一種融合時(shí)間特征的非侵入式負(fù)荷辨識(shí)決策方法

田正其，徐晴，李如意，趙雙雙

(1. 國(guó)網(wǎng)江蘇省電力有限公司營(yíng)銷服務(wù)中心，南京 210019； 2. 國(guó)家電網(wǎng)有限公司電能計(jì)量重點(diǎn)實(shí)驗(yàn)室，南京 210019； 3. 河南許繼儀表有限公司，河南 許昌 461000)

0 引 言

非侵入式負(fù)荷監(jiān)測(cè)是推動(dòng)電網(wǎng)實(shí)現(xiàn)智能化的一種重要技術(shù)[1]，它只需通過安裝在用戶電力入口處的負(fù)荷感知模塊獲取用戶的實(shí)時(shí)用電信息[2]，便可實(shí)現(xiàn)負(fù)荷能耗分解、啟停時(shí)間等信息的提取。相較于傳統(tǒng)的侵入式負(fù)荷測(cè)量而言，它具有成本低廉，安裝方便，實(shí)用性強(qiáng)的優(yōu)點(diǎn)[3]。而且，隨著泛在物聯(lián)網(wǎng)迅猛發(fā)展，非侵入負(fù)荷監(jiān)測(cè)不僅能為用戶制定智能用電策略、改善用戶用電方式提供依據(jù)[4-5]，且有助于電力公司深入分析用戶用電行為，從而加強(qiáng)負(fù)荷需求側(cè)管理，優(yōu)化電網(wǎng)結(jié)構(gòu)[6]。

其中，負(fù)荷辨識(shí)是實(shí)現(xiàn)非侵入式監(jiān)測(cè)技術(shù)的關(guān)鍵。近年來(lái)，計(jì)算機(jī)科學(xué)和智能量測(cè)技術(shù)[7]的快速發(fā)展，為解決負(fù)荷辨識(shí)問題提供了多樣化的解決方案和思路。文獻(xiàn)[8]將深度翻譯序列引入到非侵入式負(fù)荷監(jiān)測(cè)的研究中，提出了一種基于深度序列翻譯的非侵入式負(fù)荷分解方法。該方法能充分利用負(fù)荷功率特征以及負(fù)荷運(yùn)行時(shí)間關(guān)聯(lián)關(guān)系，從而實(shí)現(xiàn)負(fù)荷能耗的有效分解；文獻(xiàn)[9]針對(duì)單一設(shè)備特征負(fù)荷辨識(shí)存在的局限性，提出了一種基于特征融合與深度學(xué)習(xí)的非侵入式負(fù)荷辨識(shí)算法，該方法通過V-I軌跡圖像特征與功率數(shù)值特征的融合，以復(fù)合特征作為設(shè)備新的特征訓(xùn)練反向傳播(BP)神經(jīng)網(wǎng)絡(luò)從而實(shí)現(xiàn)非侵入式負(fù)荷辨識(shí)；文獻(xiàn)[10]提出了一種貝葉斯優(yōu)化的雙向長(zhǎng)短期記憶(LSTM)方法用于解決當(dāng)電器數(shù)量增加時(shí)出現(xiàn)的多維性問題，同時(shí)還引入了一個(gè)非因果模型，用以處理多家電運(yùn)行的固有特征結(jié)構(gòu)，并在此基礎(chǔ)上，引入貝葉斯優(yōu)化框架來(lái)選擇回歸模型的最佳參數(shù)，從而提高回歸模型的性能。以上方法對(duì)負(fù)荷類型較少或用戶負(fù)荷組成已知的情況具有良好的辨識(shí)效果，但在一些家庭場(chǎng)景中仍然存在特征庫(kù)建立不全等問題，導(dǎo)致負(fù)荷辨識(shí)能力不足。

針對(duì)用戶負(fù)荷特征庫(kù)不全的場(chǎng)景以及在負(fù)荷種類繁多且有小功率負(fù)荷情況下，文中在有功、無(wú)功等電氣量特征的基礎(chǔ)上，提出了融合非電氣量特征的負(fù)荷辨識(shí)方法。該方法首先通過基于負(fù)荷事件的Mean-shift聚類算法，初步判定負(fù)荷類別數(shù)，然后引入負(fù)荷運(yùn)行時(shí)長(zhǎng)、運(yùn)行時(shí)段等時(shí)間特征[11]，對(duì)大量負(fù)荷特征數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，訓(xùn)練得到負(fù)荷特征數(shù)據(jù)庫(kù)，并采用貝葉斯準(zhǔn)則[12]進(jìn)行非侵入式負(fù)荷決策辨識(shí)。最后，在未知的AMPds公共數(shù)據(jù)集進(jìn)行實(shí)際測(cè)試，獲得了較好的辨識(shí)結(jié)果。

1 建立負(fù)荷特征庫(kù)

負(fù)荷特征是反映負(fù)荷運(yùn)行狀態(tài)的重要參數(shù)[13]，合理地選取負(fù)荷特征是進(jìn)行負(fù)荷辨識(shí)的首要步驟。通常，負(fù)荷特征可分為電氣特征和非電氣特征，常見的電氣特征包括有功功率、無(wú)功功率、電流電壓幅值[14]、電流諧波[15]等，而非電氣特征主要有時(shí)間特征、天氣、溫度等外界因素[16]。這些特征最終為準(zhǔn)確的負(fù)荷辨識(shí)奠定基礎(chǔ)。

1.1 負(fù)荷特征選取

有功功率作為負(fù)荷運(yùn)行時(shí)變化最為顯著的電氣特征[17]，且能反映負(fù)荷的能耗值，是一種高效的負(fù)荷辨識(shí)特征。而無(wú)功功率是表現(xiàn)負(fù)荷內(nèi)在性質(zhì)的重要參數(shù)，它可將電器類別分為阻性、容性以及感性負(fù)荷。因此文中采用有功功率和無(wú)功功率作為負(fù)荷辨識(shí)的電氣特征。

對(duì)于負(fù)荷種類繁多的復(fù)雜運(yùn)行環(huán)境，一般而言，僅使用功率等電氣特征不能有效地區(qū)分電氣特征相似的負(fù)荷，且過多的電氣特征易造成計(jì)算量過大的問題。為此，文中在采用合適的電氣特征的基礎(chǔ)上，引入負(fù)荷的時(shí)間特性作為負(fù)荷辨識(shí)的非電氣特征。由于外界因素的不確定性，部分非電氣特征與負(fù)荷的關(guān)聯(lián)度都無(wú)法準(zhǔn)確獲取，因此，文中將負(fù)荷的時(shí)間特征[18]例如運(yùn)行時(shí)段、運(yùn)行時(shí)長(zhǎng)等，作為較穩(wěn)定和可靠的非電氣特征對(duì)負(fù)荷進(jìn)行辨識(shí)。

1.2 負(fù)荷特征建模

1.2.1 功率特征

有功功率P和無(wú)功功率Q在數(shù)學(xué)上是針對(duì)一個(gè)周期內(nèi)的采樣得到的電壓、電流實(shí)時(shí)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)的，其定義如下：

(1)

(2)

式中T為一個(gè)波形周期內(nèi)的采樣點(diǎn)數(shù)；V(t)代表電路總?cè)肟谔幓蚋髦穞時(shí)刻的電壓值；I(t)為對(duì)應(yīng)t時(shí)刻的電流值。由此可計(jì)算得到負(fù)荷的實(shí)時(shí)功率幅值。這里，為了避免因采集到的功率值變化范圍過大，不利于進(jìn)行序列統(tǒng)計(jì)和訓(xùn)練，文中對(duì)其進(jìn)行數(shù)據(jù)分段[19]，將有功功率和無(wú)功功率從小到大分別采用m1、m2個(gè)等級(jí)進(jìn)行標(biāo)注，如式(3)，式(4)所示：

P={P1,P2,…,Pm1}

(3)

Q={Q1,Q2,…,Qm2}

(4)

進(jìn)一步地，為能有效區(qū)分不同類型的負(fù)荷，尤其是難以辨識(shí)的小功率負(fù)荷和無(wú)功功率變化不明顯的容性負(fù)荷或感性負(fù)荷，可采用不等間隔分段方式處理，從而進(jìn)行統(tǒng)計(jì)及后續(xù)辨識(shí)。

為得到準(zhǔn)確的細(xì)?；β史侄伍g隔，需要對(duì)負(fù)荷數(shù)據(jù)庫(kù)中負(fù)荷特征分布進(jìn)行統(tǒng)計(jì)，如圖1所示，建立P-Q二維矩形特征分布圖。其中負(fù)荷1～負(fù)荷11為AMPds公共數(shù)據(jù)集中選取的11種常見家用負(fù)荷，包括燈具、烘干機(jī)、洗衣機(jī)、冰箱、壁爐等。從圖中可以看出在P∈(0-100) &Q∈(0-20)的范圍內(nèi)負(fù)荷分布較為密集，需要對(duì)該范圍進(jìn)行細(xì)化分段處理。

圖1 負(fù)荷功率特征統(tǒng)計(jì)圖

1.2.2 時(shí)間特征

家庭用電負(fù)荷除了電氣特征之外，其內(nèi)在的時(shí)間特征也可作為區(qū)分負(fù)荷的一種潛在特征，文中主要將時(shí)間特征具體化為負(fù)荷運(yùn)行時(shí)長(zhǎng)、運(yùn)行時(shí)段、負(fù)荷工作周期性及假期與非假期四個(gè)特征。

(1)負(fù)荷運(yùn)行時(shí)長(zhǎng)特征L

對(duì)于常見的家庭用戶用電負(fù)荷，其運(yùn)行時(shí)長(zhǎng)L通常會(huì)具有一定的規(guī)律。為驗(yàn)證這一特征的有效性，文中對(duì)負(fù)荷數(shù)據(jù)庫(kù)中負(fù)荷的運(yùn)行時(shí)長(zhǎng)進(jìn)行箱型圖統(tǒng)計(jì)，如圖2所示。從圖2中可以看出大部分家用負(fù)荷的運(yùn)行時(shí)長(zhǎng)都在100 min以內(nèi)，也有個(gè)別負(fù)荷運(yùn)行時(shí)長(zhǎng)超過1 400 min，即幾乎全天運(yùn)行，同時(shí)還有部分負(fù)荷運(yùn)行時(shí)長(zhǎng)分布不固定在一個(gè)區(qū)間范圍內(nèi)，即存在多個(gè)“異常值”。由此可見，不同的用電負(fù)荷其運(yùn)行時(shí)長(zhǎng)具有一定的特異性，可用作負(fù)荷辨識(shí)的參考特征。

圖2 負(fù)荷運(yùn)行時(shí)長(zhǎng)統(tǒng)計(jì)圖

根據(jù)統(tǒng)計(jì)得到的各負(fù)荷運(yùn)行的時(shí)長(zhǎng)區(qū)間，將時(shí)長(zhǎng)特征L分為m3個(gè)等級(jí)，即：

L={L1,L2,…,Lm3}

(5)

(2)負(fù)荷運(yùn)行時(shí)段特征t

根據(jù)常見的作息時(shí)間及負(fù)荷運(yùn)行時(shí)間，可將負(fù)荷運(yùn)行時(shí)間段分為9個(gè)部分，其中電器使用高峰期從早上7點(diǎn)到晚上9點(diǎn)共14個(gè)小時(shí)，每?jī)蓚€(gè)小時(shí)為一個(gè)時(shí)段區(qū)間，從晚上9點(diǎn)到次日早上7點(diǎn)分為兩個(gè)時(shí)段區(qū)間，包括晚上9點(diǎn)到12點(diǎn)的深夜時(shí)間段，以及0點(diǎn)到早上7點(diǎn)的凌晨時(shí)間段。即：

t={t1,t2,…,t9}

(6)

(3)負(fù)荷工作周期性T

通常，負(fù)荷工作規(guī)律可分為周期性和非周期性，文中將運(yùn)行時(shí)間具有規(guī)律性的電器如冰箱等定義為周期性負(fù)荷，而非周期性電器的啟停時(shí)間不具有確定性、如電視機(jī)、洗衣機(jī)等。因此，負(fù)荷工作周期性可標(biāo)注為：

T={T1,T2}，其中T1為非周期性，T2為周期性。

(4)假期與非假期

由于用戶在不同時(shí)間上的用電行為的不一樣，例如假期大多以休閑娛樂為主，常見的如電視機(jī)使用時(shí)長(zhǎng)變長(zhǎng)，或者因外出等減少負(fù)荷設(shè)備的使用。這也是在時(shí)間特性上不可忽視的一個(gè)度量。

由此，對(duì)不同負(fù)荷可根據(jù)各負(fù)荷特征進(jìn)行劃分并統(tǒng)計(jì)，構(gòu)建負(fù)荷特征數(shù)據(jù)庫(kù)，并為后續(xù)貝葉斯分類決策提供訓(xùn)練樣本。

2 融合時(shí)間特征的非侵入式負(fù)荷辨識(shí)決策方法

考慮到在負(fù)荷類別不確定的家庭場(chǎng)景，文章需要針對(duì)該場(chǎng)景下的負(fù)荷事件進(jìn)行一段時(shí)間內(nèi)的統(tǒng)計(jì)分析，通過相同負(fù)荷事件的聚類，實(shí)現(xiàn)用電設(shè)備類別數(shù)的判定。同時(shí)，針對(duì)聚類得到的類別數(shù)，進(jìn)一步統(tǒng)計(jì)其時(shí)間特征，進(jìn)而采用決策方法對(duì)負(fù)荷進(jìn)行辨識(shí)。

2.1 Mean-shift聚類算法

Mean-shift均值漂移算法是一種基于核密度估計(jì)的非參數(shù)化聚類算法，對(duì)一個(gè)概率密度函數(shù)f(x)，已知d維空間中n個(gè)采樣點(diǎn)xi，i=1,…,n，f(x)的核函數(shù)估計(jì)為：

(7)

式中ω(xi)>=0是采樣點(diǎn)xi的權(quán)重;h為聚類半徑;K(x)是核函數(shù)。概率密度函數(shù)f(x)的梯度?f(x)估計(jì)為：

(8)

(9)

其中第二個(gè)方括號(hào)中的式子即為Mean-shift向量，其與概率密度梯度成正比。

相比于其他聚類算法，Mean-shift聚類無(wú)需預(yù)先設(shè)置聚類中心數(shù)，可以通過數(shù)據(jù)分布概率密度自適應(yīng)選取聚類中心數(shù)[20]。通常，聚類半徑的選取是影響Mean-shift算法聚類效果的主要因素。半徑過大會(huì)導(dǎo)致小功率負(fù)荷無(wú)法識(shí)別，半徑過小則會(huì)使大功率設(shè)備辨識(shí)結(jié)果冗余。

文中采用有功功率P和無(wú)功功率Q作為聚類的負(fù)荷特征，它們作為最常見的負(fù)荷特征能體現(xiàn)負(fù)荷能耗水平和負(fù)荷類型特性，在構(gòu)建二維特征空間進(jìn)行聚類的過程中具有有效的可區(qū)分性和可適應(yīng)性。然而，由于有功功率與無(wú)功功率取值的差異性，會(huì)增加聚類半徑選取的難度，針對(duì)此問題，文中提出了一種分段歸一化的半徑選取方法。

根據(jù)CUSUM滑動(dòng)窗方法[21]檢測(cè)到負(fù)荷事件的有功功率和無(wú)功功率特征，聚類半徑H選取如下：

(10)

式中P為負(fù)荷有功功率取值；Pmax、Pmin分別為分段歸一化后功率的最大值和最小值，ε為控制聚類半徑選取范圍的參數(shù)，對(duì)不同的功率段，半徑H的選取隨著P的分布范圍變化而不同。

假設(shè)X為PQ二維特征空間上的n個(gè)負(fù)荷事件數(shù)據(jù)點(diǎn)組成的集合，那么對(duì)于空間中的任意點(diǎn)x的漂移向量基本形式可以表示為：

(11)

式中xi(i=1～n)為n個(gè)樣本點(diǎn);Sh為以x為中心、半徑為h的二維圓圈;K表示n個(gè)樣本點(diǎn)中有K個(gè)分布在區(qū)域Sh內(nèi)。其中數(shù)據(jù)集X中距離點(diǎn)x小于聚類半徑h的數(shù)據(jù)點(diǎn)集合，Sh可表示為：

(12)

在聚類的過程中通過計(jì)算漂移向量j更新圓心x的位置：

(13)

由此可得到基于負(fù)荷事件功率特征的概率密度聚類結(jié)果，每一個(gè)聚類中心即代表一個(gè)負(fù)荷類型。采用Mean-shift聚類算法獲取負(fù)荷狀態(tài)可降低負(fù)荷功率特征在特征空間上交疊的影響，并由此可確定在負(fù)荷類別不確定的場(chǎng)景中的負(fù)荷類別數(shù)，為后續(xù)采用貝葉斯方法辨識(shí)負(fù)荷提供依據(jù)。

2.2 貝葉斯分類方法

貝葉斯分類器是一種基于貝葉斯最大后驗(yàn)準(zhǔn)則和貝葉斯假設(shè)的決策算法[22]，在假定對(duì)象的特征空間中每一個(gè)維度的特征向量都是相互獨(dú)立的前提下，貝葉斯分類算法可描述如下：設(shè)z={a1,a2,…,am}為一個(gè)待分類項(xiàng)，而每個(gè)a為z的一個(gè)特征屬性，有類別集合C={y1,y2,…,yn}，計(jì)算P(y1|z)，P(y2|z)，…，P(yn|z)。如果滿足：

P(yk|z)=max{P(y1|z),P(y2|z),…,P(yn|z)}

(14)

則z∈yk。采用貝葉斯分類器進(jìn)行負(fù)荷類型決策辨識(shí)需要進(jìn)行以下步驟：

Step1：對(duì)負(fù)荷歷史數(shù)據(jù)建立標(biāo)簽?zāi)Ｐ瓦M(jìn)行訓(xùn)練，生成訓(xùn)練樣本集;

Step2：對(duì)每個(gè)類型的負(fù)荷分別計(jì)算P(yi)(i=1～n)。由于不同類型的負(fù)荷受到假期等外界因素的影響使用頻次不同，因此可由統(tǒng)計(jì)的負(fù)荷使用頻次信息作為計(jì)算P(yi)的依據(jù);

Step3：對(duì)每個(gè)負(fù)荷特征屬性計(jì)算所屬不同類的條件概率，即求P(z|yi);

Step4：對(duì)每個(gè)類別計(jì)算P(z|yi)P(yi)。由于有多個(gè)不同負(fù)荷特征作為分類屬性，且各特征屬性之間條件獨(dú)立，因此對(duì)每個(gè)類的概率計(jì)算拓展如下：

(15)

Step5：以P(z|yi)P(yi)的最大項(xiàng)對(duì)應(yīng)的類作為z的所屬類型。由貝葉斯概率公式:

(16)

可知，其中分母P(x)對(duì)所有類別為常數(shù)，因此將分子最大化即可判定負(fù)荷所屬類型。

基于此，針對(duì)用戶負(fù)荷場(chǎng)景辨識(shí)，首先通過Mean-shift算法對(duì)采集到的負(fù)荷事件特征進(jìn)行聚類，初步得到負(fù)荷類別數(shù)，在此基礎(chǔ)上對(duì)負(fù)荷事件特征進(jìn)行統(tǒng)計(jì)和標(biāo)注，并運(yùn)用貝葉斯方法對(duì)其概率進(jìn)行計(jì)算，從而判斷出該負(fù)荷事件特征對(duì)應(yīng)的負(fù)荷類型，其具體流程如圖3所示。

圖3 負(fù)荷辨識(shí)流程圖

3 實(shí)驗(yàn)結(jié)果與分析

文中采用AMPds公開數(shù)據(jù)集對(duì)文中的辨識(shí)算法進(jìn)行驗(yàn)證，該數(shù)據(jù)集記錄了2012年3月～2014年3月，為期兩年的加拿大溫哥華市區(qū)一戶居民用戶的能耗數(shù)據(jù)，其中包含了二十余種不同類型用電設(shè)備，以及天氣、溫度等外界因素?cái)?shù)據(jù)，可作為代表實(shí)際家庭用電場(chǎng)景的數(shù)據(jù)進(jìn)行測(cè)試，數(shù)據(jù)量充足且具有可信度。

文中選取了該數(shù)據(jù)集中十一種具有代表性的常用家庭用電設(shè)備建立負(fù)荷數(shù)據(jù)庫(kù)，其中包括傳統(tǒng)家庭負(fù)荷如臥室電器，洗衣機(jī)，電視機(jī)等，以及一些現(xiàn)代電子設(shè)備負(fù)荷，且包含一些難以辨識(shí)的小功率負(fù)荷及多狀態(tài)負(fù)荷。為便于說明，將這些負(fù)荷表示為：{E1, E2, E3, E4, E5, E6, E7, E8, E9, E10, E11}。對(duì)負(fù)荷的功率特征進(jìn)行檢測(cè)并采用核密度估計(jì)方法統(tǒng)計(jì)出功率特征的分布范圍，將特征信息記錄在Mysql數(shù)據(jù)庫(kù)中，如表1所示。

表1 負(fù)荷特征數(shù)據(jù)庫(kù)

3.1 參數(shù)設(shè)置

為了得到更準(zhǔn)確的聚類結(jié)果，有功功率與無(wú)功功率歸一化系數(shù)滿足以下條件：

(17)

其中α為歸一化參數(shù)，為不失一般性，α由PCA算法計(jì)算P、Q貢獻(xiàn)率確定，對(duì)于文中不同負(fù)荷的功率值，計(jì)算得α∈(3-30)。

由此針對(duì)負(fù)荷特征信息，得到將分段歸一化聚類半徑H設(shè)置如下：

(18)

同時(shí)，根據(jù)數(shù)據(jù)庫(kù)中的負(fù)荷功率及時(shí)間特征信息，運(yùn)用文中的負(fù)荷建模方法，其中m1=8，m2=7，m3=5，對(duì)貝葉斯分類器進(jìn)行訓(xùn)練如表2所示。

表2 貝葉斯分類標(biāo)簽

此外，由于不同負(fù)荷使用頻次不同，貝葉斯決策模型中的P(yi)的取值由該類負(fù)荷的使用頻次決定。文中結(jié)合一周中的工作日和休息日以及考慮假期等因素進(jìn)行統(tǒng)計(jì)，將負(fù)荷分為每天運(yùn)行，除假期外每天運(yùn)行，以及非每天運(yùn)行三種，以此度量負(fù)荷使用情況的稀疏性，其對(duì)應(yīng)的P(yi)的值分別為1/8、1/12、1/16。

3.2 案例分析

為保持外界條件的一致性，文中選用一個(gè)季度共三個(gè)月的負(fù)荷用電數(shù)據(jù)，按照表2所示對(duì)其五個(gè)負(fù)荷特征進(jìn)行標(biāo)簽標(biāo)注，代入貝葉斯決策模型進(jìn)行訓(xùn)練，并選取五組案例對(duì)該方法進(jìn)行測(cè)試。在每組測(cè)試案例中，每天具體的運(yùn)行設(shè)備類型和數(shù)量未知，即模擬一般的家庭負(fù)荷運(yùn)行場(chǎng)景，由此驗(yàn)證方法的負(fù)荷辨識(shí)能力。

以其中某組數(shù)據(jù)為例，該天的負(fù)荷運(yùn)行情況的功率曲線如圖4所示。

圖4 負(fù)荷功率曲線示例圖

首先，為獲取運(yùn)行負(fù)荷類型分布情況，對(duì)檢測(cè)到的負(fù)荷事件功率特征進(jìn)行Mean-shift聚類，聚類結(jié)果如圖5所示。

從聚類結(jié)果可以看出該日運(yùn)行的負(fù)荷中，在P∈0-30 W的小功率范圍內(nèi)有3種負(fù)荷運(yùn)行，在30 W-100 W的范圍內(nèi)有5種負(fù)荷，在100 W-1 000 W的范圍內(nèi)有3種，在1 000 W-2 000 W的范圍內(nèi)有1種。由此可初步獲取該日12種不同類型負(fù)荷運(yùn)行的負(fù)荷信息。由于部分負(fù)荷存在多狀態(tài)，因此該12種類型的聚類結(jié)果代表12種不同的負(fù)荷狀態(tài)，各狀態(tài)所屬的負(fù)荷類型需要進(jìn)一步進(jìn)行區(qū)分。

接下來(lái)，對(duì)負(fù)荷聚類的功率特征以及其對(duì)應(yīng)的負(fù)荷事件的時(shí)間特征按照表2進(jìn)行標(biāo)簽標(biāo)注，并代入訓(xùn)練后的貝葉斯決策模型計(jì)算概率值，從而最終判斷出負(fù)荷事件對(duì)應(yīng)的負(fù)荷類型。

該日實(shí)際運(yùn)行負(fù)荷為E1，E2，E5，E7，E8，E10，E11，從該日負(fù)荷事件檢測(cè)結(jié)果中選取28個(gè)具有不同特征的負(fù)荷事件，用文中方法進(jìn)行辨識(shí)，能準(zhǔn)確識(shí)別出25個(gè)負(fù)荷事件。

為進(jìn)一步證明文中方法的有效性，將該方法與單獨(dú)用文中的兩種方法對(duì)五組測(cè)試數(shù)據(jù)進(jìn)行負(fù)荷辨識(shí)對(duì)比。其中一種方法是：直接用Mean-shift對(duì)電氣特征的聚類結(jié)果與數(shù)據(jù)庫(kù)進(jìn)行匹配辨識(shí)，另一種方法是直接將負(fù)荷事件標(biāo)簽代入訓(xùn)練過的貝葉斯分類方法進(jìn)行辨識(shí)。對(duì)于測(cè)試數(shù)據(jù)檢測(cè)到的負(fù)荷事件，各方法辨識(shí)結(jié)果如圖6所示。

圖6 測(cè)試辨識(shí)結(jié)果圖

從圖6可以看出，由于缺少時(shí)間特征，且存在聚類中心受誤差擾動(dòng)偏移的情況，直接采用Mean-shift聚類算法判斷負(fù)荷類型的準(zhǔn)確率最低。而由于負(fù)荷功率特征分布交疊的問題，對(duì)于未通過聚類初步獲取運(yùn)行負(fù)荷狀態(tài)信息的場(chǎng)景，僅采用貝葉斯分類方法進(jìn)行負(fù)荷辨識(shí)也有一定的局限性。而文中將Mean-shift聚類算法與貝葉斯分類方法結(jié)合的負(fù)荷辨識(shí)算法對(duì)負(fù)荷類別不確定的場(chǎng)景具有較好的辨識(shí)效果。

4 結(jié)束語(yǔ)

針對(duì)家庭負(fù)荷使用場(chǎng)景中負(fù)荷類別的不確定性以及設(shè)備數(shù)據(jù)庫(kù)中的負(fù)荷特征不完備導(dǎo)致的負(fù)荷辨識(shí)問題，文中提出了一種融合時(shí)間序列特征的負(fù)荷統(tǒng)計(jì)辨識(shí)方法。首先，通過Mean-shift聚類算法對(duì)負(fù)荷功率特征進(jìn)行聚類，得到運(yùn)行的負(fù)荷狀態(tài)所屬的負(fù)荷類別。然后，為克服聚類中心偏移導(dǎo)致辨識(shí)結(jié)果錯(cuò)誤，引入負(fù)荷的時(shí)間特征。同時(shí)，對(duì)數(shù)據(jù)庫(kù)中負(fù)荷特征進(jìn)行統(tǒng)計(jì)分析，確定貝葉斯分類模型參數(shù)。最后，將測(cè)試數(shù)據(jù)中的負(fù)荷特征代入貝葉斯分類模型判斷負(fù)荷類型。

文章采用AMPds數(shù)據(jù)集對(duì)該方法進(jìn)行驗(yàn)證，實(shí)驗(yàn)結(jié)果表明,文中方法對(duì)負(fù)荷類別不確定的場(chǎng)景具有良好的辨識(shí)效果，同時(shí)也能有效辨識(shí)出小功率和多狀態(tài)負(fù)荷。