基于結(jié)構(gòu)化特征圖譜的組合支持向量機非侵入式負荷辨識

武 昕，嚴 萌，郭一凡，黃楷焱，焦 點

（1. 華北電力大學電氣與電子工程學院，北京市 102206；2. 北京電力經(jīng)濟技術(shù)研究院有限公司，北京市 100008）

0 引言

能源革命與工業(yè)物聯(lián)網(wǎng)的發(fā)展促使電力系統(tǒng)的運行環(huán)境與產(chǎn)業(yè)模式發(fā)生巨大變革，快速推動傳統(tǒng)電網(wǎng)向以新能源為主體的新型電力系統(tǒng)轉(zhuǎn)變［1］，促進能源體系由高耗能向低碳綠色轉(zhuǎn)變。靈活調(diào)度需求側(cè)資源能夠推動信息與電能的雙向互動，進一步挖掘需求側(cè)資源的潛力有助于實現(xiàn)對清潔能源的高效利用［2］。需求側(cè)用電管理與能效優(yōu)化是保障需求側(cè)資源具有靈活調(diào)節(jié)能力的重要一環(huán)，對于緩解電力供應緊張具有重要意義。負荷監(jiān)測是用電管理的關(guān)鍵技術(shù)，有助于提高用戶用電效率，優(yōu)化需求側(cè)資源配置，同時也是電網(wǎng)實現(xiàn)智能化、互動化的關(guān)鍵之一［3］。

負荷監(jiān)測技術(shù)分為侵入式和非侵入式。由于電網(wǎng)無法直接實現(xiàn)對用戶負荷的管理，因此非侵入式負荷監(jiān)測技術(shù)的研究逐漸發(fā)展起來。該技術(shù)只需在入戶電表處對總電流、電壓等信息進行采集，不會對用戶正常用電造成干擾，由此便可分析得到各負荷的能效信息［4］。

目前，已對非侵入式負荷數(shù)據(jù)的分解辨識展開了深入的研究。文獻［5］將電流波形轉(zhuǎn)換為加權(quán)遞歸圖塊用于負荷識別，在工業(yè)數(shù)據(jù)集LILACD 和居民數(shù)據(jù)集PLAID 中進行驗證，能夠提高負荷識別準確率。文獻［6］提出了一種無監(jiān)督的負荷監(jiān)測結(jié)果標注方法，利用少量電器的先驗知識實現(xiàn)了2 個家庭負荷類別的標注。文獻［7］通過Karhunen- Loève展開的迭代方法提高頻譜分解的分辨率，并利用快速反卷積技術(shù)進行功率分解。文獻［8-9］利用顏色編碼將負荷V-I軌跡轉(zhuǎn)化為視覺表示，利用預先訓練的神經(jīng)網(wǎng)絡實現(xiàn)負荷辨識，在PLAID 和WHITED 數(shù)據(jù)集上均獲得了較高的識別精度。文獻［10］構(gòu)建多目標粒子群對負荷分解模型進行優(yōu)化，選用WHITED 數(shù)據(jù)集中的常用負荷生成聚合電流，獲得了較高的分解精度。文獻［11-13］提出了基于多特征、多算法的分解框架，對于多個負荷同時運行的情況分解精度較高。文獻［14-15］將形狀特征、諧波特征和統(tǒng)計特征用于負荷辨識，在不同的場景下均具有較好的辨識效果。文獻［16］采用對功率和V-I軌跡進行特征提取和融合后的復合特征進行負荷辨識。文獻［17］利用設備使用模式確定了負荷的先驗概率，在Tracebase 數(shù)據(jù)集中的12 個用戶和REDD 數(shù)據(jù)集中的6 個用戶驗證了算法的可行性。

目前的分解辨識方法依靠預實驗獲取待監(jiān)測用戶負荷電信號形成先驗特征數(shù)據(jù)，再將待監(jiān)測負荷特征與先驗特征數(shù)據(jù)進行對比實現(xiàn)辨識，一方面造成實際中工作量大，另一方面通過針對性預實驗訓練的分類網(wǎng)絡僅對樣本數(shù)據(jù)來源的用戶是有效的，對于未進行預實驗的用戶來說，所用負荷的品牌、工作狀態(tài)及運行環(huán)境繁雜，實際的負荷特征參數(shù)與先驗特征數(shù)據(jù)差異較大，難以保證預先訓練分類網(wǎng)絡的通用性及可分性，辨識準確率明顯下降。

基于此，本文提出構(gòu)建典型居民負荷的通用性結(jié)構(gòu)化特征圖譜，通過對負荷波形進行信息抽取、負荷特征優(yōu)化融合和特征知識量化表征形成負荷特征圖譜，從而將多變無序的負荷波形轉(zhuǎn)化為有序可分的結(jié)構(gòu)化特征數(shù)據(jù)。在此基礎(chǔ)上，構(gòu)建負荷的組合支持向量機分類模型，保證對同類負荷的通用性和對不同類負荷的可分性，確保對不同用戶均能達到較高的辨識精度。

1 問題描述及實現(xiàn)結(jié)構(gòu)

1.1 非侵入式負荷監(jiān)測原理及本文實現(xiàn)結(jié)構(gòu)

電網(wǎng)對負荷的管理權(quán)限被限制在電表之外，因此非侵入式負荷監(jiān)測是主動獲取負荷數(shù)據(jù)的可行方式，無須介入用戶內(nèi)部，在電力入口處進行采集，但該用戶全部用電信息都表現(xiàn)在采集到的數(shù)據(jù)中，須對采集信號進行分析處理以獲得各負荷詳細的用電情況。同時，應保證整個監(jiān)測過程全程自動執(zhí)行，不對用戶的正?；顒釉斐筛蓴_。

首先，采集數(shù)據(jù)應包含較豐富的負荷特征信息以保證負荷辨識的準確性，應通過高頻采集獲取負荷信號波形，以保留細節(jié)特征，為辨識提供可靠的數(shù)據(jù)支撐。高頻采集必然會導致龐大的數(shù)據(jù)量，當負荷狀態(tài)發(fā)生切換時會引起負荷電流的變化，則有效信息均集中在有狀態(tài)變化時的波形數(shù)據(jù)中。因此，應先從高頻采集的波形數(shù)據(jù)中分離提取出由負荷狀態(tài)切換引起的事件波形。

將事件波形獨立分解后，波形信號所對應的負荷類型是未知的，應對其進行類別判定以實現(xiàn)負荷辨識。波形數(shù)據(jù)雖包含了大量信息，卻呈現(xiàn)出無序雜亂的特點，同類負荷不同設備的波形存在很大差異，不同品牌、型號，甚至不同運行環(huán)境均會造成負荷波形的差異，同時，不同類負荷的波形會出現(xiàn)相似的情況，如附錄A 圖A1 所示。波形數(shù)據(jù)不能直接體現(xiàn)同種負荷的一致性及不同種負荷的可分性，直接利用波形數(shù)據(jù)難以進行類別判定，不具有通用性，因此應對其進行轉(zhuǎn)化。

雜亂無序的數(shù)據(jù)應轉(zhuǎn)化為通用且可分的結(jié)構(gòu)化特征信息，本文基于知識圖譜原理基于波形數(shù)據(jù)構(gòu)建各類負荷結(jié)構(gòu)化特征圖譜，形成通用的特征體系，將變化多樣的波形數(shù)據(jù)轉(zhuǎn)化為具有同類一致性和異類可分性的結(jié)構(gòu)化特征數(shù)據(jù)，使其適合分類器決策，從而構(gòu)建分類器實現(xiàn)相應的類別判定，有效解決由于波形多變無序而須針對不同用戶獲取專門的訓練數(shù)據(jù)與樣本的問題，是使監(jiān)測過程自動執(zhí)行的關(guān)鍵。實現(xiàn)結(jié)構(gòu)如圖1 所示。圖中，藍色代表不同的負荷類別，綠色表示屬性特征，符號對應的特征詳見附錄A 表A1，粉色表示實體特征，連接線上的數(shù)值代表該屬性特征的權(quán)重，下同。

圖1 整體實現(xiàn)結(jié)構(gòu)Fig.1 Overall implementation structure

綜上，構(gòu)建形成負荷圖譜及分類器模型后，在負荷監(jiān)測過程中，先對高頻采集電流進行事件波形提取并分解，以獲取有效信息；然后，依據(jù)負荷特征圖譜將事件波形轉(zhuǎn)化為結(jié)構(gòu)化特征數(shù)據(jù)，保證其一致性與可分性；最后，將結(jié)構(gòu)化特征數(shù)據(jù)通過分類器進行類別判定，實現(xiàn)負荷辨識。整個過程可以對不同用戶自動執(zhí)行非侵入式負荷監(jiān)測。

1.2 負荷結(jié)構(gòu)化特征圖譜構(gòu)建原理

負荷圖譜是適應變化無序負荷波形的關(guān)鍵，是雜亂數(shù)據(jù)層統(tǒng)一的結(jié)構(gòu)化知識庫，需要預先進行構(gòu)建，形成后可直接用于不同用戶的負荷監(jiān)測過程。

圖譜的形成是將同類負荷變化且雜亂的波形數(shù)據(jù)轉(zhuǎn)化為該類負荷統(tǒng)一的結(jié)構(gòu)化信息，從而使同類負荷的數(shù)據(jù)樣本具有一致性，且與不同種負荷樣本間具有可分性，從而適合分類決策。各類典型負荷作為圖譜的本體（如空調(diào)、熱水器、冰箱等），各本體不同設備的采集波形來自最底層數(shù)據(jù)層，無序多變不具備決策條件，需要向上抽象形成結(jié)構(gòu)化特征信息。圖譜構(gòu)建過程包括3 個過程。

首先，對本體所屬的先驗波形樣本進行信息轉(zhuǎn)化與抽取。從各類負荷的大量波形數(shù)據(jù)中向上抽象，形成屬性-實體-關(guān)系模式的特征信息，構(gòu)建本體的特征知識基本表征體系。從波形中抽取典型參數(shù)作為備選屬性，抽取具有初步可分效果的特性作為實體，實體應對同類負荷具有一致性，且具備從波形中抽取的條件，如“阻性”“間續(xù)運行”等。

然后，對負荷屬性特征進行融合，形成初步的負荷特征圖譜。雖然對波形進行了信息抽取，但依然缺乏邏輯與層次性，且存在大量冗余和無效的特征屬性，應對其優(yōu)化融合。確定有效實體后，給定負荷分類中有效的實體計算模型，同時從大量備選屬性中選取有效屬性作為負荷屬性，計算出相應的屬性值對應到實體，形成負荷本體的基礎(chǔ)知識庫，結(jié)合已有的結(jié)構(gòu)化數(shù)據(jù)對知識庫中屬性進行優(yōu)化融合。

最后，對負荷特征圖譜中的特征屬性進一步加工，進行量化表征，形成較完備的負荷圖譜。前兩個過程得到了負荷的基本特征表達，描述負荷本體的實體特性與屬性特征已確定，但缺失特征相對于不同本體的關(guān)系及各特征的重要程度，因此，需要確定各屬性特征的權(quán)重形成較完備的特征知識描述，從而構(gòu)建為成形的負荷圖譜。

1.3 組合支持向量機負荷辨識模型

依據(jù)負荷特征圖譜，將變化、無規(guī)律的負荷波形數(shù)據(jù)轉(zhuǎn)化為有序的結(jié)構(gòu)化特征數(shù)據(jù)，便于構(gòu)建分類器進行負荷類別判定。負荷圖譜對應的特征空間，其特征維度高，因此選擇支持高維特征決策的支持向量機（SVM）作為負荷辨識的基分類器模型，并以此分類器為基礎(chǔ)提升分類模型的辨識準確度。

居民負荷的類別是有限可枚舉的，因此，基于負荷圖譜對應的特征空間，訓練形成每類負荷本體的SVM 分類器。負荷波形數(shù)據(jù)將依次通過所有的分類器，依據(jù)圖譜把波形轉(zhuǎn)化為相應負荷本體特征空間中對應的特征數(shù)據(jù)，作為該類SVM 的輸入。由于SVM 為二值分類器，輸出為1 或0，分別代表“是”或“否”屬于相應SVM 的負荷類別。理想情況下，當負荷波形被所有負荷本體的SVM 分類器判決后，只有所屬類別的SVM 分類器應輸出為1，而其他類別分類器輸出應均為0。但在實際中，受限于分類器的準確率，必然存在較多誤判的情況，因此會造成多個分類器輸出1。只要有多于1 個分類器判決為1，就不能對負荷類別進行判定。因此，應提高各類負荷SVM 分類器的準確率，做到近乎絕對準確，才能避免輸出多個1，解決無法決策的問題。

基分類模型的形式固定，因此單個分類器的準確率很難大幅度提升，若要達到近乎絕對準確的分類效果，基于“集弱成強”思想，利用分類器組合的群體決策替代基分類器的單一決策。對每類負荷本體訓練分類器組合以全面提升各類負荷的SVM 分類器性能。由訓練數(shù)據(jù)構(gòu)建多個獨立的基分類器，每個基分類器均進行決策，依據(jù)群體決策結(jié)果進行多數(shù)表決分類，其準確率能夠得到顯著提升。假設由20 個獨立的基分類器形成一個組合分類器，基分類器的錯誤率均為δ0=0.25，則只有當多于半數(shù)的基分類器判決錯誤時，組合分類器決策才會錯誤，其錯誤率δ為：

式中：i為基分類器的個數(shù)；δ遠低于單一基分類器決策的誤差率。

本文在基分類器基礎(chǔ)上構(gòu)建各類負荷的組合SVM 分類器，應滿足以下條件才能顯著提高準確率：首先每個基分類器的錯誤率小于0.5，即優(yōu)于隨機分類；同時，組合中基分類器的訓練過程應相互獨立。

2 結(jié)構(gòu)化特征圖譜下的組合支持向量機非侵入式負荷辨識方法

依據(jù)整體實現(xiàn)結(jié)構(gòu)，本章詳細介紹實現(xiàn)方法，包括事件波形檢測與分離、結(jié)構(gòu)化特征圖譜構(gòu)建及組合支持向量機分類器構(gòu)建。事件波形檢測在前期已進行了較充分的研究，形成了有效的分解方法與流程，在文獻［18］中進行了詳細的描述，本文重點闡述負荷特征圖譜與組合分類器模型的構(gòu)建方法。

2.1 基于知識圖譜的結(jié)構(gòu)化負荷特征圖譜構(gòu)建

從變化且無序的負荷波形數(shù)據(jù)中提取出有效的實體、屬性等信息，在此基礎(chǔ)上形成負荷特征的知識表達，形成對同類負荷一致、異類負荷可分的特征體系。本文依據(jù)1.2 節(jié)的建譜過程對典型居民負荷構(gòu)建特征圖譜。

2.1.1 負荷波形的信息抽取

根據(jù)波形數(shù)據(jù)抽取各類特征參數(shù)，考慮兩類參數(shù)，一類是可從波形中提取的電參數(shù)，如有功功率、電流最大值、有效值等，該類特征參數(shù)抽選為負荷本體的屬性；另一類是可從波形中提取的由本體功能、結(jié)構(gòu)等決定的通用特征，該類特征相對屬性具有更好的一致性與可分性，則抽選為實體。

首先，進行負荷屬性特征抽選。從波形中提取可計算的電參數(shù)作為屬性，如有功功率P、無功功率Q、功率因數(shù)PF、電流有效值IRMS、電流最大值Im、電流畸變率THD、電流波形與標準正弦波之間的皮爾遜系數(shù)r等，均可通過采集的負荷電壓和電流計算提取相應參數(shù)。為了使屬性盡可能全面，把可以從波形數(shù)據(jù)中直接計算的參數(shù)特征均抽取為屬性，記作屬性集Lp，如式（2）所示。

在此階段，將可能的相關(guān)參數(shù)均列入屬性集。

然后，進行負荷的實體特征抽選。實體特征應具備初步的可分性，因此，抽選同類負荷在結(jié)構(gòu)、功能、操作運行特點上具有一定通用性，與不同類負荷具有區(qū)分度，且能夠從波形中抽取的特性作為實體，本文抽取以下幾類特征為實體。

1）負荷的物理結(jié)構(gòu)決定了其呈現(xiàn)阻性或非阻性，該特征對同類負荷具有一致性，且可通過波形中抽取的屬性進行計算。阻性負荷的波形應呈現(xiàn)正弦形式，且電流電壓無相位差，利用屬性PF及皮爾遜系數(shù)r即可進行抽取，若滿足式（3）則為阻性負荷。

式中：σ1和σ2分別為PF與r的閾值，根據(jù)大量實驗分析，取值均需大于0.9。

2）負荷的工作特點決定了其運行方式為間續(xù)或連續(xù)運行，對同類負荷具有一致性，且體現(xiàn)在波形中。間續(xù)運行負荷（如洗衣機等）在波形中表現(xiàn)為明顯的周期性變化，因此在較短的時間間隔內(nèi)能夠檢測到多次相同的事件波形，若滿足式（4）則為間續(xù)運行負荷。

式中：N（Ts）為Ts間隔內(nèi)檢測到相同事件波形的次數(shù)；N1為大于2 的整數(shù)閾值。附錄A 圖A2 給出了間續(xù)負荷（洗衣機）與連續(xù)負荷（熱水器）的電流波形。

3）負荷的功能與操作特點決定了其運行時間為固定或隨機。如電飯煲、冰箱等，其功能與操作特點決定了負荷開啟到結(jié)束運行的時間相對固定，不會發(fā)生明顯的隨機波動，通過在波形中檢測負荷的開斷確定其運行的持續(xù)時間，若滿足式（5）則為運行時間固定的負荷。檢測到該負荷的實際運行時間浮動范圍T′during如式（6）所示。

式中：Tduring為同類負荷前n次的平均運行時間；α為允許范圍內(nèi)的浮動閾值，取值小于平均運行時間的10%；n為運行總次數(shù)。

2.1.2 負荷屬性特征的優(yōu)化融合

對波形進行信息抽取后形成了圖譜的實體-屬性特征，屬性集中特征較多，且存在大量冗余，部分屬性會弱化負荷的可分性。因此，對屬性特征進行優(yōu)化融合，形成最優(yōu)的屬性集合。

屬性集Lp中的元素未進行任何處理，所代表的特征信息存在冗余。由于實體特征具有較好的一致性與可分性，其涉及的屬性特征作為必選元素，因此，僅對其他屬性進行融合優(yōu)化。將Lp表示為兩類子集，如式（7）所示。

式中：Le為實體特征涉及的屬性構(gòu)成的子集；Lo為其他屬性形成的子集，即對Lo中的元素優(yōu)化融合。

Lo的優(yōu)化融合即為屬性特征的選擇，選擇的目標是使負荷圖譜形成的特征空間具有最優(yōu)決策能力，即圖譜的特征空間應對同類負荷具有良好的一致性，對不同類負荷具有良好的可分性。所選擇的屬性所形成的特征空間對負荷波形樣本進行結(jié)構(gòu)化后，應使負荷樣本點在特征空間中的類間離散度盡可能大，類內(nèi)離散度盡可能小。因此，利用類內(nèi)、類間散布矩陣對圖譜特征空間的性能進行量度，構(gòu)建優(yōu)化目標函數(shù)。

當選取m0個屬性后，即構(gòu)成了m0維特征空間，負荷波形即可抽取為特征空間中的樣本點，一個樣本點表現(xiàn)為一個m0維向量，記作a。同類負荷對應的樣本點記作{a(i)}，i=1，2，…，K，其中K為該類負荷的樣本點數(shù)量，該點集中樣本點間的距離之和即可反映在該特征空間中分布的緊密程度，因此，類內(nèi)散布矩陣Sw定義如式（8）所示。

式中：X為類內(nèi)各樣本點的平均距離，記作該樣本集的均值向量，如式（9）所示。

同理，對于不同類別的負荷樣本，則利用負荷樣本的類間距離表征其在特征空間中的分布離散程度，量度類別間的可分性，因此，類間散布矩陣Sb定義如式（10）所示。

式中：C為類別總數(shù)；P(ωc)為該類樣本ωc出現(xiàn)的概率；Xc為利用式（9）得到的各類樣本集的均值向量；X0為各類樣本集的總均值向量，如式（11）所示。

使各類樣本點的類內(nèi)離散度Sw最小、類間離散度Sb最大的特征空間性能最優(yōu)，即可分性最好，因此采用行列式形式構(gòu)建目標函數(shù)，如式（12）所示。

式中：λc為矩陣SSb的特征值。將使目標函數(shù)J1最大的特征子集作為最終選擇的屬性子集，記作L?o。

Lo優(yōu)化融合后的子集L?o與Le形成負荷圖譜的屬性集合L?p，如式（13）所示。

2.1.3 特征的知識量化表征與加工

將圖譜中的特征屬性進行融合后，得到了使該類負荷一致性與可分性最優(yōu)的特征屬性集合，但集合中各屬性對負荷本體的表達程度并不相同，因此為了更準確地利用特征元素表達負荷本體，對融合后的圖譜進行知識加工，即量化屬性集合中各元素對本體的表達程度。

假設某類負荷中有N個樣本點，特征空間中包含M個特征屬性。由于特征屬性取值范圍差異大，首先將各特征屬性的取值進行標準化，即

式中：l為特征屬性的實際取值；l*為特征屬性取值標準化后的值；lmax和lmin分別為該特征屬性取值的最大和最小值。

屬性集中第j個特征所體現(xiàn)負荷本體的信息熵記作Sj，如式（15）所示。

根據(jù)屬性特征的信息熵即可表征該特征的權(quán)重值，如式（17）所示，從而得到負荷本體屬性集中各特征的權(quán)重值，至此負荷圖譜構(gòu)建完成。

2.2 組合支持向量機負荷分類模型

形成結(jié)構(gòu)化特征圖譜后，即可將事件波形轉(zhuǎn)化為便于分類的特征數(shù)據(jù)，輸入各類負荷的SVM 分類器中進行決策以實現(xiàn)負荷辨識。本節(jié)闡述分類器構(gòu)建方法，對每類負荷構(gòu)建組合SVM 分類器。

首先，利用負荷的原始訓練數(shù)據(jù)構(gòu)建多個基分類器，在分類未知樣本時組合預測結(jié)果。本文通過處理訓練數(shù)據(jù)集構(gòu)建組合分類器，對某一類別的負荷特征數(shù)據(jù)進行隨機分組，將其類別標記為1。對該類別以外的其他負荷特征數(shù)據(jù)進行相同的隨機分組，將其類別標記為0，兩組數(shù)據(jù)保持數(shù)量相同。

完成組合SVM 分類器的模型參數(shù)訓練后，即可利用其進行未知負荷類別的辨識。通過負荷分解后得到事件波形，從波形中提取計算負荷圖譜中涉及的屬性值。在輸入SVM 分類器前，需要對負荷類別進行預分類，即判定該未知負荷所屬于的3 種實體特征并記作集合Z，然后只需將負荷特征數(shù)據(jù)輸入該實體特征對應的分類器中，而不需要輸入至不包含上述實體特征集合Z的SVM 分類器，從而提高分類模型的準確率與運算效率。

負荷數(shù)據(jù)通過式（18）結(jié)合圖譜中的特征權(quán)重，得到屬性特征的實際取值。

式中：lj和分別為第j個屬性特征的初始取值與賦權(quán)重后的取值。將賦權(quán)后的各特征屬性的取值記作向量。

歸一化后的負荷特征向量輸入SVM 分類器中，通過組合分類器C，e=1，2，…，q，判斷未知負荷波形是否屬于所判定的負荷類別，如式（19）所示。

式中：Vote（·）表示求投票結(jié)果。

最后，通過分類器集合LCo的決策實現(xiàn)未知負荷類型的分類，選擇票數(shù)最高且為1 的分類器對應的負荷類別作為負荷辨識結(jié)果。

本文算法的整體流程如圖2 所示，主要包括事件波形檢測與分離、組合支持向量機分類辨識和結(jié)構(gòu)化特征圖譜構(gòu)建3 個部分。圖中：γ為穩(wěn)態(tài)電流判定閾值；λ為T的閾值。結(jié)構(gòu)化特征圖譜構(gòu)建與組合支持向量機分類辨識屬于預先構(gòu)建，即利用大量已知標簽的獨立波形數(shù)據(jù)形成各類典型負荷的通用結(jié)構(gòu)化特征圖譜，同時在特征圖譜基礎(chǔ)上，建立該類負荷的組合支持向量機模型。當圖譜與分類器模型構(gòu)建完成后，可在實際處理過程中直接運行執(zhí)行，即非侵入式監(jiān)測終端實時檢測到事件波形并分離提取后，波形轉(zhuǎn)化為各類負荷特征圖譜下的結(jié)構(gòu)化特征數(shù)據(jù)；然后，輸入各類負荷的組合SVM 分類器模型中進行決策；最后，得到?jīng)Q策結(jié)果即為辨識結(jié)果。

圖2 基于結(jié)構(gòu)化特征圖譜的組合支持向量機非侵入式負荷辨識的流程圖Fig.2 Flow chart of combined SVM non-intrusive load identification based on structured characteristic spectrum

結(jié)構(gòu)化特征圖譜與組合SVM 分類器模型的構(gòu)建過程是預先進行，在實時監(jiān)測的過程中則是利用已經(jīng)構(gòu)建好的圖譜與模型對事件波形轉(zhuǎn)化為結(jié)構(gòu)化特征數(shù)據(jù)，并進行分類決策。

3 實驗分析

本文通過實測數(shù)據(jù)進行實驗驗證，主要從兩方面進行，一是對負荷特征圖譜的驗證，驗證其對變化無序的波形數(shù)據(jù)結(jié)構(gòu)化的效果；二是驗證整體方法，如分類器對負荷的辨識準確性等。

3.1 結(jié)構(gòu)化特征圖譜的驗證與分析

所建負荷特征圖譜涉及的負荷種類繁雜，本文選擇了常用居民負荷中的6 種負荷進行實驗分析，分別是空調(diào)（AC）、電暖氣（EH）、電視（TV）、電熱水器（WH）、筆記本電腦（LT）和冰箱（RF）。

本文充分考慮負荷的品牌、型號等因素造成的波形差異，因此構(gòu)建圖譜時涉及多種實際采集環(huán)境，包括實驗室搭建的小型用電網(wǎng)絡、北京市昌平區(qū)某二手家電市場的采集數(shù)據(jù)、公開數(shù)據(jù)集BLUED 和REDD 中的負荷數(shù)據(jù)、寧波地區(qū)20 戶試點用戶的采集數(shù)據(jù)以及北京地區(qū)20 戶實際居民用戶的采集數(shù)據(jù)。

先對采集的負荷數(shù)據(jù)進行波形信息提取。由于負荷特征種類繁多［19-21］，本文選擇了附錄A 表A1 所示的負荷特征。為方便展示，用特征編號代表涉及的特征種類。在各特征中進行有效特征的選取與融合，由于負荷類別較多，涉及的特征子集龐雜，且過程一致，因此附錄A 圖A3（a）和（b）僅展示空調(diào)的特征子集中2 種不同特征個數(shù)的J1值結(jié)果。

根據(jù)散布矩陣確定最優(yōu)的特征子集，特征散布程度根據(jù)行列式值J1計算。附錄A 圖A4 展示了所有情況下特征數(shù)量對應的不同最優(yōu)J1值結(jié)果。對于空調(diào)來說，特征子集中包含8 個特征時的J1值最大，說明該子集中的特征組合具有較好的通用性和可分性，因此將最優(yōu)特征子集中的各特征作為特征融合后的屬性特征。

屬性選擇與融合后，形成了圖譜雛形，再為各屬性特征確定權(quán)重。圖3 所示為6 種負荷對應的特征圖譜。圖中不同色塊表示的含義同圖1，符號對應的特征詳見附錄A 表A1，連接線上的數(shù)值代表該屬性特征的權(quán)重。確定各負荷特征權(quán)重后，就形成了完整的特征圖譜，屬性特征不同程度地表達負荷特征。

圖3 負荷特征圖譜及各特征權(quán)重Fig.3 Load characteristic spectrum and characteristic weight

3.2 負荷特征知識圖譜效果驗證與算法對比

負荷特征圖譜構(gòu)建完成后，在此基礎(chǔ)上，對整個處理過程進行驗證，通過基于組合的支持向量機模型進行負荷辨識。利用實際采集的3 個居民用戶負荷數(shù)據(jù)進行驗證，通過附錄A 圖A5 所示的非侵入式采集系統(tǒng)在用戶電力入口處進行7 d 的數(shù)據(jù)采集；然后先進行事件波形提取，基于負荷特征圖譜將波形轉(zhuǎn)化為結(jié)構(gòu)化特征數(shù)據(jù)；再通過組合SVM 分類器進行負荷辨識，整個過程不對用戶造成中斷與干擾，且無須進行先驗數(shù)據(jù)采集。在運行過程中非侵入式采集裝置的采樣頻率為10 kHz。

本文算例中僅對5 種典型負荷的辨識過程進行展示。實際用戶中用電工況復雜，通常為多個設備同時運行，需要在辨識前對采集數(shù)據(jù)進行事件波形分解，采用文獻［18］中的方法，在此不再進行重復驗證。根據(jù)分解得到的負荷電壓、電流波形，利用2.1節(jié)所述方法抽取不同負荷類別與對應的屬性特征，其中部分提取特征見附錄A 表A2。

基于所構(gòu)建的負荷圖譜，利用組合SVM 分類模型對負荷類別進行辨識，辨識結(jié)果同樣可驗證負荷圖譜的有效性。不同的負荷種類對應不同的SVM 分類器組，對于某一類負荷來說，其對應的分類器組由8 個基分類器組成。每類負荷對應的分類器組分別對未知負荷類型進行判斷，輸出為1 時判定為是該類負荷；輸出為0 時判定為非該類負荷。利用8 個基分類器進行群體決策，輸出的1 越多，則該未知負荷屬于此分類器對應的負荷類型的可能性越大。各分類器組對應的群體決策結(jié)果如圖4所示。

圖4 中的每一行代表了不同分類器組的群體決策結(jié)果，每一列代表了負荷的實際類別。對角線上的數(shù)值表示負荷分類的概率，顏色越深代表概率值越大。由圖4 可知，對角線上的數(shù)值均為1，預測結(jié)果與真實結(jié)果相同，因此，說明組合SVM 分類器是有效的。

圖4 不同分類器組的波形種類群體決策結(jié)果Fig.4 Group decision-making results of waveform types for different classifier groups

圖5 展示了3 個實際用戶負荷用電數(shù)據(jù)的整體辨識準確率，平均辨識準確率為97.6%。選擇文獻［22-24］中的算法進行對比，均需要通過預實驗獲取待監(jiān)測用戶負荷的先驗數(shù)據(jù)。文獻［22］提出了2 種遷移學習方案，即設備遷移學習和跨域遷移學習，提高了對復雜狀態(tài)負荷的識別準確率。文獻［23］通過元學習的方式學習不同數(shù)據(jù)集上的候選預測因子的特征，提高了算法的運行效率。文獻［24］采用負荷穩(wěn)態(tài)運行時的電流波形特征，通過動態(tài)時間彎曲（DTW）算法計算未知負荷波形與穩(wěn)態(tài)波形特征庫中各負荷波形的距離實現(xiàn)辨識。當應用于不同用戶時，本文算法辨識準確率整體較高，說明其結(jié)構(gòu)化是有效的，對不同用戶變化的負荷數(shù)據(jù)具有更好的適用性。

圖5 針對不同用戶負荷的算法準確率對比Fig.5 Comparison of algorithm accuracy for different user loads

為了進一步驗證有效性，本文采集單臺電器運行時的電流和電壓數(shù)據(jù)，基于4 種不同構(gòu)建方式得到圖譜，結(jié)合SVM 分類模型，辨識準確率見附錄A圖A6。由圖A6 可知，基于第4 種構(gòu)建方法的圖譜辨識準確率較高，平均辨識準確率達到95.7%。因此，本文構(gòu)建的負荷特征圖譜能夠在不干擾用戶情況下為監(jiān)測終端的負荷辨識提供標準特征數(shù)據(jù)，從而保證負荷辨識的準確性。負荷圖譜的構(gòu)建不是實時進行的，其表征系數(shù)等參數(shù)會是一個長期更新和修正的過程，隨著負荷波形樣本不斷累加，負荷圖譜的準確性和通用性會不斷提升，并不斷接近絕對準確。

4 結(jié)語

本文構(gòu)建了負荷結(jié)構(gòu)化特征圖譜，將負荷無序多變的波形數(shù)據(jù)轉(zhuǎn)化為具有通用性與可分性的結(jié)構(gòu)化特征數(shù)據(jù)，進而構(gòu)建組合支持向量機分類模型實現(xiàn)負荷辨識。建譜過程為從大量不同來源、已知標簽的負荷數(shù)據(jù)中提取負荷實體和屬性特征，然后利用散布矩陣對負荷特征進行融合，最終通過特征定權(quán)完成特征圖譜的構(gòu)建。對各典型負荷形成基支持向量機模型，并利用組合分類器組提升辨識準確率。在構(gòu)建負荷圖譜及組合SVM 分類器模型基礎(chǔ)上，即可通過事件波形檢測與分離、組合支持向量機分類辨識和結(jié)構(gòu)化特征圖譜構(gòu)建3 個過程對不同用戶自動執(zhí)行非侵入式負荷監(jiān)測。實驗部分展示了6 種典型負荷的圖譜構(gòu)建過程，并利用3 個實際用戶的采集數(shù)據(jù)進行辨識，平均負荷辨識準確率達到97.6%，且對不同用戶中的負荷數(shù)據(jù)均具有適用性，驗證了所提方法對同類負荷具有通用性，對不同類負荷具有可分性。

結(jié)合本文算法可見，關(guān)于結(jié)構(gòu)化負荷特征圖譜的構(gòu)建仍有許多難題需要進一步探索，在后續(xù)的研究工作中，需要將負荷圖譜持續(xù)更新以適應目前快速迭代的家用電器，從而提高非侵入式負荷辨識的準確率。

附錄見本刊網(wǎng)絡版（http：//www.aeps-info.com/aeps/ch/index.aspx），掃英文摘要后二維碼可以閱讀網(wǎng)絡全文。