非侵入式負(fù)荷監(jiān)測(cè)系統(tǒng)設(shè)計(jì)*

買(mǎi)亞龍，唐 寅，李 堅(jiān)，孫佳寧，高 翔，許 磊

（1. 電子科技大學(xué)機(jī)械與電氣工程學(xué)院，四川成都 611731；2. 電子科技大學(xué)廣西智能制造產(chǎn)業(yè)技術(shù)研究院，廣西柳州 545003）

引 言

能源和環(huán)境是當(dāng)今人類(lèi)面對(duì)的兩個(gè)重大課題，更高效的用電是應(yīng)對(duì)日趨嚴(yán)峻的能源環(huán)境問(wèn)題的關(guān)鍵手段。居民用電是能源的主要流向之一，居民用電需求的激增將引發(fā)一系列能源環(huán)境問(wèn)題，因此充分挖掘用戶側(cè)的“減碳節(jié)能”潛力至關(guān)重要，其中的關(guān)鍵手段是提高用戶對(duì)家中負(fù)荷耗能的感知與監(jiān)測(cè)，以便用戶能及時(shí)發(fā)現(xiàn)家中的異常用電行為并做出積極響應(yīng)。要做到這些，就必須克服傳統(tǒng)電表只能記錄用戶總用電量而不能記錄各個(gè)用電設(shè)備用電量的局限性，實(shí)現(xiàn)“細(xì)?；钡挠秒姳O(jiān)測(cè)，即負(fù)荷監(jiān)測(cè)。

傳統(tǒng)的侵入式負(fù)荷監(jiān)測(cè)（Intrusive Load Monitoring, ILM）需要給用戶的每一個(gè)用電設(shè)備加裝傳感器，需要對(duì)所有傳感器的數(shù)據(jù)進(jìn)行處理并上傳服務(wù)器，以此來(lái)監(jiān)測(cè)每一種用電設(shè)備的用電情況。雖然這種方法有很好的監(jiān)測(cè)效果，但用戶的接受度較低，因其安裝成本和隱私泄露的風(fēng)險(xiǎn)大大增加，且隨著用電設(shè)備的增加，其靈活性和擴(kuò)展性降低，并不適用于大部分用戶。非侵入式負(fù)荷監(jiān)測(cè)（Non-intrusive Load Monitoring,NILM）是20世紀(jì)90年代由Hart教授提出的一種以最小的代價(jià)獲取用戶能耗信息的技術(shù)[1]。只需在用戶的電力入口處（入戶總線）安裝設(shè)備就能夠?qū)崿F(xiàn)對(duì)居民家中用電負(fù)荷的監(jiān)測(cè)，安裝成本大大降低，可靠性高，用戶接受程度高。非侵入式負(fù)荷監(jiān)測(cè)系統(tǒng)從總負(fù)荷中分解出各個(gè)用電負(fù)荷的運(yùn)行情況，從各個(gè)負(fù)荷的使用情況分析用戶的用電行為，形成優(yōu)化電能供給，提高供電側(cè)電能質(zhì)量以及供電的可靠性。用戶側(cè)以細(xì)?；挠秒娦畔橐罁?jù)，優(yōu)化自身的用電行為，減少不必要的電能消耗[2]。

1 非接觸式高頻同步電力數(shù)據(jù)采集裝置設(shè)計(jì)

1.1 基于霍爾傳感器的非接觸式電流測(cè)量

傳統(tǒng)的接觸式測(cè)量需要將測(cè)量?jī)x器直接接入電路，這必然會(huì)對(duì)原有電路產(chǎn)生或多或少的影響，測(cè)量結(jié)果與實(shí)際值之間就不可避免地存在誤差。另外，高頻電力數(shù)據(jù)采集裝置的應(yīng)用場(chǎng)景是家庭入口總線處或者更高電壓的場(chǎng)景總線處，若采用接觸式的測(cè)量方案，則在安裝或檢修裝置時(shí)，勢(shì)必會(huì)給操作人員帶來(lái)不必要的風(fēng)險(xiǎn)，也給設(shè)備的維護(hù)增加不小的難度。非接觸式電力數(shù)據(jù)采集裝置測(cè)量設(shè)備不需要直接接入電路，因而不會(huì)對(duì)電路中原有器件的運(yùn)行狀態(tài)產(chǎn)生干擾，采集到的電力數(shù)據(jù)更加準(zhǔn)確，而且操作人員不存在與高壓線路直接接觸的風(fēng)險(xiǎn)，降低了裝置的危險(xiǎn)系數(shù)。對(duì)此，本文提出了一種基于霍爾傳感器的非接觸式電流測(cè)量方法。在測(cè)量裝置與通電直導(dǎo)線（無(wú)限長(zhǎng)）相距r處的霍爾電動(dòng)勢(shì)為：

式中：R為霍爾系數(shù)；ic是電流強(qiáng)度；d是半導(dǎo)體材料平行于磁場(chǎng)方向的寬度；I為源電流；μ0為磁常數(shù)。由被測(cè)電流與霍爾電動(dòng)勢(shì)的關(guān)系，可計(jì)算得到被測(cè)電流值。

1.2 硬件裝置設(shè)計(jì)

硬件部分的整體設(shè)計(jì)如圖1所示，包括非接觸式電流測(cè)量裝置、模數(shù)轉(zhuǎn)換模塊、異地同步采樣信號(hào)發(fā)生模塊、數(shù)據(jù)處理模塊以及通訊模塊。模數(shù)轉(zhuǎn)換模塊將模擬信號(hào)轉(zhuǎn)換為計(jì)算機(jī)能夠處理的數(shù)字信號(hào)，該模塊選用的芯片是ADS7864。為了實(shí)現(xiàn)異地不同裝置之間采集信號(hào)的同步性，需要給模數(shù)轉(zhuǎn)換模塊提供同步時(shí)鐘采樣信號(hào)。該部分使用復(fù)雜可編程邏輯器件（Complex Programmable Logic Device, CPLD）來(lái)實(shí)現(xiàn)，選用的芯片為EPM1270。采用全球定位系統(tǒng)（Global Positioning System, GPS）同步衛(wèi)星授時(shí)，它的授時(shí)時(shí)間與通用的國(guó)標(biāo)時(shí)間之間的誤差小于1 μs，因此對(duì)50 Hz的家用交流電信號(hào)來(lái)說(shuō)，準(zhǔn)確性可以得到最大程度的保障。數(shù)據(jù)處理模塊是硬件系統(tǒng)的核心，需要較高的運(yùn)算精度和數(shù)據(jù)處理能力，選用的芯片為T(mén)MS320F2812[3]，其主要功能為產(chǎn)生模數(shù)轉(zhuǎn)換的控制信號(hào)及數(shù)據(jù)讀取控制信號(hào)、數(shù)據(jù)的存儲(chǔ)及處理等。通訊模塊分為服務(wù)器通信和串口通信兩個(gè)部分。為了方便設(shè)備的調(diào)試及離線負(fù)荷數(shù)據(jù)庫(kù)的建立而設(shè)置了RS232串行接口，用于與個(gè)人計(jì)算機(jī)（Personal Computer, PC）的通訊。同時(shí)為了實(shí)現(xiàn)負(fù)荷在線監(jiān)測(cè)，需要將處理后的數(shù)據(jù)傳輸給網(wǎng)絡(luò)傳輸模塊并發(fā)送至遠(yuǎn)端服務(wù)器，采用IEEE1451.2的TII接口。

圖1 硬件裝置整體框圖

2 基于高頻數(shù)據(jù)的非侵入式負(fù)荷辨識(shí)方案設(shè)計(jì)

2.1 事件檢測(cè)與電流分離

2.1.1 基于非參數(shù)化CUSUM的事件檢測(cè)方法

通常將負(fù)荷的投切或負(fù)荷運(yùn)行狀態(tài)的改變定義為負(fù)荷事件。事件發(fā)生時(shí)，總的電流和功率序列會(huì)發(fā)生改變，因而可以將事件檢測(cè)問(wèn)題歸為變點(diǎn)檢測(cè)的問(wèn)題。處理變點(diǎn)檢測(cè)問(wèn)題常用的算法為累積和（Cumulative Sum, CUSUM）。根據(jù)是否需要預(yù)先知道數(shù)據(jù)的概率分布情況，可以將CUSUM分為參數(shù)化的CUSUM和非參數(shù)化的CUSUM。由于電力負(fù)荷不斷變化，無(wú)論是功率還是電流等隨機(jī)變量，都無(wú)法預(yù)先得知其概率分布情況，因此研究非參數(shù)化的方法在NILM領(lǐng)域更有意義[4]。

非參數(shù)化CUSUM的主要思想為：當(dāng)關(guān)注的統(tǒng)計(jì)量比正常運(yùn)行條件下的平均值高或低時(shí)，認(rèn)為可能有事件發(fā)生；對(duì)監(jiān)測(cè)量與平均值的差進(jìn)行累積，當(dāng)累積和超過(guò)某個(gè)閾值時(shí)確定有事件發(fā)生，之后便可以倒推回事件發(fā)生的時(shí)刻。其算法流程為：設(shè)某一時(shí)間序列為T(mén)={t(k)}(k= 1,2,···)，t為時(shí)刻，統(tǒng)計(jì)函數(shù)s定義為：

式中：μ0為變點(diǎn)發(fā)生前序列的均值；β為噪聲水平。當(dāng)sk ＞0時(shí)，認(rèn)為采樣序列在該時(shí)刻發(fā)生變化，若尚未達(dá)到事件發(fā)生的閾值h，則初始化延遲時(shí)間m= 0；令m=m+1并繼續(xù)進(jìn)行累積和，直到sk ＞h時(shí)認(rèn)為事件被監(jiān)測(cè)到事件發(fā)生的時(shí)刻可以倒推為t=k-m。

2.1.2 基于并聯(lián)電路的電流分離方法

在檢測(cè)到事件后需要從總負(fù)荷電流數(shù)據(jù)中分離出單個(gè)負(fù)荷的電流序列。由于各負(fù)荷電流之間相互獨(dú)立且滿足并聯(lián)電路的基本原理，故可以將入戶總電流視為各負(fù)荷電流之間的疊加[5]。由于電壓信號(hào)及相位始終保持相對(duì)穩(wěn)定，且電流的相位由電壓的相位決定，因而只要保證在相同的電壓起始相位提取穩(wěn)態(tài)電流信號(hào)，就可以利用并聯(lián)電路的原理，將事件發(fā)生前后的穩(wěn)態(tài)電流序列相減得到單個(gè)負(fù)荷事件的電流序列，從而實(shí)現(xiàn)單負(fù)荷電流的分離[6]。本文將電壓過(guò)零點(diǎn)并上升的時(shí)刻作為基準(zhǔn)來(lái)提取電流序列，具體分離步驟為：

1）提取事件發(fā)生后的穩(wěn)態(tài)電流序列。當(dāng)穩(wěn)態(tài)電壓過(guò)零點(diǎn)并上升時(shí)，采集穩(wěn)態(tài)電流序列。

2）提取事件發(fā)生前的穩(wěn)態(tài)電流序列。以事件發(fā)生前穩(wěn)態(tài)電壓過(guò)零點(diǎn)并上升的時(shí)刻作為基準(zhǔn)采集相同長(zhǎng)度的穩(wěn)態(tài)電流序列。

3）單負(fù)荷電流分離。將步驟1中的電流序列與步驟2中的電流序列如式（3）所示做差。

式中：IS(k),Im1(k),Im2(k)分別為單個(gè)負(fù)荷、事件發(fā)生前、事件發(fā)生后穩(wěn)態(tài)電流的第k個(gè)采樣點(diǎn)；N為電流序列長(zhǎng)度。

2.2 特征提取

負(fù)荷特征是負(fù)荷識(shí)別的依據(jù)。經(jīng)過(guò)事件檢測(cè)和電流分離后得到單個(gè)負(fù)荷穩(wěn)態(tài)運(yùn)行時(shí)的電流序列。圖2展示了6種常見(jiàn)家用負(fù)荷的穩(wěn)態(tài)電流波形。直接利用電流序列作為負(fù)荷特征雖具有較高的識(shí)別度但由于序列過(guò)長(zhǎng)，運(yùn)算復(fù)雜度增加，因而需要從電流序列中提取出有效的負(fù)荷特征。非線性設(shè)備（如各類(lèi)電子設(shè)備）的諧波含量并不相同，而常見(jiàn)的線性設(shè)備（如白熾燈、電加熱吹風(fēng)機(jī)等）的功率等級(jí)有差異，故可以采用穩(wěn)態(tài)電流的基波和奇次諧波（3rd,5th,··· ,15th）作為負(fù)荷特征。本文利用快速傅里葉變換提取穩(wěn)態(tài)電流基波和奇次諧波。

圖2 6種家用負(fù)荷穩(wěn)態(tài)電流波形

2.3 負(fù)荷辨識(shí)

模式識(shí)別算法是非侵入式負(fù)荷辨識(shí)的常用算法，其中基于監(jiān)督學(xué)習(xí)的機(jī)器學(xué)習(xí)算法具有很好的分類(lèi)效果，已經(jīng)被大量應(yīng)用于非侵入式負(fù)荷識(shí)別。本文采用監(jiān)督學(xué)習(xí)中常用的K近鄰（K-Neighbors, KNN）、多層感知機(jī)（Multilayer Perceptron, MLP）以及隨機(jī)森林（Random Forest, RF）作為負(fù)荷辨識(shí)的算法。

2.3.1 K近鄰

K近鄰算法對(duì)某個(gè)樣本的所有特征與其他樣本的對(duì)應(yīng)特征進(jìn)行比較，利用歐式距離等方法選擇出K個(gè)最相似的樣本[7]。之后與隨機(jī)森林的決策部分類(lèi)似，將這K個(gè)樣本出現(xiàn)次數(shù)最多的標(biāo)簽作為該樣本的標(biāo)簽。其理論成熟，思想簡(jiǎn)單，但是計(jì)算量較大，不適用于特征數(shù)多的樣本。

2.3.2 多層感知機(jī)

多層感知機(jī)也叫人工神經(jīng)網(wǎng)絡(luò)，類(lèi)似于人的神經(jīng)系統(tǒng)，由輸入層、輸出層和隱藏層組成。其算法流程為：輸入數(shù)據(jù)乘權(quán)重后輸入到隱藏層，經(jīng)激活函數(shù)后輸出，之后將輸出值與標(biāo)簽值的插值當(dāng)作優(yōu)化網(wǎng)絡(luò)的目標(biāo)函數(shù)，通過(guò)不斷的訓(xùn)練更改權(quán)重使目標(biāo)函數(shù)最小，以求得使輸出值與標(biāo)簽值的差最小的模型。圖3為由3個(gè)輸入、一個(gè)隱藏層神經(jīng)元和一個(gè)輸出構(gòu)成的簡(jiǎn)單多層感知機(jī)，其中f為激活函數(shù)，w1，w2和w3為權(quán)重，x1，x2和x3為3個(gè)輸入，wx為權(quán)重，b為偏置。

圖3 多層感知機(jī)結(jié)構(gòu)

2.3.3 隨機(jī)森林

隨機(jī)森林由多個(gè)決策樹(shù)組成。決策樹(shù)是一種樹(shù)形結(jié)構(gòu)，其原理大致可以歸納為層層分析和邏輯推理。根節(jié)點(diǎn)是所有的樣本特征，內(nèi)部節(jié)點(diǎn)用于判斷一個(gè)特征層面上的分類(lèi)結(jié)果，葉節(jié)點(diǎn)代表分類(lèi)結(jié)果，其分類(lèi)流程如圖4所示。每個(gè)決策樹(shù)為一個(gè)分類(lèi)器，決策樹(shù)的數(shù)量即為分類(lèi)數(shù)量。隨機(jī)森林算法利用集成學(xué)習(xí)的思想，統(tǒng)計(jì)所有的分類(lèi)結(jié)果，將分類(lèi)結(jié)果次數(shù)最多的類(lèi)別指定為最終的輸出類(lèi)別。

圖4 決策樹(shù)的流程圖

2.4 實(shí)驗(yàn)及結(jié)果分析

2.4.1 評(píng)價(jià)指標(biāo)

評(píng)價(jià)指標(biāo)需要關(guān)注整體的分類(lèi)準(zhǔn)確率以及每類(lèi)設(shè)備的分類(lèi)效果。本文采用準(zhǔn)確率（accuracy）A、精確率（precision）P、召回率（recall）R以及F1得分（F1-score）F1來(lái)評(píng)估模型。準(zhǔn)確率A表示正確分類(lèi)的樣本占測(cè)試集樣本數(shù)的比例，精確率P表示算法預(yù)測(cè)的標(biāo)簽為某電器時(shí)，其實(shí)際標(biāo)簽為該電器的概率，召回率R表示某電器樣本被算法正確地辨識(shí)為該電器的概率，F(xiàn)1得分F1是結(jié)合精確率P和召回率R的綜合性指標(biāo)，它們的具體計(jì)算方法為：

式中：N1表示測(cè)試集樣本總數(shù)；T表示模型辨識(shí)后得到的電器標(biāo)簽與實(shí)際樣本標(biāo)簽相一致的樣本數(shù)量；R表示模型未辨識(shí)為某電器標(biāo)簽、實(shí)際標(biāo)簽也非該電器的樣本數(shù)量；F表示辨識(shí)標(biāo)簽為某電器而實(shí)際標(biāo)簽非該電器的樣本數(shù)量；Q表示辨識(shí)標(biāo)簽不為某電器而實(shí)際標(biāo)簽為該電器的樣本數(shù)量。

2.4.2 結(jié)果分析

本次實(shí)驗(yàn)利用PLAID數(shù)據(jù)集[8]的高頻電流數(shù)據(jù)進(jìn)行算法驗(yàn)證。經(jīng)過(guò)事件檢測(cè)、電流分離以及特征提取后得到6種設(shè)備共816組有效樣本。將隨機(jī)打亂后的樣本的80%用作模型的訓(xùn)練，20%作為模型性能的測(cè)試，并將樣本-標(biāo)簽對(duì)輸入到不同的機(jī)器學(xué)習(xí)分類(lèi)算法中。本實(shí)驗(yàn)使用的集成開(kāi)發(fā)環(huán)境為PyCharm，利用Scikit-Learn庫(kù)中的機(jī)器學(xué)習(xí)算法進(jìn)行實(shí)驗(yàn)。K近鄰算法的整體分類(lèi)準(zhǔn)確度為99.40%，多層感知機(jī)的整體分類(lèi)準(zhǔn)確度為95.70%，隨機(jī)森林算法的整體分類(lèi)準(zhǔn)確度為98.80%。模型單設(shè)備的分類(lèi)效果見(jiàn)表1。

表1 單設(shè)備的分類(lèi)效果

從表1可以看出，單設(shè)備的F1得分均較高，證明了本次實(shí)驗(yàn)將諧波作為負(fù)荷特征的有效性。本次算例的不足之處在于：分類(lèi)效果在本數(shù)據(jù)集上表現(xiàn)良好，但在其他數(shù)據(jù)集上的泛化能力未知；數(shù)據(jù)樣本數(shù)量還不夠多，在后續(xù)的研究中可以嘗試?yán)煤铣缮贁?shù)類(lèi)[9]或數(shù)據(jù)增強(qiáng)[10]的方法來(lái)增加樣本數(shù)據(jù)集以提高模型的泛化能力。

3 系統(tǒng)整體方案設(shè)計(jì)

非侵入式負(fù)荷監(jiān)測(cè)系統(tǒng)分為離線建模以及在線監(jiān)測(cè)兩部分。

3.1 離線建模

利用非接觸式高頻電力數(shù)據(jù)采集裝置采集單個(gè)負(fù)荷正常工作時(shí)的穩(wěn)態(tài)電流數(shù)據(jù)。之后利用快速傅里葉變換獲得穩(wěn)態(tài)電流的基波和奇次諧波并將其作為負(fù)荷特征。同類(lèi)設(shè)備提取多組樣本以保證樣本的多樣性從而提高模型的泛化程度。將所有樣本輸入到機(jī)器學(xué)習(xí)模型中讓模型自動(dòng)進(jìn)行參數(shù)的調(diào)整和優(yōu)化。

3.2 在線監(jiān)測(cè)

將非接觸式高頻電力數(shù)據(jù)采集裝置安裝在總線處。對(duì)服務(wù)器接收到的數(shù)據(jù)進(jìn)行事件監(jiān)測(cè)、電流分離以及負(fù)荷特征提取，將提取到的特征輸入到離線建立的模型中即可識(shí)別設(shè)備的類(lèi)型。

4 結(jié)束語(yǔ)

本文基于非接觸式高頻同步電力數(shù)據(jù)采集裝置設(shè)計(jì)了一種非侵入式負(fù)荷監(jiān)測(cè)系統(tǒng)。硬件部分使用非接觸式高頻電力數(shù)據(jù)采集裝置，包括非接觸式電流測(cè)量模塊、模數(shù)轉(zhuǎn)換模塊、同步采樣信號(hào)發(fā)生模塊、數(shù)據(jù)處理模塊以及通訊模塊。軟件部分使用非參數(shù)化累積和的方法進(jìn)行事件檢測(cè)，利用并聯(lián)電路理論進(jìn)行單負(fù)荷電流提取，將穩(wěn)態(tài)電流基波和奇次諧波作為負(fù)荷特征，利用機(jī)器學(xué)習(xí)的方法進(jìn)行負(fù)荷的辨識(shí)，并用公開(kāi)數(shù)據(jù)集證明了將電流基波、諧波作為負(fù)荷特征的有效性。最后介紹了非侵入式負(fù)荷監(jiān)測(cè)系統(tǒng)的整體方案設(shè)計(jì)，包括離線建模和在線監(jiān)測(cè)。