非侵入式負(fù)荷識(shí)別方法研究綜述

章為昆，鄔永強(qiáng)，杜 磊，韓偉健，陳 炎，張石清

（1.浙江萬(wàn)勝智能科技股份有限公司，浙江 天臺(tái) 317200；2.臺(tái)州學(xué)院 電子與信息工程學(xué)院，浙江 臨海 317000）

0 引言

日趨成熟的智能電網(wǎng)技術(shù)是電力用戶與電網(wǎng)之間友好互動(dòng)的基礎(chǔ)。一方面，實(shí)現(xiàn)智能用電的前提是電力用戶知曉自己的用電習(xí)慣，獲取用電負(fù)荷的用電詳情。通過(guò)負(fù)荷監(jiān)測(cè)技術(shù)提供的各用電設(shè)備的數(shù)據(jù)，用戶可以調(diào)整自身用電行為，進(jìn)而達(dá)到節(jié)約用電的目的。比如，根據(jù)峰谷電中不同時(shí)間電價(jià)的差異，把洗衣機(jī)工作的時(shí)間調(diào)整到早上八點(diǎn)以前。另一方面，負(fù)荷監(jiān)測(cè)技術(shù)可以幫助電網(wǎng)掌握某個(gè)地區(qū)常用負(fù)荷設(shè)備以及多數(shù)電力用戶的用電行為，進(jìn)而為調(diào)度發(fā)電、電網(wǎng)規(guī)劃提供指導(dǎo)意見(jiàn)，最終為智能用電提供技術(shù)支持。

非侵入式負(fù)荷識(shí)別，是指通過(guò)對(duì)家庭或者工廠的總電表的數(shù)據(jù)進(jìn)行分析，從而得到負(fù)荷設(shè)備的各種信息，如電器的數(shù)量、電器的種類以及每種電器耗電信息等。與侵入式方式負(fù)荷識(shí)別相比（如圖1左側(cè)子圖所示），非侵入式負(fù)荷識(shí)別（如圖1右側(cè)子圖所示）無(wú)需為用戶的所有用電負(fù)荷安裝傳感器，僅通過(guò)智能電表中數(shù)據(jù)分析便可得到所有負(fù)荷的詳細(xì)情況。首先，它不需要購(gòu)置昂貴的傳感設(shè)備，其次，不會(huì)出現(xiàn)后期傳感設(shè)備出現(xiàn)故障需要維護(hù)的情況。上述兩個(gè)原因使得非侵入式負(fù)荷識(shí)別具有使用便捷、成本低、通用性強(qiáng)的優(yōu)勢(shì)。研究非侵入式負(fù)荷識(shí)別技術(shù)在現(xiàn)實(shí)生活中的多個(gè)方面都具有很高的社會(huì)價(jià)值。對(duì)于普通家庭，家庭用戶通過(guò)負(fù)荷識(shí)別設(shè)備提供的所有電器的電費(fèi)，參考電力公司的計(jì)費(fèi)策略（比如峰谷電價(jià)差異），可調(diào)整家庭用電行為，進(jìn)而達(dá)到節(jié)省電費(fèi)開(kāi)支的目的［1?2］；對(duì)于電力公司來(lái)講，非侵入負(fù)荷識(shí)別技術(shù)可通過(guò)對(duì)部分區(qū)域所有負(fù)荷設(shè)備的各個(gè)組成成分的分析，幫助電力公司對(duì)用戶用電行為建立更精準(zhǔn)的模型，從而實(shí)現(xiàn)對(duì)用電用戶的差異化、精準(zhǔn)化服務(wù)［3］，提高公司效益。非侵入式負(fù)荷識(shí)別技術(shù)涉及多個(gè)學(xué)科，比如計(jì)算機(jī)、電子等等，在智能電網(wǎng)、建筑節(jié)能、智慧城市等領(lǐng)域得到廣泛應(yīng)用［4?5］。近幾年來(lái)，智能電表已廣泛部署到世界上多個(gè)國(guó)家。據(jù)統(tǒng)計(jì)，截至2016年底，美國(guó)、英國(guó)以及中國(guó)已經(jīng)安裝的智能電表總數(shù)分別達(dá)到7000萬(wàn)、300萬(wàn)和9600萬(wàn)臺(tái)左右［6］。這么大規(guī)模的智能電表產(chǎn)生的數(shù)據(jù)為非侵入式負(fù)荷識(shí)別技術(shù)的研究提供了數(shù)據(jù)支持。與此同時(shí)，日趨成熟的機(jī)器學(xué)習(xí)算法也為負(fù)荷識(shí)別技術(shù)提供了技術(shù)支持。總之，非侵入式負(fù)荷識(shí)別技術(shù)研究在工業(yè)界和學(xué)術(shù)界已得到廣泛關(guān)注。

圖1 侵入式負(fù)荷識(shí)別和非侵入式負(fù)荷識(shí)別示意圖

1 非侵入式負(fù)荷識(shí)別基本原理

如圖2所示，非侵入式負(fù)荷識(shí)別流程包括數(shù)據(jù)測(cè)量、數(shù)據(jù)預(yù)處理以及負(fù)荷分解三部分。其中，預(yù)處理數(shù)據(jù)涉及未知事件的檢測(cè)、負(fù)荷特征的提取等模塊，而異常檢測(cè)和采樣頻率轉(zhuǎn)化是為了節(jié)省計(jì)算時(shí)間而設(shè)計(jì)的，為非必需模塊。

圖2 非侵入式負(fù)荷識(shí)別流程圖

2 數(shù)據(jù)測(cè)量和預(yù)處理

負(fù)荷特征，即能夠代表不同用電負(fù)荷的特有信息。不同的負(fù)荷的特征有或大或小的差異，常見(jiàn)的特征是負(fù)荷設(shè)備工作時(shí)的電流波形、功率以及它們衍生出的參數(shù)，比如諧波等。提取特征的策略以及精度對(duì)最終的負(fù)荷分解任務(wù)影響很大，好的負(fù)荷特征能夠起到事半功倍的效果。不同的負(fù)荷特征的提取設(shè)備也不同，電流等穩(wěn)態(tài)特征只需要低頻采集設(shè)備即可，而諧波失真等暫態(tài)特征需要額外安裝高頻采集設(shè)備。

作為負(fù)荷識(shí)別的第一步，數(shù)據(jù)測(cè)量負(fù)責(zé)從安裝在某一區(qū)域的電表讀取數(shù)據(jù)信息。以普通的家庭用戶為例，負(fù)荷數(shù)據(jù)是從入戶總表中提取到的電流、電壓和它們衍生出的數(shù)據(jù)，比如功率是電流和電壓的乘積，等等。采樣頻率和物理量是影響數(shù)據(jù)測(cè)量的兩個(gè)因素。前者分為高頻和低頻兩類。低頻模式的電表所能提取到的負(fù)荷特征是電流和功率等，其采樣間隔可以快到1秒，也可以慢到1天［7?10］；高頻電表單位時(shí)間內(nèi)讀取的數(shù)據(jù)量更多，除了可以獲得電流、電壓等常見(jiàn)的負(fù)荷特征外，還能獲取諧波失真［11?12］、電磁干擾［13］、暫態(tài)波形，以及上述特征的幾何統(tǒng)計(jì)特性［14?15］。

3 事件檢測(cè)

對(duì)采集數(shù)據(jù)中負(fù)荷特征的值產(chǎn)生影響的因素有很多，包括負(fù)荷工作狀態(tài)的改變、線路上存在的噪聲、連續(xù)變化型負(fù)載的正常運(yùn)行等。事件檢測(cè)就是根據(jù)前后兩個(gè)時(shí)刻負(fù)荷特征的改變情況，判斷當(dāng)前是否有負(fù)荷的工作狀態(tài)發(fā)生改變，比如是否有電器開(kāi)啟和關(guān)閉，或者電器不同模式之間切換。理想的檢測(cè)算法能夠準(zhǔn)確判斷出前后兩個(gè)狀態(tài)分別是什么。目前常用的檢測(cè)方法主要包括以下三種，分別為啟發(fā)式事件檢測(cè)、匹配濾波事件檢測(cè)和基于概率模型的事件檢測(cè)［16］。

啟發(fā)式事件檢測(cè)首先設(shè)定一定的規(guī)則，然后根據(jù)規(guī)則判斷是否有事件發(fā)生。該類方法需要事先設(shè)置一個(gè)閾值，小于該閾值的表示沒(méi)有事件發(fā)生。文獻(xiàn)［1］以功率序列作為研究對(duì)象，把功率序列進(jìn)行簡(jiǎn)單的分割，得到若干個(gè)子序列，然后判斷特定時(shí)間間隔里功率波動(dòng)是否小于某個(gè)參數(shù)，如果是，則該區(qū)域是穩(wěn)定區(qū)，否則就是變化區(qū)。穩(wěn)定區(qū)可以用功率平均值作為該區(qū)域的特征。然后與穩(wěn)定區(qū)前的第一個(gè)采樣點(diǎn)對(duì)應(yīng)該事件的開(kāi)始發(fā)生時(shí)間。該方法容易受到電磁干擾，導(dǎo)致算法精度不高。為了減少電磁干擾的影響，需要對(duì)功率信號(hào)進(jìn)行中值濾波或者線性平滑［17］等預(yù)處理。

匹配濾波事件檢測(cè)方法需要提取收集所有負(fù)荷的部分信號(hào)，然后對(duì)采集的新信號(hào)與信號(hào)庫(kù)進(jìn)行比對(duì)處理，進(jìn)而判斷當(dāng)前是否有事件發(fā)生。比如，文獻(xiàn)［18-19］將待檢測(cè)的信號(hào)與信號(hào)模板進(jìn)行相關(guān)計(jì)算。該類方法的缺點(diǎn)是需要事先收集所有負(fù)荷的信號(hào)，而這需要一定的經(jīng)費(fèi)和事件的支出。文獻(xiàn)［20-21］中把事件通用似然比引入到事件檢測(cè)算法，該算法需要不斷改變滑窗長(zhǎng)度進(jìn)行檢測(cè)判斷，進(jìn)而降低誤報(bào)率。文獻(xiàn)［22］把擬合優(yōu)度卡方檢驗(yàn)引入到事件檢測(cè)算法中，并在真實(shí)數(shù)據(jù)集上進(jìn)行驗(yàn)證，發(fā)現(xiàn)其比GLR方法更具優(yōu)勢(shì)。

上述兩類方法原理簡(jiǎn)單、運(yùn)算量小，但是隨著需要識(shí)別的負(fù)荷種類以及數(shù)量的不斷增加，噪音以及所需計(jì)算量也逐漸增加，導(dǎo)致上述兩類算法的應(yīng)用受到限制?；诟怕誓Ｐ偷氖录z測(cè)方法是在建模的時(shí)候引入概率，使得算法具有較高的抗干擾能力，算法結(jié)果更精確。

4 特征提取

非侵入式負(fù)荷檢測(cè)的輸入是提取到的負(fù)荷特征，然后利用模型得到負(fù)荷的狀態(tài)以及能耗等。因此，從電表數(shù)據(jù)中提取合適特征對(duì)于負(fù)荷識(shí)別非常重要。如果特征不合適，即使后面模型設(shè)計(jì)再合理，也會(huì)影響負(fù)荷識(shí)別的效果。目前常用的特征可以分為兩類，即暫態(tài)特征和穩(wěn)態(tài)特征（如圖3所示）。

圖3 非侵入式負(fù)荷識(shí)別常見(jiàn)特征分類

暫態(tài)特征是負(fù)荷工作時(shí)的瞬間特征。有效的暫態(tài)特征包括功率變化、啟動(dòng)功率、啟動(dòng)電流波形以及各個(gè)波形的尖峰大小等［23］。暫態(tài)特征通過(guò)高頻電表讀取，然后通過(guò)其他計(jì)算，比如傅里葉變化或者小波變化等計(jì)算得到［24?25］。

穩(wěn)態(tài)特征是負(fù)荷設(shè)置在穩(wěn)定狀態(tài)下的特征。常見(jiàn)的穩(wěn)態(tài)特征包括功率（包括有功、視在、無(wú)功）的改變、穩(wěn)態(tài)電壓電流的波形、穩(wěn)態(tài)電流及電壓諧波、V-I軌跡等。功率變化是常見(jiàn)的時(shí)域穩(wěn)態(tài)特征［26?27］。有些文獻(xiàn)對(duì)功率信號(hào)進(jìn)行某種計(jì)算后，得到新特征進(jìn)行負(fù)荷識(shí)別。比如，文獻(xiàn)［28］中利用非負(fù)張量分解分離信號(hào)，得到最相關(guān)特征；有些學(xué)者利用希爾伯特變換對(duì)采集的總功率信號(hào)進(jìn)行處理，以得到合適的負(fù)荷分解特征［29］。

部分研究人員通過(guò)快速傅里葉變換技術(shù)對(duì)電流的已知時(shí)域信息進(jìn)行分析，得到電流的頻域信息，然后利用頻域特征進(jìn)行負(fù)荷識(shí)別［30?31］。上述算法雖然利用了較好的頻域特征，處理了部分噪聲，但是卻丟棄了時(shí)域信息。時(shí)頻分析的方法不僅可以提取頻域特征，還可以提取到時(shí)域特征，比如離散小波變換［32?34］或者短時(shí)傅里葉變換［35?37］都可以用來(lái)獲取相應(yīng)的負(fù)荷特征。

5 負(fù)荷分解

在提取合適的負(fù)荷特征后，下一步是建立分解模型。依據(jù)所采用的測(cè)量特征可以將負(fù)荷分解算法分為兩大類：

（1）基于組合最優(yōu)化的負(fù)荷分解方法需要構(gòu)造負(fù)荷特征庫(kù)，即每個(gè)負(fù)荷的特征，比如功率信號(hào)等［38］。文獻(xiàn)［39］利用先驗(yàn)知識(shí)構(gòu)造特征濾波器，然后讓所有特征濾波器對(duì)輸入功率信號(hào)進(jìn)行濾波計(jì)算，進(jìn)而確定混合信號(hào)功率成分。雖然該類方法通俗易懂，但也存在問(wèn)題，即模型本質(zhì)是NP完全問(wèn)題，優(yōu)化效率提升困難，且并不是所有負(fù)荷特征都滿足疊加性，在實(shí)際應(yīng)用場(chǎng)景中很難構(gòu)造完備的設(shè)備特征庫(kù)［40］。

（2）基于模式識(shí)別的負(fù)荷分解模型直接對(duì)前期收集到的負(fù)荷數(shù)據(jù)進(jìn)行建模分析。該類方法根據(jù)建模的時(shí)候是否有標(biāo)簽可以利用又分為三類，即無(wú)監(jiān)督分解算法、半監(jiān)督分解算法和有監(jiān)督分解算法。無(wú)監(jiān)督分解算法只有負(fù)荷特征，而沒(méi)有它所對(duì)應(yīng)的負(fù)荷種類或者能耗情況可以利用；有監(jiān)督分解算法是建模的時(shí)候知道所對(duì)應(yīng)的負(fù)荷種類或者能耗情況；半監(jiān)督分解算法介于上述兩者之間，即只有少量的負(fù)荷知道所對(duì)應(yīng)的負(fù)荷種類或者能耗情況。負(fù)荷種類或者能耗狀況通常由用戶收集或者由侵入式負(fù)荷設(shè)備獲取。有監(jiān)督分解代表性算法包括決策樹(shù)［41］、人工神經(jīng)網(wǎng)絡(luò)［42］和 K 近鄰［43］等等。程江洲等［44］利用隨機(jī)森林算法的強(qiáng)幻化能力和魯棒性，并結(jié)合聚類算法，提出了一種基于層次聚類加權(quán)重隨機(jī)森林的負(fù)荷分解算法。宋旭帆等［45］利用該方法的非線性分類優(yōu)點(diǎn)和K近鄰算法的簡(jiǎn)潔特性，把該方法和K近鄰算法應(yīng)用到負(fù)荷分解模型中，該模型同時(shí)考慮準(zhǔn)確度和計(jì)算復(fù)雜度。無(wú)監(jiān)督算法訓(xùn)練過(guò)程中不需要標(biāo)簽信息，直接利用特征進(jìn)行建模分析。比如，可以利用K-means等聚類方法進(jìn)行負(fù)荷特征的提取以及負(fù)荷識(shí)別［46］。由于實(shí)際應(yīng)用中標(biāo)簽數(shù)據(jù)獲取的代價(jià)很高，無(wú)監(jiān)督類算法可以不用標(biāo)簽進(jìn)行數(shù)據(jù)分析，但是它的準(zhǔn)確率卻比不上另外兩類算法。于是半監(jiān)督算法就有了用武之地，即此學(xué)習(xí)過(guò)程中只有少量數(shù)據(jù)是有標(biāo)簽的。

6 結(jié)語(yǔ)

雖然目前研究人員已經(jīng)提出了大量非侵入式負(fù)荷識(shí)別的方法，監(jiān)測(cè)性能也不斷完善，但是目前非侵入式負(fù)荷算法距離實(shí)際應(yīng)用還存在差距，具體包括以下幾個(gè)方面：

（1）深度學(xué)習(xí)算法在非侵入式負(fù)荷監(jiān)測(cè)領(lǐng)域得到很好的效果，但是受限于算法的復(fù)雜度以及電表內(nèi)存大小，導(dǎo)致該類算法不能直接嵌入到電表中。因此需要在保證性能的前提下研究輕量深度學(xué)習(xí)算法，使其能夠嵌入到電表中。

（2）國(guó)外雖然有非侵入式負(fù)荷數(shù)據(jù)集，但是受限于國(guó)內(nèi)外不同負(fù)荷的行業(yè)標(biāo)準(zhǔn)的差異。因此需要構(gòu)造國(guó)內(nèi)的非侵入式負(fù)荷數(shù)據(jù)集，以便于學(xué)術(shù)研究。

（3）實(shí)際場(chǎng)景中統(tǒng)一負(fù)荷的不同品牌的特征差別很大，為了識(shí)別這些負(fù)荷，需要設(shè)計(jì)復(fù)雜的模型，這將導(dǎo)致計(jì)算成本增加。