基于BP神經(jīng)網(wǎng)絡(luò)分類器增強(qiáng)的非侵入式負(fù)荷辨識方法

何恒靖，周尚禮，張本松，謝文旺，連新凱 ，徐浩田

（1.南方電網(wǎng)數(shù)字電網(wǎng)研究院有限公司，廣東 廣州 510663；2.河南許繼儀表有限公司，河南 許昌 461000）

近年來，隨著新一代智能電表嵌入非侵入式負(fù)荷感知技術(shù)（non-intrusive load monitoring，NILM）的發(fā)展，國家電網(wǎng)、省電力公司等單位于2018年起便開始著手布局并相應(yīng)地開展了部分試點(diǎn)以推動負(fù)荷感知技術(shù)的進(jìn)一步發(fā)展[1]。該技術(shù)的發(fā)展和成熟不僅有助于促進(jìn)電力公司和用戶之間的良好互動，同時可以通過大數(shù)據(jù)分析，為用戶提供方便、快捷的用電指導(dǎo)以及科學(xué)合理的用電建議，從而為推進(jìn)資源節(jié)約型社會的發(fā)展奠定基礎(chǔ)。

NILM技術(shù)最早于20世紀(jì)80年代由麻省理工學(xué)院的HART教授提出[2]，目前，負(fù)荷辨識技術(shù)已經(jīng)成為一個新型的研究領(lǐng)域，引起了國內(nèi)外研究者的廣泛關(guān)注。相比于國外，國內(nèi)的高校和研究單位起步相對較晚，天津大學(xué)的余貽鑫院士團(tuán)隊最先開始從事這方面的研究[3-4]，隨后武漢大學(xué)、東南大學(xué)等[1，5-6]高校學(xué)者也針對NILM進(jìn)行了深入研究。總的來講，該領(lǐng)域的研究核心在于負(fù)荷特征的構(gòu)建和辨識算法的開發(fā)，這也是當(dāng)前研究的熱點(diǎn)。負(fù)荷特征是直接反映負(fù)荷的運(yùn)行狀態(tài)，是實現(xiàn)負(fù)荷分類和辨識的依據(jù)。早期，有功功率和無功功率是負(fù)荷辨識最為常用的特征，例如文獻(xiàn)[4]中選取了有功功率和無功功率作為負(fù)荷特征進(jìn)行負(fù)荷分解。然而，對于小功率設(shè)備或者對于具有特征混疊的負(fù)荷，通常需要借助其他負(fù)荷特征進(jìn)行細(xì)分辨識，例如文獻(xiàn)[7]中選用穩(wěn)態(tài)電流幅值、瞬態(tài)電流波形以及電流諧波等特征進(jìn)行負(fù)荷辨識。盡管這些特征在一定程度上避免了辨識過程中因特征少的局限性，然而，多維特征容易引發(fā)高維災(zāi)難，從而影響負(fù)荷辨識效率，因此文獻(xiàn)[8]將多種負(fù)荷特征構(gòu)造成特征集，通過降維處理得到最佳辨識特征。此外，為了能夠進(jìn)一步解決負(fù)荷特征混疊問題，文獻(xiàn)[9]通過分析設(shè)備的高頻采樣數(shù)據(jù)提取了V—I軌跡圖像特征與功率數(shù)值特征，以復(fù)合特征作為設(shè)備新的特征訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)進(jìn)行非侵入式負(fù)荷辨識。

隨著可選辨識特征的增多，選擇高效的辨識算法成為了當(dāng)前亟待解決的難點(diǎn)。同時隨著人工智能的快速興起，各種監(jiān)督型算法因其適用性廣、尋優(yōu)能力強(qiáng)的優(yōu)點(diǎn)成為了研究熱點(diǎn)[10]。神經(jīng)網(wǎng)絡(luò)作為一種具有學(xué)習(xí)能力和構(gòu)建非線性的復(fù)雜關(guān)系模型，因此在NILM算法開發(fā)中得到了進(jìn)一步研究與應(yīng)用，文獻(xiàn)[11]提出采用彈性BP（resilient back propagation，RPROP）模型對實驗室7種設(shè)備有效辨識；隨著深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的發(fā)展，雙向長短時記憶（Bi-directional long short-term memory，Bi-LSTM）模型、循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）模型等[12-13]相繼也應(yīng)用在該領(lǐng)域，并取得了較好的成果。此外，還有一些模式識別的經(jīng)典算法，例如Adaboost算法[14]，它將同一訓(xùn)練集訓(xùn)練出的不同的分類器通過線性疊加的方式，構(gòu)成一個更強(qiáng)的分類器，具有簡單、高效等特性。

考慮到BP神經(jīng)網(wǎng)絡(luò)在智能電表負(fù)荷感知模塊上易于實現(xiàn)以及具備自學(xué)習(xí)、容錯性好等特點(diǎn)，本文利用Adaboost算法核心思想，建立一個基于BP神經(jīng)網(wǎng)絡(luò)分類器增強(qiáng)的負(fù)荷辨識方法。首先，本文在有功、無功功率特征這一最基本的電量特征基礎(chǔ)上，引入與用戶用電行為習(xí)慣密切相關(guān)的非電量特征，然后利用思維進(jìn)化算法（mind evolutionary algorithm，MEA）[15]優(yōu)化BP神經(jīng)網(wǎng)絡(luò)內(nèi)在參數(shù)，使得分類器性能得到提升。同時，結(jié)合Adaboost框架理論對BP神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行增強(qiáng)。最后，在AMPds公開數(shù)據(jù)集進(jìn)行訓(xùn)練和測試，驗證文中方法的有效性。

1 負(fù)荷特征選擇及建模

1.1 有功功率-無功功率

有功功率P和無功功率Q是反映各電器運(yùn)行最直接且有效的特征。通常該特征是根據(jù)采樣得到的一個周期內(nèi)的瞬時電壓V（t）、瞬時電流I（t）信息計算得到，即

式中：T為一個周波內(nèi)的采樣點(diǎn)數(shù)；t為周波內(nèi)的采樣點(diǎn)時刻。

作為典型的負(fù)荷特征，有功和無功特征的結(jié)合可以對一些大功率負(fù)荷進(jìn)行有效區(qū)分，即采用P—Q圖的方式進(jìn)行聚類實現(xiàn)對用電負(fù)荷的辨識。然而，對于具有P—Q特征混疊的用電設(shè)備，則需要引入其他特征進(jìn)行細(xì)分。

1.2 用戶投切設(shè)備時間

在普通用戶家庭中，用電行為通常潛在地存在一些規(guī)律，例如電飯煲等具有比較規(guī)律的投切時刻點(diǎn)。令某個用電設(shè)備i在投切時刻為ti，則負(fù)荷i關(guān)于用電設(shè)備投切時刻分類函數(shù)可表示為

式中：ti，kL，ti，kR分別為用電設(shè)備i投切時刻的下限和上限。

投切時刻上、下限值的確定要求滿足在該區(qū)間范圍內(nèi)的負(fù)荷i占該負(fù)荷總統(tǒng)計次數(shù)90%以上。

1.3 負(fù)荷運(yùn)行時長

運(yùn)行時長是反映電器的“固有屬性”和用戶的“生活屬性”的一項重要參數(shù)，也是電能能耗計量的基礎(chǔ)。由于不同電器的運(yùn)行時長不僅與電器自身構(gòu)造相關(guān)，也與用戶的行為習(xí)慣密不可分，因此可建立特征分類函數(shù)為

其中，F(xiàn)L（i）表示針對負(fù)荷特征的分類函數(shù)；Li表示某種用電設(shè)備時長，當(dāng)其運(yùn)行時長在這種用電設(shè)備規(guī)定的范圍內(nèi)[Li，min，Li，max]則認(rèn)為是該種負(fù)荷。Li，min和Li，max分別表示負(fù)荷i運(yùn)行時長的下限和上限，通常在確定Li，min和Li，max值時要求滿足在該區(qū)間范圍內(nèi)的負(fù)荷i占該負(fù)荷總的統(tǒng)計次數(shù)的90%以上。

2 BP神經(jīng)網(wǎng)絡(luò)分類器增強(qiáng)的電力負(fù)荷辨識算法

從上述特征中不難發(fā)現(xiàn)，由于特征的量綱不一致性以及分類器設(shè)計的差異性，使得僅通過傳統(tǒng)分類器方法難以滿足高負(fù)荷辨識準(zhǔn)確度的需求。為此，本文利用模式識別中BP神經(jīng)網(wǎng)絡(luò)分類作為分類器，通過Adaboost算法理論框架，搭建BP神經(jīng)網(wǎng)絡(luò)分類器增強(qiáng)的非侵入式負(fù)荷辨識方法。同時，針對BP神經(jīng)網(wǎng)絡(luò)內(nèi)部參數(shù)，采用MEA算法進(jìn)行優(yōu)化，提升辨識性能。

2.1 Adaboost辨識算法

Adaboost算法[16-17]的核心思想是將多個弱分類器通過權(quán)值線性組合成一個強(qiáng)分類器，從而增強(qiáng)分類性能。

假定任意一個樣本可表示為（xi，yi），其中，xi是樣本的特征向量，yi是樣本的標(biāo)簽向量，yi=[yi1，yi2，...，yik，...，yiK]，其分量定義為

式中：K為類別數(shù)，當(dāng)K=2時，即屬于二分類。

在Adaboost算法中，各個分類器采用加法模型，假定訓(xùn)練好的分類器記為fm(x)，如下式：

式中：h（ix）為基分類器（弱分類器）；αi為分類器h（ix）的權(quán)重。

針對K分類，fm（x）可表示為fm（x）=[fm（1x），fm（2x），…，fmK（x）]。為了能夠確保求解得到的fm（x）唯一，這里通常需要添加一個對稱約束條件：

此外，為了能夠更好地求解模型，Adaboost的指數(shù)損失函數(shù)沿用傳統(tǒng)的指數(shù)損失函數(shù)，即

其中

式中：ωi為權(quán)重分布。

由于yi和hm（x）i都是 1×K維向量，當(dāng)它表示第j類時，則第j個分量為1，其余分量為-1（/K-1），因此當(dāng)分類器預(yù)測正確時，有：

反之，當(dāng)預(yù)測錯誤時，有：

將式（10）、式（11）代入損失函數(shù)式（8），并對變量αm求導(dǎo)可得：

得到：

其中

式中：re為分類器的錯誤率。

由此，通過對各個弱分類器的分類錯誤率計算以及權(quán)重ωi的分布，最終得到各個分類器的權(quán)重αi，從而得到一個強(qiáng)分類器：

功能性便秘主要以老年人為高發(fā)人群，病情較輕的患者可出現(xiàn)腹脹不適且容易影響營養(yǎng)的吸收，病情較重的患者有可能發(fā)生結(jié)腸潰瘍及癌腫，可嚴(yán)重威脅患者生命安全[1] 。本研究針對本院收治80例老年功能性便秘患者采取不同護(hù)理措施進(jìn)行分析，報告如下。

2.2 BP神經(jīng)網(wǎng)絡(luò)分類器

BP神經(jīng)網(wǎng)絡(luò)作為一種能夠通過學(xué)習(xí)帶正確答案的實例集自動提取“合理”的求解規(guī)則，在分類等領(lǐng)域得到了廣泛的應(yīng)用。為此，本文利用經(jīng)典的BP神經(jīng)網(wǎng)絡(luò)作為分類器，并且為了能夠避免BP神經(jīng)網(wǎng)絡(luò)存在因訓(xùn)練過程中收斂速度慢和容易陷入局部極小值等缺點(diǎn)，提出采用MEA[15]尋找全局最優(yōu)值，從而得到MEA改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)（以下簡稱為MB神經(jīng)網(wǎng)絡(luò)）。

具體地，整個MB神經(jīng)網(wǎng)絡(luò)流程如下：

1）產(chǎn)生初始化結(jié)構(gòu)群體。在MEA中進(jìn)行種群初始化，確定初始種群總數(shù)r，優(yōu)勝子群體個數(shù)m和臨時子群體個數(shù)p，則可確定子群體大小SG：

2）將BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值映射到MEA編碼空間。本文采用三層BP神經(jīng)網(wǎng)絡(luò)，即輸入層、隱含層和輸出層，其中輸入層、隱含層以及輸出層中的節(jié)點(diǎn)個數(shù)分別設(shè)置為S1，S2和S3，則MEA中每個個體的編碼長度L為

3）選擇最優(yōu)個體。針對子群體內(nèi)部，建立得分函數(shù)func進(jìn)行計算，得分函數(shù)如下式：

式中：T為期望輸出；A2為每次迭代后神經(jīng)網(wǎng)絡(luò)輸出層的輸出；mse（）為均方誤差計算函數(shù)。

然后，在局部公告板上記錄所有個體得分。顯然，均方誤差越小，得分越高，即作為優(yōu)勝者。當(dāng)子種群不再產(chǎn)生新的優(yōu)勝者，則表示趨同過程完成。在全局公告板上，記錄每個子種群的得分，優(yōu)勝子種群和臨時子種群不斷進(jìn)行比較、替換，實現(xiàn)異化。最終，在整個種群中搜索得分最高的個體。

2.3 實現(xiàn)流程

圖1給出了BP神經(jīng)網(wǎng)絡(luò)分類器增強(qiáng)的流程框架。在該框架中，首先利用MEA尋求BP神經(jīng)網(wǎng)絡(luò)的最佳參數(shù)，得到改進(jìn)后的MB神經(jīng)網(wǎng)絡(luò)，然后基于MB神經(jīng)網(wǎng)絡(luò)構(gòu)造多個分類器，并采用Adaboost算法對各分類器進(jìn)行訓(xùn)練并賦予權(quán)重，最后線性加權(quán)得到最終的強(qiáng)分類器。

3 實驗結(jié)果與分析

在測試中，采用AMPds公開數(shù)據(jù)集，并選取8種可用電器作為數(shù)據(jù)源，提取在2012年4月至2012年5月之間各個負(fù)荷使用時的有功功率、無功功率、投切時間、運(yùn)行時長等特征信息，共816個樣本，并從所提取的樣本特征數(shù)據(jù)中隨機(jī)選取90%作為訓(xùn)練集，剩余10%作為測試集。圖2給出了有功和無功功率所組成的P—Q圖。從圖中可以看出，臥室電器、照明以及電火爐具有一定的相似性；洗衣機(jī)和電冰箱具有相似性，因此分類辨識時容易發(fā)生錯誤。相比之下，其他設(shè)備則具有一定的可區(qū)分性。

圖3為各個用電設(shè)備投切時間統(tǒng)計分布圖，每個用電設(shè)備都劃分到區(qū)間[0，50]，[50，150]，…，[1 250，1 350]，[1 350，1 400]中進(jìn)行統(tǒng)計。不難看出，有些時間用電設(shè)備基本上不會投入使用，例如臥室電器，其投切時間主要集中在第250～850 min內(nèi)，而有些用電設(shè)備則可能全天候出現(xiàn)投切，例如冰箱（壓縮機(jī)啟動被認(rèn)為是負(fù)荷投入，壓縮機(jī)關(guān)閉則認(rèn)為是該負(fù)荷切除）。

圖4給出了各個用電設(shè)備的每次投入時整理的使用時長數(shù)據(jù)，每個用電設(shè)備使用時長都劃分到區(qū)間[0，5]，[5，15]，…，[85，95]，[95，100]中。顯然，這些用電設(shè)備均有一定的時長分布特性，例如，臥室電器是在區(qū)間[0，15]內(nèi)；照明設(shè)備則基本上大于45 min；洗衣機(jī)分布在區(qū)間[35，55]上；洗碗機(jī)分布在區(qū)間[0，45]上；由于冰箱是由壓縮機(jī)工作決定，因此每次時長都分布在[5，25]之間；電火爐因天氣等原因，但其使用時長最長也在85 min之內(nèi)；暖泵使用的區(qū)間在[15，55]內(nèi)；干洗機(jī)則在區(qū)間[5，45]內(nèi)。

為了能夠有效地辨識，本文方法中需要對模型參數(shù)進(jìn)行配置。MEA的參數(shù)設(shè)置為：初始種群600個；優(yōu)勝子種群10個；臨時子種群10個；MEA的迭代次數(shù)50次。BP神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置為：5個節(jié)點(diǎn)隱含層；最大訓(xùn)練次數(shù)200次；學(xué)習(xí)速率0.01 s；最小確認(rèn)失敗次數(shù)5次；訓(xùn)練精度0.01%。

由于每個設(shè)備在不同特征下的區(qū)分度存在差異，表1給出了各個特征采用神經(jīng)網(wǎng)絡(luò)訓(xùn)練的結(jié)果。從表中可以看出，投切時刻的辨識準(zhǔn)確率較低，而有功—無功特征的準(zhǔn)確率較高，表明有功—無功特征具有較好的區(qū)分度。

表1 MB神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果Tab.1 Result of MB neural network

為了評估所提辨識方法的效果，以下從用戶行為特征和算法性能比較兩方面展開論述。

1）非電量特征有效性。

從圖2中可以看出，僅通過有功、無功特征無法高效地區(qū)分臥室電器、照明和電火爐，也無法區(qū)分洗衣機(jī)和電冰箱。為此，需要結(jié)合非電量特征。圖5給出了臥室電器、照明、電火爐的特征分布圖，圖6給出了洗衣機(jī)和電冰箱的特征分布圖?？梢钥闯?，隨著非電量特征的加入，這些設(shè)備的區(qū)分性得到了較大提升。

表2給出了本文模型和BP-Adaboost模型的測試結(jié)果。不難發(fā)現(xiàn)，針對這些在有功功率—無功功率具有相似性的用電設(shè)備，通過增加非電量特征，辨識準(zhǔn)確率可以接近90%及其以上，且相比于未優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)分類器增強(qiáng)方法（BPAdaboost），本文方法獲得的性能更優(yōu)，從而驗證了MEA方法改善BP神經(jīng)網(wǎng)絡(luò)的有效性。

表2 有功—無功辨識準(zhǔn)確率Tab.2 Accuracy of identification using active power and reactive power

2）算法模型對比分析。

將本文所提出的MB-Adaboost方法和RPROP神經(jīng)網(wǎng)絡(luò)算法[11]在同一訓(xùn)練集進(jìn)行實驗，結(jié)果如表3所示。相比之下，本文方法具有較高的辨識準(zhǔn)確率。

表3 本文方法與RPROP辨識準(zhǔn)確率比較Tab.3 Comparison with RPROP method in terms of accuracy of identification

4 結(jié)論

為了進(jìn)一步在智能電表上推廣和應(yīng)用非侵入式負(fù)荷辨識技術(shù)，本文提出以電器投切時間、運(yùn)行時長和投切次數(shù)為代表的用戶用電行為特征和傳統(tǒng)電氣負(fù)荷特征相結(jié)合的特征組合作為辨識依據(jù)。同時，提出了BP神經(jīng)網(wǎng)絡(luò)分類器增強(qiáng)的非侵入式負(fù)荷辨識算法模型，該模型融入的思維進(jìn)化算法改善了BP神經(jīng)網(wǎng)絡(luò)；然后采用Adaboost理論框架對BP神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行訓(xùn)練，得到最終的強(qiáng)分類器。最后，在AMPds公用數(shù)據(jù)集中進(jìn)行測試，通過分析以及與現(xiàn)有的神經(jīng)網(wǎng)絡(luò)辨識算法進(jìn)行比較，驗證了非電量特征對辨識性能提升的有效性和本文模型的可行性，為NILM在智能電表上的推廣應(yīng)用奠定基礎(chǔ)。