，由特征分析可以看出，這是由于電風(fēng)扇的PQH分布與其他設(shè)備重疊較多。F1評(píng)價(jià)結(jié)果對(duì)精確率和召回率進(jìn)行綜合。

3.2.2 CNN模型 將V-I軌跡二值圖特征集按4∶1分為訓(xùn)練集(1 540條樣本)和測(cè)試集(385條樣本)，輸出神經(jīng)元個(gè)數(shù)為設(shè)備種類數(shù)11，迭代次數(shù)為500，使用小批量梯度下降法，設(shè)置每次迭代使用20個(gè)樣本對(duì)參數(shù)進(jìn)行更新，每輪訓(xùn)練迭代77次。使用測(cè)試集對(duì)最佳CNN模型進(jìn)行測(cè)試，得到混淆矩陣和A、P、R、F1指標(biāo)如圖6-b和表3所示。

由表3可知，每類設(shè)備的準(zhǔn)確率均高于95%；其他3個(gè)指標(biāo)在空調(diào)、電風(fēng)扇、電冰箱、白熾燈和洗衣機(jī)5類設(shè)備上的評(píng)價(jià)結(jié)果不夠理想。從V-I軌跡二值圖和混淆矩陣可以看出，這是由于這5類設(shè)備的V-I軌跡圖像形狀近似，給辨識(shí)帶來(lái)難度。LSTM和CNN分類結(jié)果進(jìn)行對(duì)比發(fā)現(xiàn)，基于不同特征的2個(gè)模型對(duì)不同種類設(shè)備的辨識(shí)上能夠互補(bǔ)，可以進(jìn)行模型融合。

3.2.3 基于多特征的決策融合模型 使用的評(píng)價(jià)指標(biāo)中，準(zhǔn)確率A和精確率P的計(jì)算涉及正負(fù)樣本，每類設(shè)備的正、負(fù)樣本數(shù)量存在較大差異時(shí)，這2個(gè)指標(biāo)不適合作為反映融合模型對(duì)各設(shè)備適配度的決策準(zhǔn)則。本研究選擇召回率R構(gòu)建決策權(quán)重：記LSTM和CNN對(duì)第j類設(shè)備的測(cè)試召回率分別為p1,j和p2,j，則決策權(quán)重矩陣元素計(jì)算公式如式(19)。

(19)

式中：T=2為融合模型數(shù)量。根據(jù)表3的召回率，計(jì)算得到?jīng)Q策權(quán)重矩陣如式(20)。

表3 LSTM、CNN和融合模型測(cè)試集的A、P、R和F1指標(biāo)Table 3 A,P,R and F1 indicators of the test set of LSTM,CNN and Fusion Model %

(20)

1.空調(diào)；2.電風(fēng)扇；3.電吹風(fēng)；4.電暖器；5.電冰箱；6.熒光燈；7.白熾燈；8.微波爐；9.筆記本電腦；10.吸塵器；11.洗衣機(jī)。1.Air conditioner;2.Electric fan;3.Electric hair dryer;4.Electric heater;5.Electric refrigerator;6.Fluorescent lamp;7.Incandescent lamp;8.Microwave oven;9.Laptop;10.Vacuum cleaner;11.Washing machine.圖6 3種模型的混淆矩陣 Fig.6 Confusion matrixes of three models

決策融合模型的混淆矩陣和A、P、R、F1指標(biāo)如表3和圖6-c所示。由表3可知，在單類設(shè)備辨識(shí)中，從準(zhǔn)確率A、精確率P、召回率R和F1單一評(píng)價(jià)指標(biāo)分析，決策融合后大部分設(shè)備的評(píng)價(jià)結(jié)果均優(yōu)于或等于LSTM和CNN的評(píng)價(jià)結(jié)果，其余均介于二者之間。

從表3可知，決策融合模型的A、P、R、F1 4種評(píng)價(jià)指標(biāo)均高于LSTM模型和CNN模型的單獨(dú)辨識(shí)結(jié)果。總體來(lái)說(shuō)，決策融合方法能夠有效融合LSTM和CNN兩種模型，融合辨識(shí)模型效果優(yōu)于單一模型辨識(shí)效果。

3.3 不同辨識(shí)方法對(duì)比

3.3.1 特征組合對(duì)比 單一諧波特征H、單一功率特征P、組合特征PQH使用LSTM模型的辨識(shí)結(jié)果如表4所示。從表4可以看出，PQH組合特征能夠在一定程度上提高LSTM模型辨識(shí)性能。由特征分析可知，功率相近的負(fù)荷分類中增加諧波特征，諧波特征相似的負(fù)荷分類中增加功率特征，均可從另一維度幫助區(qū)分，從而提升辨識(shí)結(jié)果準(zhǔn)確性。

表4 LSTM模型不同特征評(píng)價(jià)指標(biāo)Table 4 Evaluation indexes of LSTM model based on different features %

3.3.2 不同文獻(xiàn)算法對(duì)比 文獻(xiàn)[16]將BP網(wǎng)絡(luò)提取的功率特征和LeNet-5網(wǎng)絡(luò)提取的V-I軌跡特征進(jìn)行組合，再利用BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)負(fù)荷分類。文獻(xiàn)[17]使用穩(wěn)態(tài)電流的1，3，5次諧波幅值和相角組成負(fù)荷印記，使用多層感知機(jī)(Multilayer Perceptron，MLP)算法進(jìn)行負(fù)荷分類。文獻(xiàn)[18]使用經(jīng)橢圓傅里葉描述子簡(jiǎn)化的V-I軌跡作負(fù)荷印記，使用隨機(jī)森林算法實(shí)現(xiàn)負(fù)荷分類。文獻(xiàn)[19]使用自動(dòng)選擇設(shè)備特征的遞歸特征消除(Recursive Feature Elimination，RFE)算法，負(fù)荷分類用隨機(jī)森林算法。文獻(xiàn)[20] 使用穩(wěn)態(tài)與暫態(tài)特征相結(jié)合的混合特征，使用基于主成分分析(Principal components analysis，PCA) 的辨識(shí)分類算法(Identification and Localization based on PCA，ILPCA)進(jìn)行負(fù)荷分類。這些研究均在PLAID數(shù)據(jù)集上進(jìn)行，各負(fù)荷辨識(shí)算法的準(zhǔn)確率如表5所示。從表5可以看出，除電吹風(fēng)和白熾燈的準(zhǔn)確率本研究略低于文獻(xiàn)[16]、[19]、[20]外，其余設(shè)備準(zhǔn)確率均高于或等于其他文獻(xiàn)算法；本研究所有設(shè)備的平均準(zhǔn)確率高于其他幾種算法。

表5 本研究與其他文獻(xiàn)算法準(zhǔn)確率的對(duì)比Table 5 Comparison of accuracy rate with other literature algorithms %

4 結(jié)論

本研究提出一種基于多負(fù)荷特征和決策融合方法的非侵入式負(fù)荷分類辨識(shí)方法。該方法使用有功功率P、無(wú)功功率Q、電流諧波H、V-I軌跡圖等負(fù)荷特征，以期更大范圍反映設(shè)備特性，更深維度區(qū)分不同種類設(shè)備。本研究利用z-score歸一化方法構(gòu)建組合PQH特征，并對(duì)V-I軌跡圖二值化。選擇LSTM模型和CNN模型進(jìn)行辨識(shí)分類，使用加權(quán)決策對(duì)2個(gè)模型進(jìn)行融合，進(jìn)一步提高負(fù)荷辨識(shí)效果，克服了單一特征或單一模型無(wú)法較好辨識(shí)特征相似負(fù)荷的弊端。

研究結(jié)果表明，在準(zhǔn)確率A、精確率P、召回率R、F1值4種評(píng)價(jià)指標(biāo)上，LSTM模型的平均結(jié)果分別為98.57%、94.04%、92.47%和92.21%；CNN模型的平均結(jié)果分別為98.45%、92.11%、91.94%和91.94%；改進(jìn)后的決策融合模型的結(jié)果分別為99.32%、96.36%、96.36%和96.34%。通過(guò)分析發(fā)現(xiàn)，在4種指標(biāo)的性能表現(xiàn)上，決策融合模型的表現(xiàn)均優(yōu)于單一模型，說(shuō)明本研究提出的基于多特征組合的決策融合模型能更有效地實(shí)現(xiàn)負(fù)荷分類，從而為非侵入式負(fù)荷辨識(shí)提供一種有效可行的新方法。