基于深度學(xué)習(xí)的用電負(fù)荷辨識(shí)方法

潘世博??陳思睿?潘楠 沈鑫 潘地林

【摘要】? ? 新時(shí)期國民經(jīng)濟(jì)發(fā)展迅速，社會(huì)生活及生產(chǎn)對電能的質(zhì)量提出新的要求。用電負(fù)荷的有效辨識(shí)可便于工作人員了解電力系統(tǒng)負(fù)荷實(shí)際構(gòu)成，從而掌握電力負(fù)荷實(shí)時(shí)運(yùn)行變化，實(shí)現(xiàn)電力系統(tǒng)科學(xué)監(jiān)測。此外，對電力負(fù)荷的電能消耗分析，可實(shí)現(xiàn)電力系統(tǒng)的節(jié)能發(fā)展，為節(jié)省電能提供有效的數(shù)據(jù)支持，對構(gòu)建節(jié)約型電網(wǎng)具有深遠(yuǎn)意義。傳統(tǒng)電力負(fù)荷識(shí)別以人工方式支持，該方式實(shí)施監(jiān)測效果不理想，故文章提出基于深度學(xué)習(xí)的用電負(fù)荷辨識(shí)方式，以此方式可靈活應(yīng)對用電負(fù)荷發(fā)生的變化，可促進(jìn)電網(wǎng)智能化進(jìn)一步發(fā)展。

【關(guān)鍵詞】? ? 深度學(xué)習(xí)? ?用電負(fù)荷? ? 辨識(shí)? ? 方法

基于深度學(xué)習(xí)的監(jiān)測網(wǎng)絡(luò)，簡稱為深度置信網(wǎng)絡(luò)，英文簡稱為（Deep Belief Network）DBN[1]，將其應(yīng)用到用電負(fù)荷的監(jiān)測中，其結(jié)合神經(jīng)網(wǎng)絡(luò)框架，再配合圖像識(shí)別、語音識(shí)別及電能質(zhì)量擾動(dòng)識(shí)別，可起到很好的電力負(fù)荷監(jiān)測作用[2]。DBN經(jīng)各個(gè)受限玻爾茲曼機(jī)及一層后向構(gòu)成，受限玻爾茲曼機(jī)簡稱為RBM。DBN以對比散度算法為支持，先對首個(gè)RBM訓(xùn)練，使其獲取初始特征，之后將此類的初始特征值作為訓(xùn)練的實(shí)際數(shù)據(jù)，對下一個(gè)RBM獲取高級特征，延續(xù)此步驟，完成全部的RBM操作。之后，再根據(jù)反向傳播算法，以科學(xué)監(jiān)督方式對DBN進(jìn)行調(diào)整。

一、基于深度學(xué)習(xí)的用電負(fù)荷辨識(shí)方法背景

電能是保證生產(chǎn)、交通、通信等各個(gè)行業(yè)穩(wěn)定發(fā)展的基礎(chǔ)，也是國家經(jīng)濟(jì)增長、科技進(jìn)步的有力支撐。而電能質(zhì)量也是電力用戶和電網(wǎng)企業(yè)所關(guān)心的重點(diǎn)內(nèi)容[3]。近年來，隨著國家各縣鼓勵(lì)政策出臺(tái)，國民經(jīng)濟(jì)的增長有達(dá)到新的高速。而社會(huì)發(fā)展對電能質(zhì)量的要求也在逐年增加。提高電能質(zhì)量成為電力企業(yè)發(fā)展所圍繞的核心。針對多元化的電能質(zhì)量問題，應(yīng)積極展開電力負(fù)荷類型的相關(guān)研究，注重對家用電器、工業(yè)生產(chǎn)負(fù)荷的運(yùn)行規(guī)律分析，掌握不同電力負(fù)荷運(yùn)行的特征，構(gòu)建典型的負(fù)荷特征數(shù)據(jù)庫，為有效監(jiān)測打下堅(jiān)實(shí)基礎(chǔ)[4]。文章以大數(shù)據(jù)及深度學(xué)習(xí)方式結(jié)合的思想，積極展開深度學(xué)習(xí)的電力負(fù)荷類型分類識(shí)別，以此掌握不同動(dòng)態(tài)信號電壓、電流波形特征，構(gòu)建專業(yè)的電力負(fù)荷數(shù)據(jù)庫，從而提取出可反饋電力負(fù)荷特征的量，優(yōu)化工業(yè)電力負(fù)荷分類識(shí)別。

二、電力負(fù)荷

電力負(fù)荷包含電弧爐、電氣鐵路、光伏發(fā)電、沖壓機(jī)等，大量生產(chǎn)及運(yùn)輸中存在大量非線性負(fù)荷，一些新興能源，如太陽能、風(fēng)能等，其能源接入電網(wǎng)中，也會(huì)導(dǎo)致電網(wǎng)中電壓、電流信號出現(xiàn)更多畸變幾率[5]。此外，空調(diào)、冰箱等家用電氣升級，其技術(shù)上也多采用變頻技術(shù)，導(dǎo)致居民用電中電力非線性負(fù)荷增多。非線性設(shè)備會(huì)導(dǎo)致設(shè)備自身產(chǎn)生過多的諧波，也導(dǎo)致電流自身出現(xiàn)不同程度的畸變。例如，在整流設(shè)備、變頻裝置當(dāng)中，就會(huì)產(chǎn)生大量諧波電流，諧波電流的產(chǎn)生和電路自身非線性負(fù)荷有不可分割的聯(lián)系。

三、基于深度學(xué)習(xí)的用電負(fù)荷辨識(shí)方法

3.1概述

對于當(dāng)下工業(yè)生產(chǎn)當(dāng)中，其設(shè)備電力負(fù)荷自動(dòng)識(shí)別中的人工選擇特征困難問題，為進(jìn)一步提高負(fù)荷的有效識(shí)別，提高識(shí)別精度及效率，特引入深度學(xué)習(xí)的理念，以DBN技術(shù)支持對實(shí)時(shí)的電力負(fù)荷數(shù)據(jù)有效分類識(shí)別，DBN經(jīng)各個(gè)受限玻爾茲曼機(jī)及一層后向構(gòu)成，其結(jié)合神經(jīng)網(wǎng)絡(luò)框架，再配合圖像識(shí)別、語音識(shí)別及電能質(zhì)量擾動(dòng)識(shí)別，可起到很好的電力負(fù)荷監(jiān)測作用[6]。深度學(xué)習(xí)和傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)訓(xùn)練方式有諸多不同，深度學(xué)習(xí)主要采取分層預(yù)訓(xùn)練的機(jī)制，其可從海量的數(shù)據(jù)中探索有用數(shù)據(jù)，從而學(xué)習(xí)到更多的隱含特征，可解決人工神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)中容易受局部最優(yōu)解的影響問題。

3.2受限玻爾茲曼機(jī)

受限玻爾茲曼機(jī)是DBN的重要構(gòu)成，其英文為Restricted Boltzmann Machine，簡稱RBM，其由可見層和隱藏層共同構(gòu)成，屬于概率圖的模型，各層神經(jīng)元以權(quán)值相互連接。正常情況下，可見層的單元可描述出數(shù)據(jù)自身的外在特征，而對應(yīng)的隱藏層單元?jiǎng)t可作為特征提取層，具體的受限玻爾茲曼機(jī)模型如圖1所示。圖1中，V和H分別代表可見層和隱藏層的狀態(tài)向量。受限玻爾茲曼機(jī)其層內(nèi)沒有連接，各層位置相互連接。若給定的可見層神經(jīng)元狀態(tài)，則各個(gè)隱藏層的神經(jīng)元激活為條件獨(dú)立，相反的，若給定隱藏層的神經(jīng)元狀態(tài)，則各個(gè)可見層的神經(jīng)元激活為條件獨(dú)立。Hinton教授（2002）提出的對比散度（Contrastive Divergence，CD）算法，該方式訓(xùn)練RBM的效果較理想，現(xiàn)已經(jīng)成為訓(xùn)練受限玻爾茲曼機(jī)的標(biāo)準(zhǔn)化算法。

3.3深度置信網(wǎng)絡(luò)

深度置信的學(xué)習(xí)網(wǎng)絡(luò)，將各個(gè)不同的受限玻爾茲曼機(jī)采取堆疊的方式，在最后添加一個(gè)分類器，整體構(gòu)成DBN。與此同時(shí)，還通過反向傳播的算法（簡稱為BP）對網(wǎng)絡(luò)進(jìn)行微調(diào)。以三個(gè)受限玻爾茲曼機(jī)構(gòu)成的DBN模型，如圖2所示。

在實(shí)際訓(xùn)練中，將DBN從低到高進(jìn)行排列，采取無監(jiān)督模式支持開展獨(dú)立訓(xùn)練各層受限玻爾茲曼機(jī)。訓(xùn)練以對比散度算法為支持，先對首個(gè)受限玻爾茲曼機(jī)進(jìn)行訓(xùn)練，獲取初始特征之后，將此類初始特征作為后續(xù)的訓(xùn)練數(shù)據(jù)依據(jù)，以此對下一個(gè)的受限玻爾茲曼機(jī)進(jìn)行訓(xùn)練，使其獲取高級特征，之后再對下一個(gè)受限玻爾茲曼機(jī)訓(xùn)練，以此類推，最終對所有的受限玻爾茲曼機(jī)都完成對應(yīng)訓(xùn)練。上述的受限玻爾茲曼機(jī)經(jīng)過無監(jiān)督的特征學(xué)習(xí)之后，其連接上BP神經(jīng)網(wǎng)絡(luò)，利用類別標(biāo)簽數(shù)據(jù)及后向傳播算法，實(shí)現(xiàn)對DBN的整體微調(diào)及分類處理。之后自網(wǎng)絡(luò)參數(shù)中設(shè)置權(quán)值懲罰項(xiàng)目，避免出現(xiàn)權(quán)值過大、擬合等不良現(xiàn)象出現(xiàn)。

3.4以深度學(xué)習(xí)置信網(wǎng)絡(luò)支持的電力負(fù)荷識(shí)別方案

在深度置信網(wǎng)絡(luò)支持下開展電力負(fù)荷分類，其識(shí)別過程為：先將采集到的各個(gè)負(fù)荷數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)及測試數(shù)據(jù)，分成兩類，二者比例為5：1，且訓(xùn)練數(shù)據(jù)及測試數(shù)據(jù)之間并不重疊。之后對數(shù)據(jù)進(jìn)行預(yù)處理?？蓪⒌玫降挠?xùn)練數(shù)據(jù)輸入到DBN系統(tǒng)中，開展樣本訓(xùn)練及特征提取，而后從輸入的電網(wǎng)電流數(shù)據(jù)中對對各項(xiàng)負(fù)荷工作特征的信息進(jìn)行提取，獲取工作固有特征。DBN無明確的特征提取流程，但是其可以自動(dòng)在數(shù)據(jù)中學(xué)習(xí)、獲取到可以反饋出電力負(fù)荷的各項(xiàng)特征。在DBN模型訓(xùn)練完成之后，需將測試數(shù)據(jù)輸入到網(wǎng)絡(luò)內(nèi)，測試該模型的實(shí)際性能，并結(jié)合各項(xiàng)類別標(biāo)簽，計(jì)算好分類識(shí)別的準(zhǔn)確率，具體的實(shí)施流程如圖3所示。

3.5負(fù)荷實(shí)驗(yàn)驗(yàn)證結(jié)果分析

為驗(yàn)證DBN模型的有效性，設(shè)計(jì)包含電氣化鐵路、中頻爐、整流設(shè)備、沖壓機(jī)等設(shè)備在內(nèi)的負(fù)荷實(shí)驗(yàn)驗(yàn)證。將采集到的數(shù)據(jù)以設(shè)備自身的PC端軟件對數(shù)據(jù)處理分析，之后得到具體的樣本數(shù)據(jù)。PC端軟件先對采樣數(shù)據(jù)分解，獲取時(shí)間、電流、電壓等基本信息。之后在MATLAB仿真平臺(tái)開展仿真分析，將數(shù)據(jù)轉(zhuǎn)化為每行10周波，設(shè)置15000行數(shù)據(jù)。之后提取出單相的電流信號進(jìn)行負(fù)荷識(shí)別。將每種負(fù)荷樣本數(shù)據(jù)一行10周波、共10000點(diǎn)，設(shè)置15000x10000矩陣，選擇其中2500條信號測試，剩余信號則作為訓(xùn)練數(shù)據(jù)訓(xùn)練。

得到最終結(jié)果為：

對8種負(fù)荷實(shí)驗(yàn)驗(yàn)證分析（包含中頻爐、電氣化鐵路、整流設(shè)備、沖壓機(jī)、注塑機(jī)、針織制造機(jī)、電動(dòng)機(jī)+電焊機(jī)），采取快速傅里葉變換實(shí)施諧波分析，電流各個(gè)諧波量中，中頻爐第11、整流設(shè)備第5、沖壓機(jī)第5次諧波分量較大。在由兩個(gè)RBM構(gòu)成的DBN實(shí)驗(yàn)中，發(fā)現(xiàn)首個(gè)RBM提取數(shù)據(jù)初始特征，第二個(gè)RBM提取數(shù)據(jù)中的高級特征，對兩個(gè)RBM有訓(xùn)練，并且對DB系統(tǒng)進(jìn)行稍微調(diào)整，其權(quán)重分析結(jié)果為：兩個(gè)RBM預(yù)訓(xùn)練迭代次數(shù)達(dá)到300后，分類正確率將伴隨DBN的調(diào)整次數(shù)變化，微調(diào)的次數(shù)越多，分類的正確率也就越高，在微調(diào)達(dá)到250次之后，其分離正確率基本趨于穩(wěn)定。

三個(gè)RBM構(gòu)成的DBN實(shí)驗(yàn)過程和兩個(gè)RBM構(gòu)成的DBN具有相似性，為進(jìn)一步驗(yàn)證DBN系統(tǒng)的合理性，選擇設(shè)置2層RBM網(wǎng)絡(luò)，結(jié)構(gòu)為10000-100-100-8，采取神經(jīng)網(wǎng)絡(luò)開展對比驗(yàn)證，實(shí)驗(yàn)結(jié)果如圖5所示。

實(shí)驗(yàn)結(jié)果顯示，采取DBN的電力負(fù)荷識(shí)別方式，其對8種工業(yè)電力負(fù)荷的識(shí)別效果突出，可推廣應(yīng)用。在使用2層RBM網(wǎng)絡(luò)時(shí)候，對上述各種電力負(fù)荷的識(shí)別率已經(jīng)達(dá)到98.53%，其中整流設(shè)備的識(shí)別率最為突出，可達(dá)到99.88%，究其原因，主要是和整流類設(shè)備自身負(fù)荷的諧波特征有直接聯(lián)系。除此之外，沖壓機(jī)其識(shí)別率達(dá)到99.88%，識(shí)別率也較為理想。而8中工業(yè)電力負(fù)荷識(shí)別中，識(shí)別效果最差的為攪拌機(jī)+電焊機(jī)，但是其識(shí)別率也達(dá)到了96.40%。

四、結(jié)束語

綜上所述，文章提出一種基于深度學(xué)習(xí)的用電負(fù)荷辨識(shí)方法，通過具體的實(shí)驗(yàn)，發(fā)現(xiàn)該深度學(xué)習(xí)的用電負(fù)荷辨識(shí)方法其訓(xùn)練出來的DBN模型對電力負(fù)荷分類的識(shí)別效果途虎，雖然DBN自身無明顯的特征選擇及提取過程，但是其最終的電力負(fù)荷識(shí)別能力最為突出?；贒BN的負(fù)荷識(shí)別精度及為理想，通過DBN的學(xué)習(xí)訓(xùn)練，其可以避免傳統(tǒng)神經(jīng)網(wǎng)絡(luò)容易出現(xiàn)局部最小值的問題，由此可見，深度學(xué)習(xí)方法可提高電力負(fù)荷分類識(shí)別的整體精度。

參? 考? 文? 獻(xiàn)

[1]陳卓， 孫龍祥. 基于深度學(xué)習(xí)LSTM網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測方法[J]. 電子技術(shù)， 2018， 047（001）：39-41.

[2]吳潤澤， 包正睿， 宋雪瑩，等. 基于深度學(xué)習(xí)的電網(wǎng)短期負(fù)荷預(yù)測方法研究[J]. 現(xiàn)代電力， 2018， v.35;No.153（02）：43-48.

[3]楊景剛， 鄧敏， 馬勇，等. 基于深度學(xué)習(xí)的PRPD數(shù)據(jù)特征提取方法[J]. 電測與儀表， 2020， v.57;No.728（03）：104-109+120.

[4]華國玉， 任志， 曾文達(dá)，等. 一款基于深度學(xué)習(xí)的電力設(shè)備圖像識(shí)別方法及巡查機(jī)器人：， 2019.

[5]吳鋼， 王遠(yuǎn)， 付永旗，等. 基于深度學(xué)習(xí)的配電網(wǎng)電壓問題診斷方法研究[J]. 電子設(shè)計(jì)工程， 2020， 028（009）：98-102.

[6]周開樂， 郭志峰， 楊善林，等. 基于深度學(xué)習(xí)的電力負(fù)荷預(yù)測方法和系統(tǒng)，存儲(chǔ)介質(zhì)：， 2018.