住宅用電非侵入式電力負(fù)荷監(jiān)測與識別

陳 飛, 楊 超

(貴州大學(xué) 電氣工程學(xué)院, 貴陽 550025)

0 引 言

隨著智能用電技術(shù)的發(fā)展，各國開始將該技術(shù)作為用電發(fā)展的熱點(diǎn)[1]。負(fù)荷監(jiān)測是實(shí)現(xiàn)智能電網(wǎng)的重要一步。當(dāng)前，對于負(fù)荷監(jiān)測的研究大致分為侵入式負(fù)荷監(jiān)測和非侵入式負(fù)荷監(jiān)測兩個(gè)方向。傳統(tǒng)的侵入式負(fù)荷監(jiān)測(ILM)是通過把每個(gè)電力負(fù)荷處都安裝上傳感器，來對負(fù)荷的運(yùn)行情況進(jìn)行監(jiān)控。雖然ILM的數(shù)據(jù)監(jiān)測能力較好，但是維護(hù)成本高，可操作性較差[2]。非侵入式負(fù)荷監(jiān)測(NILM)技術(shù)僅需要在電力負(fù)荷的入口處進(jìn)行實(shí)時(shí)測量，分析采集到的電壓、電流及功率等信息，便可以得到總負(fù)荷，分解出的各個(gè)用電負(fù)荷的類別以及不同用電負(fù)荷的實(shí)時(shí)的能耗，其維護(hù)成本較低，方便實(shí)施[3]。

在非侵入式負(fù)荷監(jiān)測中，利用變點(diǎn)檢測算法來檢測負(fù)荷的投切狀態(tài)是實(shí)現(xiàn)NILM的第一步，為后面的負(fù)荷穩(wěn)態(tài)特征的提取以及負(fù)荷類別的辨識提供前提。周東國等使用狀態(tài)特征聚類的非侵入式負(fù)荷事件檢測方法對負(fù)荷進(jìn)行暫態(tài)事件的檢測[4]；史帥彬等提出了一種基于負(fù)荷滑動(dòng)窗的CUSUM暫態(tài)事件檢測算法來對負(fù)荷事件檢測[5]；牛盧璐等提出基于滑動(dòng)窗雙邊累積和暫態(tài)事件自動(dòng)檢測算法，對負(fù)荷進(jìn)行暫態(tài)事件的檢測[6]；采用平均值窗來檢測負(fù)荷投切，當(dāng)滑動(dòng)窗中的均值如果發(fā)生很大的變化，可以判斷負(fù)荷投切時(shí)刻的發(fā)生，但對于用電負(fù)荷中電氣量變化緩慢的事件，檢測效果較差[7]；通過檢測負(fù)荷印記在相連的時(shí)間段內(nèi)所發(fā)生的階躍變化，當(dāng)電氣變化量超過閾值時(shí)，可以判斷負(fù)荷存在投切，而對暫態(tài)過程比較長的事件中，經(jīng)常發(fā)生誤檢與漏檢，從而導(dǎo)致負(fù)荷投切時(shí)的檢測率比較低[8]。

為了避免負(fù)荷在投切時(shí)出現(xiàn)誤檢或漏檢，提高負(fù)荷投切檢測的準(zhǔn)確率，本文提出了一種變點(diǎn)檢測方法—基于短期環(huán)比變點(diǎn)檢測算法。

該方法在滑動(dòng)窗的基礎(chǔ)上進(jìn)行改進(jìn)，利用過去相連時(shí)刻的信息作為判斷窗，以未來相連時(shí)刻的信息作為驗(yàn)證窗；先采用判斷窗來判斷該點(diǎn)是否為疑似變點(diǎn)，然后再利用驗(yàn)證窗對疑似變點(diǎn)進(jìn)行驗(yàn)證，從而實(shí)現(xiàn)變點(diǎn)檢測。該算法實(shí)現(xiàn)簡單，抗干擾力較強(qiáng)，誤判及漏判數(shù)目較低。在負(fù)荷的辨識方面，本文使用了LGSALO優(yōu)化SVM算法，利用所提取負(fù)荷穩(wěn)態(tài)特征來建立負(fù)荷特征庫，進(jìn)而對負(fù)荷進(jìn)行辨識，并通過國外公開BLUED數(shù)據(jù)集來驗(yàn)證本文所提的檢測算法與辨識算法的有效性。

1 短期環(huán)比變點(diǎn)檢測原理

短期環(huán)比算法的設(shè)計(jì)思想是利用當(dāng)前i時(shí)刻檢測值和檢測值過去T個(gè)時(shí)刻中的各個(gè)時(shí)刻點(diǎn)進(jìn)行比較，將其達(dá)到閾值的個(gè)數(shù)進(jìn)行累加，然后再與按需求進(jìn)行設(shè)置的Count_num進(jìn)行對比，最后得出檢測結(jié)果。在電力負(fù)荷監(jiān)測中，如果由于負(fù)荷投切導(dǎo)致有功功率或者電流有效值發(fā)生了突變或者緩慢變化，可以通過短期環(huán)比變點(diǎn)檢測來確定負(fù)荷的投切時(shí)刻。

觀測隨機(jī)時(shí)間序列P={P(k)},k=1,2,…。

假設(shè)變點(diǎn)時(shí)刻為τ,定義短期環(huán)比算法的變點(diǎn)判斷依據(jù)，式(1):

(1)

其中，P(τ)表示檢測點(diǎn)τ時(shí)刻對應(yīng)的有功功率的檢測值；T表示檢測點(diǎn)τ時(shí)刻之前總的T個(gè)時(shí)刻；P(i)表示對應(yīng)i時(shí)刻的有功功率；threshold表示檢測點(diǎn)與檢測點(diǎn)前面時(shí)刻對應(yīng)功率差值的閾值；count_num表示滿足要求閾值個(gè)數(shù)。

1.1 閾值參數(shù)的設(shè)定

采用動(dòng)態(tài)閾值設(shè)置方法設(shè)置閾值threshold，其設(shè)定方法是針對信號發(fā)生正向突變時(shí)，采用過去一段時(shí)間T內(nèi)的均值作為閾值，式(2)。

(2)

其中：P(i)表示對應(yīng)i時(shí)刻的有功功率；T表示檢測點(diǎn)之前總的T個(gè)時(shí)刻；α表示信號發(fā)生正向突變時(shí)，動(dòng)態(tài)閾值的權(quán)重。

信號發(fā)生反向突變時(shí)，可取過去一段時(shí)間T內(nèi)的最大值與均值之差和均值與最小值之差中的最小值來作為閾值，式(3)。

(3)

其中：P(i)表示對應(yīng)i時(shí)刻的有功功率；T表示檢測點(diǎn)之前總的T個(gè)時(shí)刻；β表示信號在發(fā)生反向突變時(shí)，動(dòng)態(tài)閾值的權(quán)重。

count_num閾值可以依據(jù)對變點(diǎn)的敏感程度來設(shè)置，對變點(diǎn)敏感，可以設(shè)置count_num小一些，而如果對變點(diǎn)不敏感，可以將count_num設(shè)置的大一些。

1.2 短期環(huán)比的檢測算法流程

本文提出的短期環(huán)比的檢測算法的流程圖如圖1所示。

從圖1可以看出，m是判斷窗長度；Jcount是檢測點(diǎn)與檢測點(diǎn)前面時(shí)刻所對應(yīng)功率的差值中達(dá)到閾值threshold的個(gè)數(shù)；Dcount是達(dá)到count_num的個(gè)數(shù)。

圖1 短期環(huán)比變點(diǎn)檢測流程圖

1.2.1 檢測變點(diǎn)

記檢測點(diǎn)時(shí)刻為τ，γ。當(dāng)時(shí)，認(rèn)為可能會(huì)產(chǎn)生疑似變點(diǎn)，判斷窗的檢測過程如圖2所示。

>Jcount_num

從圖2中可以看出，短期環(huán)比檢測算法是通過判斷窗來判斷檢測點(diǎn)是否為疑似變點(diǎn)，其原理是通過與過去4個(gè)時(shí)刻點(diǎn)進(jìn)行比較，計(jì)算大于動(dòng)態(tài)閾值threshold的個(gè)數(shù)，再與按需求設(shè)置的Jcount_num進(jìn)行對比，得到對檢測點(diǎn)的判斷。但是在實(shí)際應(yīng)用中，負(fù)荷可能會(huì)出現(xiàn)過長時(shí)間的啟動(dòng)或者關(guān)閉，從而導(dǎo)致啟動(dòng)或關(guān)閉時(shí)間的長度遠(yuǎn)遠(yuǎn)大于判斷窗的長度，進(jìn)而可能會(huì)出現(xiàn)漏檢或誤檢。因此，本文在檢測變點(diǎn)之前，加上約束來防止檢測點(diǎn)在半坡上或半坡下導(dǎo)致的漏檢或誤檢。

圖2 判斷窗的檢測過程

檢測上坡時(shí)的約束公式(4)：

(4)

其中：P(i)表示檢測點(diǎn)時(shí)刻i的有功功率；P(i-1)表示檢測點(diǎn)前一時(shí)刻i-1的有功功率；P(i+1)表示檢測點(diǎn)后一時(shí)刻i+1的有功功率；old表示檢測點(diǎn)與前一點(diǎn)對應(yīng)的有功功率差值；fulture表示檢測點(diǎn)與后一點(diǎn)對應(yīng)的有功功率差值。

該約束作用是防止負(fù)荷在投入時(shí)時(shí)間過長，出現(xiàn)遠(yuǎn)遠(yuǎn)大于判斷窗長度，進(jìn)而會(huì)出現(xiàn)對負(fù)荷投入的誤判。

檢測下坡時(shí)的約束公式(5):

(5)

其中：P(i)表示檢測點(diǎn)i時(shí)刻的有功功率；P(i-1)表示檢測點(diǎn)前一時(shí)刻i-1的有功功率；P(i+1)表示檢測點(diǎn)后一時(shí)刻i+1的有功功率；old表示檢測點(diǎn)與前一點(diǎn)對應(yīng)的有功功率差值；fulture表示檢測點(diǎn)與后一點(diǎn)對應(yīng)的有功功率差值。

該約束作用是防止負(fù)荷在切除時(shí)時(shí)間過長，出現(xiàn)遠(yuǎn)遠(yuǎn)大于判斷窗長度，進(jìn)而會(huì)出現(xiàn)對負(fù)荷切除的誤判。

考慮一些電感性負(fù)荷在啟動(dòng)過程中，可能會(huì)出現(xiàn)啟動(dòng)電流較大導(dǎo)致瞬時(shí)所耗有功功率過大，從而導(dǎo)致在有功功率恢復(fù)到正常使用的額定功率時(shí)所對應(yīng)的下降過程時(shí)間過長，造成下降坡度平緩，負(fù)荷可能產(chǎn)生切除的誤判，考慮到負(fù)荷在運(yùn)行過程中很少在高于額定功率時(shí)出現(xiàn)切除，故增加負(fù)荷切除時(shí)約束。

(a)當(dāng)檢測對象為單負(fù)荷時(shí)，式(6)。

P(i)≤PW

(6)

其中：P(i)表示檢測點(diǎn)時(shí)刻i的有功功率，PW表示單負(fù)荷的額定有功功率。

(b)當(dāng)檢測為混合負(fù)荷時(shí)，式(7)。

p(i)≤max(PW1,PW2…PWj)

(7)

其中：P(i)表示檢測點(diǎn)i時(shí)刻的有功功率，PWj表示第j個(gè)負(fù)荷的額定有功功率。

1.2.2 驗(yàn)證變點(diǎn)

記驗(yàn)證點(diǎn)時(shí)刻為τ，γ。當(dāng)時(shí)驗(yàn)證點(diǎn)判定為變點(diǎn)，驗(yàn)證窗的驗(yàn)證過程如圖3所示。

圖3 驗(yàn)證窗的驗(yàn)證過程

從圖3可以看出，經(jīng)過判斷窗得出檢測點(diǎn)為疑似變點(diǎn)之后，再通過驗(yàn)證窗來驗(yàn)證疑似變點(diǎn)是投切點(diǎn)而不是受到噪聲干擾產(chǎn)生的變點(diǎn)。其原理是通過與未來4個(gè)時(shí)刻點(diǎn)進(jìn)行比較，計(jì)算其大于動(dòng)態(tài)閾值threshold的個(gè)數(shù)，再與按需求設(shè)置的Dcount_num對比，得到對變點(diǎn)的驗(yàn)證。

1.3 算法可行性驗(yàn)證

為了驗(yàn)證本文算法的有效性，利用從blued數(shù)據(jù)集中截取小型家庭用戶部分功率數(shù)據(jù)來對以下6類負(fù)荷的功率數(shù)據(jù)進(jìn)行變點(diǎn)檢測仿真，對應(yīng)的6類負(fù)荷分別是冰箱、烹飪機(jī)、吹風(fēng)機(jī)、空氣壓縮機(jī)、打印機(jī)、熨斗。

如圖4所示，冰箱的變點(diǎn)檢測，從上到下對應(yīng)的是本文所提出檢測算法所得到的投切時(shí)刻，冰箱實(shí)際的投切時(shí)刻，冰箱的有功功率曲線?？梢园l(fā)現(xiàn)檢測算法得到的投切時(shí)刻與實(shí)際投切時(shí)刻吻合，在12:22:01投入，12:37:40切除。

圖4 冰箱變點(diǎn)檢測

由圖5可以看出：其是烹飪機(jī)的變點(diǎn)檢測，從上到下所對應(yīng)的是本文所提出檢測算法所得到的投切時(shí)刻，烹飪機(jī)實(shí)際的投切時(shí)刻，烹飪機(jī)的有功功率曲線?？梢园l(fā)現(xiàn)檢測算法得到的投切時(shí)刻與實(shí)際投切時(shí)刻吻合。在21:29:29投入，21:30:19切除。即使負(fù)荷在運(yùn)行過程中存在著較大的功率波動(dòng)，該檢測算法仍能準(zhǔn)確辨識負(fù)荷的投切。

圖5 烹飪機(jī)變點(diǎn)檢測

同理，如圖6～9可以得到：吹風(fēng)機(jī)在21:29:29投入，21:30:19切除；空氣壓縮機(jī)在07:53:18投入，07:53:38切除。打印機(jī)在02:56:23投入，02:56:31切除；熨斗在02:56:31投入，02:56:33切除。

圖6 吹風(fēng)機(jī)變點(diǎn)檢測

由圖10可以看出：其是冰箱與空氣壓縮機(jī)混合變點(diǎn)檢測，從上到下所對應(yīng)的是本文所提出檢測算法所得到的投切時(shí)刻，冰箱與空氣壓縮機(jī)實(shí)際的投切時(shí)刻，冰箱與空氣壓縮機(jī)對應(yīng)的有功功率曲線?？梢园l(fā)現(xiàn)檢測算法得到的投切時(shí)刻與實(shí)際投切時(shí)刻吻合。在21:07:36時(shí)刻冰箱投入，在21:12:54時(shí)刻空氣壓縮機(jī)開始投入，在21:13:13時(shí)刻空氣壓縮機(jī)切除，然后在21:22:43時(shí)刻冰箱切除。

本文利用負(fù)荷的變點(diǎn)檢測算法，提取用電負(fù)荷穩(wěn)態(tài)時(shí)的負(fù)荷穩(wěn)態(tài)特征數(shù)據(jù)，進(jìn)而創(chuàng)建用電負(fù)荷穩(wěn)態(tài)特征的樣本庫，實(shí)現(xiàn)為負(fù)荷的辨識工作。

圖7 空氣壓縮機(jī)變點(diǎn)檢測

圖8 打印機(jī)變點(diǎn)檢測

圖9 熨斗變點(diǎn)檢測

圖10 冰箱與空氣壓縮機(jī)的混合變點(diǎn)檢測

2 LGSALO-SVM算法原理及實(shí)現(xiàn)

2.1 LGSALO算法介紹

基本蟻獅優(yōu)化算法(ALO)是基于蟻獅捕獲螞蟻原理的智能優(yōu)化算法，主要分為螞蟻隨機(jī)游走、蟻獅陷阱放置、蟻獅誘捕、蟻獅捕獲和蟻獅重構(gòu)陷阱5個(gè)步驟[9]。ALO算法采用數(shù)學(xué)模擬的方法來實(shí)現(xiàn)螞蟻與蟻獅之間相互作用行為，從而將問題進(jìn)行優(yōu)化：通過引入螞蟻的隨機(jī)游動(dòng)實(shí)現(xiàn)解空間的全局搜索，為了保證種群的多樣性和算法尋優(yōu)性能，采用輪盤賭策略和精英策略。蟻獅是對應(yīng)于優(yōu)化問題中的解，通過捕捉適應(yīng)度較高的螞蟻實(shí)現(xiàn)對最優(yōu)值更新及保存。然而，ALO算法在尋找最優(yōu)解的過程中容易陷入局部最優(yōu)解及所對應(yīng)的收斂精度較低的問題，因此本文將采用融合萊維飛行(Lévy)與黃金正弦的蟻獅優(yōu)化算法(LGSALO)。由于Lévy飛行短距離結(jié)合偶爾長距離跳躍的特點(diǎn)，使得螞蟻在更新位置上將更加多樣性。因?yàn)橄仾{的位置根據(jù)被捕后的螞蟻位置來確定，使得蟻獅的群體具有多樣性，實(shí)現(xiàn)迅速越過局部最優(yōu)的位置，使得搜索解空間的范圍更加全面，種群整體的尋優(yōu)效率更高。因此，本文利用Lévy飛行機(jī)制實(shí)現(xiàn)對螞蟻位置的變異更新。又由于golden-SA函數(shù)與單位圓之間的對應(yīng)關(guān)系，可以搜索正弦函數(shù)的每一位，即可以遍歷單位圓的每一位點(diǎn)，從而使得尋優(yōu)的求解區(qū)域變得更加全面。通過隨機(jī)選擇參數(shù)R1和R2，可以控制位置和方向的更新，使得搜索空間逐步減小，驅(qū)使蟻獅個(gè)體能夠更快的趨近最優(yōu)值，這樣可以大大縮短智能算法的尋優(yōu)時(shí)間，算法的尋優(yōu)的速度和精度以及尋優(yōu)結(jié)果都比較理想。LGSALO算法中通過引入golden-SA算法的黃金分割數(shù)來確定精英蟻獅的更新位置。

2.1.1 螞蟻的隨機(jī)游走

螞蟻在自然界中為覓食而隨機(jī)游走，其運(yùn)動(dòng)過程公式(8)為:

(8)

其中：X(t)是螞蟻隨機(jī)游走的步數(shù)集；cumsum是累計(jì)螞蟻游走步長的和函數(shù)；n表示最大迭代次數(shù)；t是隨機(jī)游走步長；r(t)是由等式定義的隨機(jī)函數(shù)，其定義為式(9)：

(9)

其中：t是隨機(jī)游走步長，rand表示在[0,1]區(qū)間內(nèi)由均勻分布生成的隨機(jī)數(shù)。

在算法優(yōu)化過程中，將螞蟻與蟻獅的位置保存到位置矩陣中，并且求解各自的適應(yīng)度值，將其保存在適應(yīng)度值矩陣中。當(dāng)蟻獅群體中出現(xiàn)相連兩次迭代的最優(yōu)值幾乎不存在差別時(shí)，則算法判斷陷入局部最優(yōu)，因此Lévy飛行來對螞蟻的位置更新處進(jìn)行變異更新。螞蟻的位置更新公式(10)如下：

(10)

(11)

其中：μ,ν服從標(biāo)準(zhǔn)正態(tài)分布，λ=1.5，

(12)

2.1.2 蟻獅對螞蟻隨機(jī)游走的影響

蟻獅對螞蟻隨機(jī)游走的影響由螞蟻構(gòu)造的陷阱所決定，對這一假設(shè)進(jìn)行數(shù)學(xué)建模如式(13)：

(13)

其中：ct為所有變量在t次迭代的最小值；dt為所有變量在第t次迭代的最大值；ALit為第t次迭代中選擇第i個(gè)蟻獅的位置。

2.1.3 自適應(yīng)機(jī)制

自適應(yīng)機(jī)制是指采用輪盤賭策略來決定哪只蟻獅捕捉哪只螞蟻，每一只螞蟻有且只能被一只蟻獅所捕獲，而對于適應(yīng)度值高的蟻獅有很高概率能夠捕獲到螞蟻。其次，當(dāng)一旦螞蟻進(jìn)入陷阱，蟻獅就會(huì)從陷阱中心射出沙子，這會(huì)逐漸縮小沙坑的半徑。這種行為會(huì)滑倒試圖逃跑的被困螞蟻。為了對這種行為進(jìn)行數(shù)學(xué)建模，螞蟻的隨機(jī)游動(dòng)超球半徑被自適應(yīng)縮小。通過方程(14)模擬這種現(xiàn)象。

(14)

其中：I=10w(t/T)是蟻獅構(gòu)建陷阱的范圍大?。籛是一個(gè)常數(shù)；T表示最大的迭代次數(shù)。

精英蟻獅位置采用golden-SA算法的黃金分割數(shù)進(jìn)行更新，golden-SA算法的核心是位置處于更新的情況下，將會(huì)隨機(jī)生成s個(gè)個(gè)體位置，并用XiT=(Xi,1,Xi2,…,Xid)T表示d維的個(gè)體空間中處于第T次迭代中第i(i=1,2,...,s)個(gè)個(gè)體的空間位置，PiT=(Pi1,Pi2,...,Pid)T表示第T代個(gè)體i的最優(yōu)位置，在T+1次迭代中，第i(i=1,2,...,np)個(gè)個(gè)體的位置更新公式(15)如下：

(15)

2.1.4 精英策略

在迭代過程中，為了保證最優(yōu)解，需要保留精英蟻群。精英螞蟻是最好適應(yīng)度值的螞蟻，在每次迭代過程中，對所有螞蟻的移動(dòng)將會(huì)受到精英螞蟻的影響。被選中的蟻獅和精英蟻獅隨機(jī)行走來更新其位置，第t只螞蟻在第t+1次迭代的位置由公式(16)確定：

(16)

其中：RAt是第t次迭代中螞蟻的隨機(jī)游走步長由輪盤賭來決定，REt表示在第t次迭代過程中，精英蟻獅周圍隨機(jī)游走螞蟻的步長。

2.2 LGSALO-SVM在NILM的實(shí)現(xiàn)

支持向量機(jī)是在統(tǒng)計(jì)學(xué)基礎(chǔ)上所提出有監(jiān)督的機(jī)器學(xué)習(xí)方法，其在解決小樣本、非線性中表現(xiàn)出許多特有的優(yōu)勢，且常用來處理回歸與分類問題[10]。本文采用常用的交叉驗(yàn)證方法K折交叉驗(yàn)證方法(K-fold Cross Validation, K-CV)，但由于其對應(yīng)的懲罰因子C和g的參數(shù)具有不確定性，所以在支持向量機(jī)的懲罰因子的基礎(chǔ)上，采用LGSALO算法優(yōu)化，從而對懲罰因子C和g進(jìn)行尋優(yōu)，克服了參數(shù)不確定性，提高了家用負(fù)荷辨識的準(zhǔn)確率。LGSALO-SVM算法的步驟如圖11所示。

圖11 LGSALO-SVM算法流程圖

首先針對LGSALO算法中的適應(yīng)度函數(shù)，選取支持向量機(jī)中K-CV的平均準(zhǔn)確率；對螞蟻和蟻獅的位置進(jìn)行隨機(jī)初始化；通過適應(yīng)度函數(shù)為K-CV中的平均準(zhǔn)確率，判斷在SVM算法中懲罰因子C與核函數(shù)g是否達(dá)到最優(yōu)值。若滿足最優(yōu)參數(shù)，則可以得到LGSALO算法優(yōu)化后的最佳SVM參數(shù)，最后通過變點(diǎn)檢測所提取的特征數(shù)據(jù)進(jìn)行測試，獲得最佳分類結(jié)果。倘若不滿足最佳參數(shù)，則采用輪盤賭搜索方式對蟻獅優(yōu)化選擇，以Lévy變異來更新螞蟻位置，以黃金正弦更新精英蟻獅位置等，直至獲得最佳參數(shù)為止。

3 仿真實(shí)驗(yàn)

本文采用了國外公開Blued數(shù)據(jù)集測試算例，其中有冰箱、烹飪機(jī)、吹風(fēng)機(jī)、打印機(jī)、空氣壓縮機(jī)、熨斗共6類負(fù)荷的數(shù)據(jù)。使用變點(diǎn)檢測算法檢測負(fù)荷的投切時(shí)刻，再提取出負(fù)荷的穩(wěn)態(tài)數(shù)據(jù)來作為訓(xùn)練樣本，所提取的特征為有功功率和無功功率。采用LGSALO-SVM算法訓(xùn)練分類模型，并與ALO-SVM算法以及傳統(tǒng)SVM算法進(jìn)行比較。

采用機(jī)器學(xué)習(xí)中分類器的評價(jià)指標(biāo)，真陽性(True Positive, TP)表示正確檢測負(fù)荷的投切；真陰性(True Negative, TN)表示檢測沒有出現(xiàn)負(fù)荷投切，實(shí)際上也沒有負(fù)荷投切發(fā)生；假陽性(False Positive, FP)表示檢測出負(fù)荷的投切，實(shí)際上沒有負(fù)荷的投切，即檢測的誤判；假陰性(False Negative, FN)表示存在負(fù)荷投切，但卻未檢測出負(fù)荷投切，即漏判。因?yàn)樵诖蟛糠智闆r中負(fù)荷都是處于穩(wěn)定的運(yùn)行狀態(tài)，所以統(tǒng)計(jì)其TN的數(shù)值非常高，故TN通常忽略。而采用H.Altrabal等提出的F-Measure評價(jià)標(biāo)準(zhǔn)，F(xiàn)M越高，說明檢測性能越好[11]。

3.1 單負(fù)荷的變點(diǎn)檢測

設(shè)定短期環(huán)比檢測參數(shù)，判斷窗中Jcount_num=3，驗(yàn)證窗中Dcount_num=1。依據(jù)不同類型負(fù)荷來設(shè)置變點(diǎn)檢測中動(dòng)態(tài)閾值參數(shù)α，β。冰箱取α=1.3,β=1.3；烹飪機(jī)取α=1.3,β=1.3；吹風(fēng)機(jī)取α=1.8,β=1.8；打印機(jī)取α=1.8,β=1.6；空氣壓縮機(jī)取α=1.8,β=0.1；熨斗取α=1.8,β=1.6。

采用CUSUM算法來作變點(diǎn)檢測，CUSUM參數(shù)設(shè)定為：冰箱H=30.5,Beta=15；烹飪機(jī)H=80.5,Beta=65；吹風(fēng)機(jī)H=80.5,Beta=65；打印機(jī)H=30.5,Beta=15；空氣壓縮機(jī)H=80.5,Beta=65；熨斗H=30.5,Beta=15。

從表1和表2中單負(fù)荷的指標(biāo)可以發(fā)現(xiàn)CUSUM算法受窗口寬度的限制，當(dāng)功率波動(dòng)較大時(shí)，對電氣量變化緩慢的負(fù)荷投切容易誤檢成多個(gè)負(fù)荷的投切，因此所對應(yīng)的FP也會(huì)比較高。而在本文的算法中通過上下坡約束的方式，極大避免了負(fù)荷在投切過程中出現(xiàn)緩慢變化等影響，使得FP較低。從FN來看本文算法也低于采用CUSUM算法。對FM評價(jià)來看，本文檢測算法的檢測性能要高于CUSUM算法。冰箱和打印機(jī)在投切及運(yùn)行過程中，采用CUSUM算法檢測的誤判及漏判的次數(shù)要遠(yuǎn)高于本文的檢測算法。

表1 基于短期環(huán)比檢測算法

表2 基于CUSUM算法檢測

3.2 多負(fù)荷混合變點(diǎn)檢測

為驗(yàn)證該算法對混合負(fù)荷的投切也具備有效性，本文選冰箱和空氣壓縮機(jī)的混合投切來進(jìn)行驗(yàn)證。設(shè)定短期環(huán)比檢測參數(shù)，判斷窗Jcount_num=3；驗(yàn)證窗Dcount_num=1；對于其變點(diǎn)檢測中閾值設(shè)置α=1.3,β=1.3；CUSUM中的參數(shù)設(shè)定為H=30.5,Beta=15。

從表1和表2多負(fù)荷的指標(biāo)中可以看出，對于這兩種電器混合投切，本文的檢測算法漏檢和誤檢的個(gè)數(shù)要低于CUSUM算法，檢測算法的檢測性能也高于CUSUM算法。

3.3 分類算法的比較

本文采用LGSALO-SVM與ALO-SVM和傳統(tǒng)的SVM算法對負(fù)荷分類識別進(jìn)行對比驗(yàn)證。通過變點(diǎn)檢測，提取負(fù)荷的穩(wěn)態(tài)特征，然后添加到特征數(shù)據(jù)庫中，并且定義標(biāo)簽。LGSALO-SVM和ALO-SVM算法參數(shù)，種群數(shù)量N=30，最大迭代數(shù)Max_iter=50；利用LGSALO-SVM和ALO-SVM及傳統(tǒng)的SVM算法分別進(jìn)行分類模型訓(xùn)練，在相同的數(shù)據(jù)集基礎(chǔ)上分類，對6種家用負(fù)荷識別準(zhǔn)確率進(jìn)行比較。

從表3可以看出，LGSALO-SVM算法比傳統(tǒng)SVM和ALO-SVM算法具有較高的負(fù)荷準(zhǔn)確率。

表3 6種家用負(fù)荷識別準(zhǔn)確率(%)

4 結(jié)束語

本文提出了一種短期環(huán)比檢測算法，該算法能夠準(zhǔn)確檢測出用電負(fù)荷投切時(shí)刻，實(shí)現(xiàn)簡單且解決了變點(diǎn)檢測中容易出現(xiàn)誤檢與漏檢的問題，提升了對負(fù)荷投切的檢測能力。在負(fù)荷識別方面，本文以變點(diǎn)檢測算法為基礎(chǔ)，提取了用電負(fù)荷的穩(wěn)態(tài)特征，并且采用LGSALO-SVM算法對分類模型進(jìn)行建立與測試驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，該辨識方法對于大部分的住宅用電負(fù)荷其具備良好的分類識別性能。