非侵入式負(fù)荷在線監(jiān)測(cè)系統(tǒng)的設(shè)計(jì)

陳張平， 李 真， 施永濤， 鄭小青， 屈雷濤

（杭州電子科技大學(xué)自動(dòng)化學(xué)院，杭州 310018）

0 引 言

當(dāng)前，智能用電是連接電網(wǎng)側(cè)與用戶側(cè)實(shí)現(xiàn)智能電網(wǎng)“網(wǎng)-荷”交互服務(wù)體系的重要組成部分，對(duì)整個(gè)電網(wǎng)的高效、經(jīng)濟(jì)的運(yùn)行和未來(lái)電網(wǎng)建設(shè)與規(guī)劃產(chǎn)生具有較大影響［1］。用戶用電負(fù)荷監(jiān)測(cè)是實(shí)現(xiàn)智能用電的首要環(huán)節(jié)，負(fù)荷監(jiān)測(cè)技術(shù)通過(guò)對(duì)用戶總負(fù)荷數(shù)據(jù)采樣與分析，監(jiān)測(cè)用戶每一種電器的詳細(xì)運(yùn)行狀態(tài)，以獲得電能消耗情況和用電行為等數(shù)據(jù)信息。

目前，常用的監(jiān)測(cè)方法過(guò)于依賴大量歷史數(shù)據(jù)及強(qiáng)計(jì)算能力設(shè)備，NILM平臺(tái)搭建成本較高，且識(shí)別準(zhǔn)確率不夠穩(wěn)定，難以應(yīng)對(duì)現(xiàn)實(shí)中的強(qiáng)干擾。為解決上述問(wèn)題，本設(shè)計(jì)基于高頻電信號(hào)采集裝置，搭建網(wǎng)絡(luò)數(shù)據(jù)傳輸平臺(tái)，利用孤立森林檢測(cè)法來(lái)標(biāo)定電氣事件起止時(shí)間，減少噪聲，提高事件檢測(cè)準(zhǔn)確率；對(duì)所獲取的事件進(jìn)行時(shí)頻域特征提取，并采取數(shù)據(jù)降維方法進(jìn)一步減少事件識(shí)別所需的特征量，在減少計(jì)算壓力的同時(shí)提高不同類別負(fù)荷區(qū)分度，從而間接增加識(shí)別準(zhǔn)確率；利用LSTM網(wǎng)絡(luò)進(jìn)行訓(xùn)練和負(fù)荷識(shí)別，該網(wǎng)絡(luò)針對(duì)序列信號(hào)特征識(shí)別具有顯著優(yōu)勢(shì)；最后將結(jié)果通過(guò)GUI界面進(jìn)行可視化［2-3］。

1 方案設(shè)計(jì)

非侵入式負(fù)荷在線監(jiān)測(cè)系統(tǒng)的整體實(shí)現(xiàn)思路為：通過(guò)高比例互感器，利用高采集頻率電信號(hào)采集裝置，從總電路中獲取負(fù)荷運(yùn)行時(shí)所產(chǎn)生的電信號(hào)波形。采集到用戶的電信號(hào)數(shù)據(jù)后，通過(guò)網(wǎng)絡(luò)數(shù)據(jù)傳輸平臺(tái)傳入云服務(wù)器進(jìn)行數(shù)據(jù)存儲(chǔ)，并通過(guò)數(shù)據(jù)分析模塊中的事件檢測(cè)、特征提取、事件識(shí)別單元，最終識(shí)別所運(yùn)行的電氣設(shè)備，并將結(jié)果展示于可視化界面［4］。總體方案結(jié)構(gòu)圖如圖1所示。

圖1 在線監(jiān)測(cè)系統(tǒng)總體方案結(jié)構(gòu)示意圖

2 系統(tǒng)硬件設(shè)計(jì)

本設(shè)計(jì)所需的NILM采集裝置需要有高頻的數(shù)據(jù)采集模塊、高效率的數(shù)據(jù)傳輸模塊以及高精準(zhǔn)數(shù)據(jù)解析模塊。系統(tǒng)硬件結(jié)構(gòu)示意圖如圖2所示［5］。圖中，數(shù)據(jù)采集模塊需要配置1個(gè)高頻采樣模組，且為了提高采集裝置的適用性，其采集頻率可以在一定范圍內(nèi)改變（0.1～20 kHz），同時(shí)加裝強(qiáng)抗干擾組件，令采集到的波形信號(hào)具有更高的穩(wěn)壓精度和良好的動(dòng)態(tài)特性，減少數(shù)據(jù)受噪聲影響程度。為了安全考慮，配置一個(gè)高比例（（2 000～4 000）∶1）［6］）的電信號(hào)互感器，避免因誤觸造成的觸電。

圖2 系統(tǒng)硬件結(jié)構(gòu)示意圖

數(shù)據(jù)傳輸模塊需要配置網(wǎng)絡(luò)傳輸模組，提高對(duì)采集數(shù)據(jù)的傳輸速率，減少線材成本，將采集到的電信號(hào)數(shù)據(jù)通過(guò)無(wú)線傳輸至數(shù)據(jù)接收機(jī)。同時(shí)，為了保證數(shù)據(jù)傳輸有效性，建立確定的私有通信協(xié)議，且可通過(guò)網(wǎng)絡(luò)指令實(shí)時(shí)修改串口參數(shù)（包括波特率、起始位、檢驗(yàn)位、終止位等）［7-8］。

除了能實(shí)現(xiàn)直采電流、電壓、剩余電流數(shù)據(jù)外，還添加數(shù)據(jù)解析單元，從而獲得對(duì)應(yīng)時(shí)刻的功率因數(shù)、負(fù)荷率、電壓波動(dòng)、電流/電壓諧波參數(shù)，為之后的數(shù)據(jù)挖掘打下堅(jiān)實(shí)基礎(chǔ)。

3 系統(tǒng)軟件設(shè)計(jì)

3.1 事件檢測(cè)

3.1.1 改進(jìn)孤立森林算法

改進(jìn)孤立森林算法是在原有孤立森林算法上改進(jìn)異常值定義以及最終對(duì)是否異常的判定，原本的孤立森林算法通過(guò)循環(huán)足夠多的次數(shù)進(jìn)行數(shù)據(jù)點(diǎn)深度收斂，結(jié)合指數(shù)函數(shù)來(lái)獲取一個(gè)點(diǎn)的異常程度，這樣的會(huì)導(dǎo)致算法進(jìn)程慢，還會(huì)產(chǎn)生一個(gè)是否收斂的判別問(wèn)題，本設(shè)計(jì)將每次形成孤立數(shù)的深度倒數(shù)作為異常值，同時(shí)在執(zhí)行程序有限次后，將每次相同數(shù)的異常值累加形成最后的異常值指標(biāo)。相較于原本算法的指標(biāo)，本設(shè)計(jì)程序執(zhí)行時(shí)間大大縮短，且將原來(lái)判斷是否收斂的問(wèn)題轉(zhuǎn)化為發(fā)散程度的問(wèn)題，避免了判斷的問(wèn)題［9］。

步驟1將電流的200個(gè)樣本作為樣本集，包括采樣點(diǎn)，即時(shí)間信息、電流幅值等信息。

步驟2設(shè)置合適長(zhǎng)度的前、后窗口用于提取數(shù)據(jù)，前窗口為變長(zhǎng)度窗口，用于提取前窗口內(nèi)單個(gè)數(shù)據(jù)樣本；后窗口為固定長(zhǎng)度窗口，用于提取固定長(zhǎng)度的數(shù)據(jù)樣本即前窗正常推進(jìn)時(shí)設(shè)置為1個(gè)單位；檢測(cè)到異常時(shí)，長(zhǎng)度應(yīng)設(shè)置為小于第2次事件投切來(lái)臨的區(qū)間長(zhǎng)度，同時(shí)應(yīng)考慮存在電網(wǎng)波動(dòng)，原則上高于4個(gè)單位，本例設(shè)置為6個(gè)單位，后窗作為采集穩(wěn)態(tài)數(shù)據(jù)的窗口，長(zhǎng)度應(yīng)該大于前窗長(zhǎng)度，同時(shí)長(zhǎng)度應(yīng)設(shè)置為小于第2次事件投切來(lái)臨的區(qū)間長(zhǎng)度。

步驟3將前窗中被選中的數(shù)據(jù)樣本與后窗數(shù)據(jù)樣本集混合，通過(guò)采用改進(jìn)孤立森林算法判斷出異常的點(diǎn)，具體步驟為：

Step1提取前窗和后窗中每個(gè)電流數(shù)據(jù)樣本的幅值，去除時(shí)間信息后混合。

Step2在單次執(zhí)行程序中，多次在最大、最小幅值之間取隨機(jī)值并記錄下隨機(jī)值，直到最大幅值與隨機(jī)數(shù)，或者最小幅值與隨機(jī)數(shù)之間、或者隨機(jī)數(shù)之間只存在1個(gè)幅值樣本，記為孤立出一個(gè)點(diǎn)，此時(shí)生成了的隨機(jī)數(shù)的個(gè)數(shù)作為前窗中被選中的數(shù)據(jù)樣本在后窗數(shù)據(jù)內(nèi)的劃分深度，取劃分深度的倒數(shù)作為異常值，表征前窗中被選中的數(shù)據(jù)樣本較于后窗數(shù)據(jù)的異常程度，實(shí)現(xiàn)示例見(jiàn)圖3。第1步將所得前后窗數(shù)據(jù)混合得到數(shù)據(jù)集，并將數(shù)據(jù)集中的最大最小值確定為隨機(jī)取點(diǎn)的區(qū)間邊界；第2步在所確定區(qū)間內(nèi)隨機(jī)取點(diǎn)，如圖中，中點(diǎn)1被邊界與隨機(jī)取點(diǎn)“孤立”，則得到點(diǎn)1的劃分深度為1；第3步同樣在所確定區(qū)間內(nèi)隨機(jī)取點(diǎn)，如fi中點(diǎn)2被第1次隨機(jī)取的點(diǎn)與第2次隨機(jī)取的點(diǎn)“孤立”，則得到點(diǎn)2的劃分深度為2，重復(fù)上述步驟直到劃分的點(diǎn)達(dá)到設(shè)定值停止，并將劃分深度的倒數(shù)作為異常值記錄至異常表中。

圖3 孤立森林單次執(zhí)行任務(wù)示意圖

Step3設(shè)定合適孤立點(diǎn)數(shù)即停止該次程序。

Step4執(zhí)行該程序有限次，將有限次被孤立出相同的點(diǎn)的異常值相加得到異常值排序表。

Step5根據(jù)異常值排序表，標(biāo)記異常點(diǎn)。

Step6若前窗數(shù)據(jù)未被標(biāo)記成異常點(diǎn)，則前窗保持一個(gè)單位長(zhǎng)度，否則前窗變?yōu)樵O(shè)定長(zhǎng)度，將其中的單個(gè)數(shù)據(jù)樣本依次加入后窗重復(fù)進(jìn)行STEP1～STEP6操作直至前窗內(nèi)最后一個(gè)數(shù)據(jù)樣本被檢測(cè)完。

步驟4根據(jù)從前窗依次加入后窗的數(shù)據(jù)被標(biāo)記為異常點(diǎn)的個(gè)數(shù)判斷是否發(fā)生電器投切事件。

步驟5當(dāng)窗口未檢測(cè)到事件投切，則前窗長(zhǎng)度變?yōu)?個(gè)單位長(zhǎng)度，同時(shí)前窗后窗向前移動(dòng)1個(gè)單位，當(dāng)已經(jīng)檢測(cè)出投切事件時(shí)，則不再記錄此時(shí)前窗及以前的數(shù)據(jù)，向前形成1個(gè)設(shè)定長(zhǎng)度的后窗以及1個(gè)單位長(zhǎng)度的前窗進(jìn)行動(dòng)態(tài)檢測(cè)。

3.1.2 基于改進(jìn)孤立森林的事件檢測(cè)算法

本設(shè)計(jì)事件檢測(cè)采用滑動(dòng)前后窗口模式，首先設(shè)置合適長(zhǎng)度的前窗口與后窗口用于提取數(shù)據(jù)，將前窗中被選中個(gè)數(shù)據(jù)樣本與后窗個(gè)數(shù)據(jù)樣本集混合，通過(guò)采用改進(jìn)孤立森林算法判斷出異常的點(diǎn)，根據(jù)從前窗數(shù)據(jù)中逐個(gè)加入后窗的數(shù)據(jù)點(diǎn)被標(biāo)記為異常點(diǎn)的個(gè)數(shù)判斷是否發(fā)生電器投切事件，當(dāng)窗口未檢測(cè)到事件投切，則前窗長(zhǎng)度變?yōu)?個(gè)單位長(zhǎng)度，同時(shí)前窗后窗同時(shí)向前移動(dòng)1個(gè)單位，當(dāng)已經(jīng)檢測(cè)出投切事件時(shí)，則不再記錄此時(shí)前窗及以前的數(shù)據(jù)，向前形成1個(gè)設(shè)定長(zhǎng)度的后窗以及1個(gè)單位長(zhǎng)度的前窗進(jìn)行動(dòng)態(tài)檢測(cè)［10］。算法流程如圖4所示。

圖4 基于改進(jìn)孤立森林的事件檢測(cè)算法流程

3.2 特征提取

如圖5所示，本設(shè)計(jì)通過(guò)事件檢測(cè)算法獲取一定長(zhǎng)度的負(fù)荷啟動(dòng)前的穩(wěn)態(tài)電流瞬時(shí)信息、負(fù)荷啟動(dòng)時(shí)電流瞬時(shí)信息以及啟動(dòng)后的穩(wěn)態(tài)電流瞬時(shí)信息。假設(shè)第i個(gè)啟停事件的負(fù)荷啟動(dòng)前的穩(wěn)態(tài)電流瞬時(shí)信息為負(fù)荷啟動(dòng)時(shí)的穩(wěn)態(tài)電流瞬時(shí)信息為負(fù)荷啟動(dòng)后的穩(wěn)態(tài)電流瞬時(shí)信息為。運(yùn)用快速離散傅里葉算法將這兩個(gè)時(shí)域的穩(wěn)態(tài)電流瞬時(shí)信息轉(zhuǎn)化成頻域的信息，

圖5 特征提取示意圖

式中：N表示每段瞬態(tài)信息所包含的所有點(diǎn)數(shù)。

基于電信號(hào)的線性疊加性，將啟動(dòng)后穩(wěn)態(tài)瞬時(shí)信息頻域幅值序列減去啟動(dòng)前穩(wěn)態(tài)瞬時(shí)信息頻域幅值序列得到單負(fù)荷特征序列作為第i次負(fù)荷啟停時(shí)的頻域特征。

同時(shí)將負(fù)荷啟動(dòng)時(shí)瞬時(shí)電流信息取一定周期T進(jìn)行瞬時(shí)電流有效化，得到有效電流序列作為時(shí)域特征：

3.3 負(fù)荷識(shí)別

從本設(shè)計(jì)所提取到的負(fù)荷啟停特征來(lái)看，不管是時(shí)域特征STi還是頻域特征SFi都是一維序列，所以本設(shè)計(jì)采用針對(duì)長(zhǎng)序列特征識(shí)別適用性強(qiáng)的長(zhǎng)短期記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）作為主識(shí)別網(wǎng)絡(luò)。

傳統(tǒng)的循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）在處理特征值為序列的問(wèn)題時(shí)具有優(yōu)勢(shì)，但是存在當(dāng)神經(jīng)層大量增加時(shí)會(huì)出現(xiàn)梯度消失和梯度爆炸的問(wèn)題，所以對(duì)于長(zhǎng)序列問(wèn)題的處理有一定的局限性，LSTM是一種具有記憶功能的特殊循環(huán)神經(jīng)網(wǎng)絡(luò)，通過(guò)引入記憶單元以及遺忘門，選擇性遺忘一些當(dāng)下信息，同時(shí)又記住以往的一些信息克服梯度消失和梯度爆炸的問(wèn)題。

為了充分利用所提取的時(shí)頻域信息，分別針對(duì)時(shí)頻域特征搭建LSTM網(wǎng)絡(luò)，并將兩者的最終輸出特征通過(guò)一個(gè)全連接層來(lái)進(jìn)行特征融合，提高了不同類別負(fù)荷的類間距離，縮小類內(nèi)距離，從而提高負(fù)荷識(shí)別成功率［11］。最終所搭建的網(wǎng)絡(luò)結(jié)構(gòu)圖如圖6所示。

在建設(shè)生態(tài)文明已成為全球共識(shí)，旅游業(yè)也壯大的時(shí)代背景下，洞庭湖區(qū)發(fā)展選擇旅游業(yè)發(fā)展路子，是明智之舉。洞庭湖的發(fā)展價(jià)值有多方面體現(xiàn)，濕地旅游業(yè)一定是發(fā)展中污染最小、且收益主要來(lái)自文化，是深遠(yuǎn)的。而建設(shè)生態(tài)經(jīng)濟(jì)區(qū)旅游業(yè)，必須始終堅(jiān)持生態(tài)優(yōu)先。洞庭湖資源豐富多樣，價(jià)值很大，而此文的思考卻是其很微小的一個(gè)方面，甚至還存在研究不夠全面，邏輯些微欠缺的問(wèn)題。湖區(qū)發(fā)展首先要集合力量，推動(dòng)旅游業(yè)的建設(shè)發(fā)展；落實(shí)關(guān)鍵要抓項(xiàng)目，建設(shè)最終都要落到具體的項(xiàng)目上，是最重要最有效力的支撐；最后發(fā)展的終極目的在于提高人民群眾的生活水平和幸福指數(shù)。

圖6 識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)圖

4 系統(tǒng)測(cè)試與分析

4.1 電信號(hào)數(shù)據(jù)接收與存儲(chǔ)

將所需硬件設(shè)備搭建完成后，首先對(duì)數(shù)據(jù)傳輸平臺(tái)進(jìn)行調(diào)試：①配置好高頻電信號(hào)采集裝置的設(shè)備號(hào)、采集數(shù)據(jù)類型、默認(rèn)地址、網(wǎng)絡(luò)接收IP、數(shù)據(jù)傳輸目標(biāo)IP、數(shù)據(jù)傳輸協(xié)議等。②實(shí)現(xiàn)數(shù)據(jù)接收軟件，并根據(jù)傳輸數(shù)據(jù)的設(shè)備號(hào)來(lái)進(jìn)行數(shù)據(jù)區(qū)分，同時(shí)為了后期獲取各種不同電器的特征數(shù)據(jù)庫(kù)，數(shù)據(jù)接收軟件可以根據(jù)所輸入的電器名字來(lái)進(jìn)行自動(dòng)分類存儲(chǔ)。如圖7所示，是數(shù)據(jù)接收與存儲(chǔ)的效果展示。

圖7 數(shù)據(jù)接收與存儲(chǔ)效果展示

4.2 基于改進(jìn)孤立森林的事件檢測(cè)算法的實(shí)現(xiàn)

在獲取到足夠多的不同負(fù)荷正常運(yùn)行啟停的電信號(hào)數(shù)據(jù)后，利用這些數(shù)據(jù)實(shí)現(xiàn)事件檢測(cè)算法，下面以電吹風(fēng)為例說(shuō)明算法實(shí)現(xiàn)過(guò)程：

以檢測(cè)單電器啟停、狀態(tài)轉(zhuǎn)換識(shí)別為例，采用Matlab軟件進(jìn)行算法實(shí)現(xiàn)。吹風(fēng)機(jī)共依次進(jìn)行停機(jī)至冷風(fēng)一檔、冷風(fēng)一檔至冷風(fēng)二擋、冷風(fēng)二擋至熱風(fēng)二擋、熱風(fēng)二擋至熱風(fēng)一檔、熱風(fēng)一檔至停機(jī)5個(gè)狀態(tài)。

步驟1將采集到的電流瞬時(shí)值轉(zhuǎn)化為有效值。

步驟2設(shè)置正常推進(jìn)時(shí)前窗長(zhǎng)度設(shè)置為1個(gè)單位；檢測(cè)到異常時(shí)，長(zhǎng)度應(yīng)設(shè)置為小于第2次事件投切來(lái)臨的區(qū)間長(zhǎng)度，同時(shí)應(yīng)考慮存在電網(wǎng)波動(dòng)，原則上高于4個(gè)單位，本例設(shè)置為6個(gè)單位，后窗作為采集穩(wěn)態(tài)數(shù)據(jù)的窗口，長(zhǎng)度應(yīng)該大于前窗長(zhǎng)度，同時(shí)長(zhǎng)度應(yīng)設(shè)置為小于第2次事件投切來(lái)臨的區(qū)間長(zhǎng)度，本例設(shè)置為30個(gè)單位。

步驟3將前窗中被選中的數(shù)據(jù)樣本與后窗數(shù)據(jù)樣本集混合，通過(guò)采用改進(jìn)孤立森林算法判斷出異常的點(diǎn)。

步驟4根據(jù)從前窗依次加入后窗的數(shù)據(jù)被標(biāo)記為異常點(diǎn)的個(gè)數(shù)判斷是否發(fā)生電器投切事件，本例以6個(gè)單位的后窗中的5個(gè)數(shù)據(jù)都被標(biāo)記為異常點(diǎn)則表示發(fā)生電器投切事件為例。

圖8 事件檢測(cè)效果（吹風(fēng)機(jī)樣例）圖

最后，對(duì)比算法檢測(cè)結(jié)果與人眼檢測(cè)結(jié)果，本設(shè)計(jì)所采用的算法針對(duì)實(shí)驗(yàn)中所采用的八類電器而言，事件檢測(cè)成功率分別為：吸塵器99.6%，微波爐99.3%，掛燙機(jī)99.8%，電磁爐99.1%，電飯鍋99.0%，電熱水壺99.8%，電風(fēng)扇99.2%，電吹風(fēng)99.0%。

4.3 時(shí)頻域特征提取及負(fù)荷特征樣本庫(kù)建立

為了提高識(shí)別算法的準(zhǔn)確度，需要建立常用負(fù)荷數(shù)據(jù)庫(kù)。本設(shè)計(jì)選取了8類常用電器：吸塵器、微波爐、掛燙機(jī)、電磁爐、電飯鍋、電熱水壺、電風(fēng)扇、電吹風(fēng)，通過(guò)采集它們正常使用時(shí)的電信號(hào)數(shù)據(jù)，并利用事件檢測(cè)算法獲取每種電器至少1 000次的啟動(dòng)、停止事件，即得到包含8 000段啟停事件的總樣本庫(kù)，之后，根據(jù)本設(shè)計(jì)前文所述的時(shí)頻域特征提取方法，對(duì)應(yīng)提取到8 000段啟停事件的頻域特征SFi（i=1，2，…，8 000）和8 000段啟停事件的時(shí)域特征STi（i=1，2，…，8 000）［12］，將這16 000個(gè)特征樣本庫(kù)作為本設(shè)計(jì)負(fù)荷識(shí)別的數(shù)據(jù)庫(kù)。

4.4 基于LSTM網(wǎng)絡(luò)的負(fù)荷識(shí)別算法實(shí)現(xiàn)

在獲取到樣本庫(kù)后，利用TensorFlow框架，基于圖6搭建LSTM網(wǎng)絡(luò)及最終全連接層，將樣本庫(kù)中的90%的樣本作為訓(xùn)練集輸入到本設(shè)計(jì)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，并將剩下的10%的樣本作為測(cè)試集輸入到訓(xùn)練好的模型中進(jìn)行測(cè)試，最終測(cè)試集的負(fù)荷識(shí)別準(zhǔn)確率高達(dá)98.7%，滿足在線負(fù)荷識(shí)別的精度要求。此外，還選取了7種電器（上文中吸塵器和電風(fēng)扇比較相近，不做比較）與RNN網(wǎng)絡(luò)進(jìn)行精度及收斂速度進(jìn)行比較［13］，最終結(jié)果如圖9、10所示。結(jié)果證明，LSTM網(wǎng)絡(luò)不僅有著更高的識(shí)別精度，同時(shí)其收斂效果優(yōu)于RNN網(wǎng)絡(luò)。

圖9 LSTM網(wǎng)絡(luò)與RNN網(wǎng)絡(luò)預(yù)測(cè)結(jié)果對(duì)比

圖10 LSTM網(wǎng)絡(luò)與RNN網(wǎng)絡(luò)收斂速度對(duì)比圖

4.5 非侵入式負(fù)荷在線監(jiān)測(cè)系統(tǒng)的實(shí)現(xiàn)及可視化界面搭建

在實(shí)現(xiàn)上述步驟后，最后便是將上述內(nèi)容進(jìn)行整合，實(shí)現(xiàn)負(fù)荷在線檢測(cè)系統(tǒng)。非侵入式負(fù)荷在線監(jiān)測(cè)系統(tǒng)的工作步驟為：通過(guò)電信號(hào)數(shù)據(jù)接收軟件，從網(wǎng)絡(luò)中不斷獲取高頻采集器所發(fā)送過(guò)來(lái)的數(shù)據(jù)包并進(jìn)行解包及數(shù)據(jù)讀取，之后利用事件檢測(cè)軟件來(lái)進(jìn)行判斷是否產(chǎn)生了電器啟停；若否，則丟棄所得數(shù)據(jù)；若是，則將所獲數(shù)據(jù)傳入特征提取軟件中進(jìn)行時(shí)頻域特征解析，之后將所得特征傳入訓(xùn)練好的網(wǎng)絡(luò)模型中進(jìn)行電器預(yù)測(cè)，并將結(jié)果通過(guò)GUI界面進(jìn)行可視化［14］。

5 結(jié) 語(yǔ)

本文結(jié)合高頻電信號(hào)采集器、網(wǎng)絡(luò)傳輸平臺(tái)搭建了非侵入式負(fù)荷在線監(jiān)測(cè)系統(tǒng)，該系統(tǒng)的應(yīng)用場(chǎng)景為電網(wǎng)公司可在不進(jìn)入用戶生活空間的前提下，僅通過(guò)電網(wǎng)總線提取到的電信號(hào)便可以監(jiān)測(cè)用戶的電器使用情況，同時(shí)該系統(tǒng)也可以為用戶提供更詳細(xì)的電器使用情況，提高用戶的節(jié)能意識(shí)。從實(shí)驗(yàn)結(jié)果看出，所實(shí)現(xiàn)的基于改進(jìn)孤立森林的事件檢測(cè)算法效果很好，檢測(cè)成功率達(dá)99%；此外，充分利用了所采集到的高頻電信號(hào)數(shù)據(jù)，相比于常見(jiàn)的僅利用時(shí)域特征的算法，同時(shí)利用了時(shí)頻域特征，在提高負(fù)荷類間區(qū)分度的前提下，算法的訓(xùn)練時(shí)間也沒(méi)有顯著增加。最終測(cè)試表明，所采用的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)的負(fù)荷識(shí)別準(zhǔn)確率達(dá)98%，且識(shí)別時(shí)間很短，可以實(shí)現(xiàn)實(shí)時(shí)在線監(jiān)測(cè)［15］。