基于孿生分支網(wǎng)絡(luò)的非侵入式?jīng)_擊負(fù)荷辨識(shí)方法

宋磊，徐永進(jìn)，刁瑞朋，李亦龍，陸春光，王思奎

(1.國(guó)網(wǎng)浙江省電力有限公司營(yíng)銷(xiāo)服務(wù)中心，杭州311121； 2.青島鼎信通訊股份有限公司，山東 青島 266000)

0 引 言

沖擊負(fù)荷是較大功率設(shè)備在啟動(dòng)或者工作過(guò)程中功率峰值變化為正常運(yùn)行時(shí)幾倍甚至幾十倍的負(fù)荷，具有非線性、動(dòng)態(tài)時(shí)變性、波動(dòng)頻繁性等特點(diǎn)。沖擊負(fù)荷對(duì)電力系統(tǒng)的影響不容忽視，它不僅會(huì)引起電力系統(tǒng)頻率的連續(xù)震蕩，威脅電網(wǎng)安全運(yùn)行，而且會(huì)破壞電力設(shè)備的穩(wěn)定性。在邊緣測(cè)對(duì)大型用電企業(yè)不同沖擊負(fù)荷設(shè)備的啟停規(guī)律進(jìn)行研究、識(shí)別與統(tǒng)計(jì)，結(jié)合大數(shù)據(jù)技術(shù)，可以為電力負(fù)荷預(yù)測(cè)、電力系統(tǒng)運(yùn)行分析、電網(wǎng)規(guī)劃和檢修計(jì)劃安排提供定量化的理論依據(jù)。

目前許多學(xué)者對(duì)沖擊負(fù)荷的特性加以研究分析，并提出了多種沖擊負(fù)荷建模方法，旨在推動(dòng)對(duì)沖擊負(fù)荷的檢測(cè)識(shí)別及其功率特性的分析和掌握。文獻(xiàn)[1]提出使用最小二乘支持向量機(jī)對(duì)沖擊負(fù)荷進(jìn)行建模分析，并使用粒子群優(yōu)化算法進(jìn)行模型參數(shù)辨識(shí)。文獻(xiàn)[2]提出使用區(qū)域控制偏差濾波的方法對(duì)沖擊負(fù)荷進(jìn)行建模與識(shí)別。文獻(xiàn)[3]基于小波能量熵和自組織競(jìng)爭(zhēng)性神經(jīng)網(wǎng)絡(luò)沖擊負(fù)荷的特征提取和分類(lèi)訓(xùn)練，實(shí)現(xiàn)了沖擊負(fù)荷電壓暫降源的識(shí)別。

以上方法主要對(duì)沖擊負(fù)荷的特性進(jìn)行了研究與建模，但鑒于沖擊負(fù)荷的產(chǎn)生具有隨機(jī)性，產(chǎn)生時(shí)刻和強(qiáng)度的大小無(wú)法實(shí)現(xiàn)準(zhǔn)確識(shí)別，給模型的應(yīng)用帶來(lái)了困難。而且傳統(tǒng)的沖擊負(fù)荷監(jiān)測(cè)需要在每個(gè)負(fù)載上面加裝監(jiān)測(cè)裝置，在設(shè)備投切的時(shí)候通過(guò)人工等方式將信息發(fā)送到控制中心。此方式雖然簡(jiǎn)單方便，但在大量負(fù)載上都加裝監(jiān)測(cè)裝置需要巨大的人力與物力，并不現(xiàn)實(shí)。

非侵入負(fù)荷監(jiān)測(cè)是最新的智能電網(wǎng)高級(jí)量測(cè)技術(shù)，此類(lèi)方法只采樣用戶(hù)總進(jìn)線處的電壓和電流，通過(guò)智能算法來(lái)分解辨識(shí)電器的工作序列，具有不需要入戶(hù)施工、建設(shè)和維護(hù)成本低等顯著優(yōu)點(diǎn)。該技術(shù)的核心是非侵入式識(shí)別算法。文獻(xiàn)[4]提出應(yīng)用最優(yōu)方法求取一組合理的權(quán)重系數(shù)，使負(fù)荷估計(jì)電流與負(fù)荷真實(shí)電流最為接近，從而確定電力負(fù)荷中不同類(lèi)型用電設(shè)備的功率消耗比例。文獻(xiàn)[5]提出了通過(guò)微分進(jìn)化算法求解不相容線性代數(shù)方程組形式的估計(jì)方程與相應(yīng)的目標(biāo)函數(shù)，以非侵入式的方式對(duì)電力負(fù)荷分解與監(jiān)測(cè)，但這兩種方法一般針對(duì)家用電器識(shí)別，并沒(méi)有針對(duì)沖擊負(fù)荷進(jìn)行識(shí)別研究。文獻(xiàn)[6]通過(guò)加權(quán)CUSUM雙邊變點(diǎn)檢測(cè)算法和基于S變換提取特征量的SVM自動(dòng)分類(lèi)算法結(jié)合進(jìn)行沖擊負(fù)荷的監(jiān)測(cè)識(shí)別，但識(shí)別率不高且無(wú)法實(shí)現(xiàn)有效的負(fù)荷功率分解。

上述所提算法均為在電腦端進(jìn)行仿真，沒(méi)有實(shí)際部署與測(cè)試。針對(duì)以上問(wèn)題，文章引入人工神經(jīng)網(wǎng)絡(luò)理論，提出了一種基于孿生分支網(wǎng)絡(luò)的非侵入式?jīng)_擊負(fù)荷辨識(shí)方法。首先通過(guò)提取不同類(lèi)別設(shè)備的沖擊負(fù)荷數(shù)據(jù)的V-I軌跡特征和定制化的對(duì)角高斯諧波特征進(jìn)行網(wǎng)絡(luò)預(yù)訓(xùn)練；其次設(shè)計(jì)一種基于孿生分支結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)模型，同時(shí)引入功率先驗(yàn)信息進(jìn)行網(wǎng)絡(luò)訓(xùn)練；最后使用非侵入式的方式，在嵌入式平臺(tái)上對(duì)模型進(jìn)行了部署，并對(duì)不同沖擊負(fù)荷設(shè)備辨識(shí)準(zhǔn)確度進(jìn)行了對(duì)比驗(yàn)證。

1 沖擊負(fù)荷及其辨識(shí)

1.1 典型沖擊負(fù)荷設(shè)備

沖擊負(fù)荷設(shè)備按規(guī)?？梢苑譃槿?lèi)，分別為大型、中型和單一型[7]。大型非線性負(fù)荷包括高鐵、鐵路牽引變電站和光伏發(fā)電廠等；中型包括電動(dòng)汽車(chē)充電站、軋鋼機(jī)、電弧爐和中頻爐等；單一型包括礦熱機(jī)、CT機(jī)和強(qiáng)流試驗(yàn)站等[8]。

文章從三類(lèi)沖擊負(fù)荷設(shè)備中選取常見(jiàn)的四種作為典型負(fù)荷進(jìn)行研究，使用錄波設(shè)備在現(xiàn)場(chǎng)采集變比后的高頻數(shù)據(jù)，分析其功率、電壓、電流變化，在此基礎(chǔ)上提取其高級(jí)特征并輸入到所設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行離線訓(xùn)練，最后在嵌入式端進(jìn)行部署和測(cè)試識(shí)別效果。

以中頻爐為例，中頻爐是一種中頻無(wú)芯感應(yīng)爐，其將三相工頻交流電進(jìn)行整流，再通過(guò)逆變電路輸出為單相的中頻交流電作為電源，由于整流設(shè)備的影響，中頻爐啟動(dòng)運(yùn)行時(shí)會(huì)產(chǎn)生大量諧波，電壓電流和功率顯示出沖擊特性，常見(jiàn)的軋鋼機(jī)在變壓器低壓側(cè)電壓一般為0.4 kV ～0.9 kV，主要設(shè)備采用直流電機(jī)拖動(dòng)，由三相交流整流后供電，整流后的直流電同樣存在脈動(dòng)并在交流測(cè)產(chǎn)生諧波。電弧爐是一個(gè)非線性隨機(jī)負(fù)載，電弧爐精煉期工作時(shí)，電弧工作狀態(tài)相對(duì)比較穩(wěn)定，其諧波主要以奇次諧波為主[9]。CT機(jī)是典型的大功率醫(yī)用設(shè)備，當(dāng)對(duì)醫(yī)院病人使用大型CT機(jī)X射線掃描穿透時(shí)，設(shè)備投切產(chǎn)生大功率突變電流。以上設(shè)備的運(yùn)行電流波形變化特點(diǎn)和諧波特性如圖1所示。

圖1 典型沖擊負(fù)荷波形特性

1.2 沖擊負(fù)荷辨識(shí)流程

基于V-I軌跡特征和電流頻譜特征的孿生分支網(wǎng)絡(luò)整體負(fù)荷辨識(shí)流程示意圖如圖2所示。

圖2 基于孿生分支網(wǎng)絡(luò)的沖擊負(fù)荷辨識(shí)流程

典型設(shè)備的沖擊負(fù)荷特性分為沖擊特性和負(fù)荷特性。沖擊特性為設(shè)備啟動(dòng)后短時(shí)間達(dá)到峰值功率的過(guò)程，負(fù)荷特性為設(shè)備從沖擊時(shí)刻達(dá)到穩(wěn)定運(yùn)行的電壓電流特性。文中所提算法可在檢測(cè)到?jīng)_擊特性發(fā)生后對(duì)總線電流特性進(jìn)行辨識(shí)，其實(shí)現(xiàn)流程按如下步驟：

(1)對(duì)電網(wǎng)用戶(hù)側(cè)總線處的電壓和電流采樣，并進(jìn)行降噪和去直流等預(yù)處理；

(2)提取電壓和電流產(chǎn)生突變前后時(shí)段的特征，同時(shí)根據(jù)文獻(xiàn)[9]所提方法進(jìn)行功率求解并制作目標(biāo)標(biāo)簽；

(3)將提取到的特征輸入到所設(shè)計(jì)的孿生分支神經(jīng)網(wǎng)絡(luò)中，借助卷積神經(jīng)網(wǎng)絡(luò)強(qiáng)大的學(xué)習(xí)能力進(jìn)行沖擊負(fù)荷設(shè)備特征離線訓(xùn)練和學(xué)習(xí)；

(4)以非侵入式的方式，將訓(xùn)練模型在智能物聯(lián)網(wǎng)電能表外接模組上部署，通過(guò)孿生分支網(wǎng)絡(luò)實(shí)時(shí)分析高頻ADC采樣數(shù)據(jù)，獲取設(shè)備辨識(shí)結(jié)果并對(duì)沖擊功率進(jìn)行回歸。

2 基于孿生分支神經(jīng)網(wǎng)絡(luò)的沖擊負(fù)荷辨識(shí)

2.1 沖擊負(fù)荷特征工程

卷積神經(jīng)網(wǎng)絡(luò)屬于半監(jiān)督學(xué)習(xí)，因此盡可能提供更多的先驗(yàn)信息是必要的，先驗(yàn)信息通過(guò)特征的方式輸入到網(wǎng)絡(luò)進(jìn)行訓(xùn)練與學(xué)習(xí)，特征的好壞很大程序上決定了網(wǎng)絡(luò)的辨識(shí)效果，在嵌入式設(shè)備部署網(wǎng)絡(luò)模型時(shí)，受限于硬件資源，可設(shè)計(jì)的網(wǎng)絡(luò)層級(jí)十分有限。因此選擇或設(shè)計(jì)合適的特征有利于節(jié)約資源，最大程度發(fā)揮卷積神經(jīng)網(wǎng)絡(luò)的辨識(shí)能力。

2.1.1 V-I軌跡特征

在非介入式辨識(shí)方面，設(shè)計(jì)特征的本質(zhì)即采樣數(shù)據(jù)重塑。二維電壓電流(V-I)軌跡特征是文獻(xiàn)[10]提出的一種簡(jiǎn)潔高效的特征表征方法，該方法抽象了負(fù)載之間電壓電流軌跡的相似性，并將該軌跡映射到二值單元特征矩陣中，其計(jì)算方法如下所述。

對(duì)于設(shè)備的每個(gè)采樣周期，有電壓Vk(V1,V2, … ,Vk)和電流Ik(I1,I2, … ,Ik)共2k個(gè)采樣點(diǎn)的序列，其中Vk和Ik代表每個(gè)點(diǎn)的采樣值，首先對(duì)采樣序列去直流：

(1)

然后對(duì)電壓電流采樣值標(biāo)幺化并填充至N×N大小的波形軌跡坐標(biāo)空間：

(2)

其中「?代表向上取整，對(duì)于每一個(gè)標(biāo)幺化后的電壓電流采樣序列對(duì)，映射到坐標(biāo)空間的值為1，其他值為0，由此生成N*N的V-I軌跡圖像，以CT機(jī)為例，其V-I軌跡特征如圖3所示：

2.1.2 對(duì)角高斯諧波矩陣特征

由于工作原理不同，大多數(shù)電器設(shè)備之間的V-I軌跡差異十分明顯，有利于沖擊性負(fù)荷的辨識(shí)。但由于V-I 軌跡是由歸一化的電壓與電流值繪制，無(wú)法反映設(shè)備的功率大小，不能有效區(qū)分部分V-I軌跡相似但功率差異較大的設(shè)備[11]。

文章定義一種基于電流的對(duì)角高斯諧波矩陣(Gaussian Diagonal Harmonic Matrices，Gauss-DHM)特征，該特征具有明顯的幅值特性，能彌補(bǔ)V-I軌跡特征的缺點(diǎn)以實(shí)現(xiàn)更好的辨識(shí)效果，并且可以直接送入神經(jīng)網(wǎng)絡(luò)訓(xùn)練。對(duì)角高斯諧波矩陣通過(guò)離散傅里葉變換得到，對(duì)于周期電流采樣序列Ik(I1,I2, … ,Ik)，計(jì)算其離散傅里葉變換ID(n)：

(3)

根據(jù)歐拉公式展開(kāi)可得：

(4)

得到n次諧波序列ID(n)后，將其映射到二維坐標(biāo)空間，中心處為基波幅值，諧波次數(shù)依次沿著對(duì)角線延伸由高到低分布，諧波幅值分別填充到對(duì)應(yīng)位置，即組成二維高斯諧波特征矩陣，其示意圖如圖4所示。

2.2 基于孿生分支神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)與訓(xùn)練

2.2.1 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

現(xiàn)有的非侵入式卷積神經(jīng)網(wǎng)絡(luò)負(fù)荷辨識(shí)思路只進(jìn)行了設(shè)備的類(lèi)別的分類(lèi)，沒(méi)有考慮功率的回歸[12]。文章設(shè)計(jì)了兩種輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)框架，訓(xùn)練時(shí)融合V-I軌跡特征和Gauss-DHM特征，在實(shí)現(xiàn)沖擊負(fù)荷設(shè)備類(lèi)別辨識(shí)的同時(shí)進(jìn)行了功率回歸，模型含有兩種前向模式，均可以在硬件資源不超過(guò)1 MB的RAM和ROM上部署。

模式一為輸入兩通道、骨干網(wǎng)絡(luò)單分支前向通道以及輸出雙分支的結(jié)構(gòu)，如圖5所示。輸入層對(duì)雙通道樣本的特征直接進(jìn)行融合計(jì)算，稱(chēng)為Single-Arch模式，該模式包含三個(gè)卷積塊和雙分支輸出的全連接層，其中輸入特征大小為24×24×2，最后一層全連接層的輸出類(lèi)別根據(jù)識(shí)別種類(lèi)的需要進(jìn)行設(shè)置，兩個(gè)分支分別輸出類(lèi)別和功率預(yù)測(cè)結(jié)果。

模式二為輸入雙通道、骨干網(wǎng)絡(luò)孿生(Siamese)[13]雙前向通道以及輸出雙分支的結(jié)構(gòu)[14]，如圖6所示，即前向推理時(shí)以雙通道的方式提取輸入樣本特征、輸出雙分支的Siamese Dual-Arch模式。兩個(gè)分支輸入特征大小均為24×24×1，分別對(duì)應(yīng)V-I軌跡特征和Gauss-DHM特征，兩種特征經(jīng)過(guò)卷積層進(jìn)行深度特征提取，在全連接層之前進(jìn)行特征融合，卷積塊數(shù)和全連接層結(jié)構(gòu)與Single-Arch模式保持一致。

圖6 模式II網(wǎng)絡(luò)結(jié)構(gòu)示意圖

對(duì)于輸入的電壓電流波形，首先進(jìn)行V-I軌跡特征和Gauss-DHM特征提取，然后根據(jù)網(wǎng)絡(luò)模型結(jié)構(gòu)的不同，將特征送入不同的通道進(jìn)行深度特征提取，網(wǎng)絡(luò)前向推理時(shí)，由三個(gè)卷積塊組成骨干網(wǎng)絡(luò)，每個(gè)卷積塊包含卷積層、激活層、池化層和Dropout層，該前向推理過(guò)程可表示為：

Refc(F)=fConcatenate[ζMaxpool(δReLu(Conv(F))),

ζMaxpool(δReLu(Conv(F)))]

(5)

其中Conv代表卷積操作，ReLu[15]為防止梯度爆炸或消失的激活層函數(shù)，Maxpool[16]對(duì)卷積輸出進(jìn)行降維壓縮來(lái)加快運(yùn)算速度，Dropout[17]減少網(wǎng)絡(luò)對(duì)局部神經(jīng)元依賴(lài)以防止模型過(guò)擬合，Concatenate操作將不同輸出通道的特征拼接，用于全連接層的判別，兩種模式的參數(shù)設(shè)計(jì)見(jiàn)表1和表2。

表1 模式I網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)列表

表2 模式II網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)列表

上述所設(shè)計(jì)的兩種網(wǎng)絡(luò)模型，模式一使用兩種特征直接融合訓(xùn)練，輸入通道共享網(wǎng)絡(luò)權(quán)重，可減少網(wǎng)絡(luò)參數(shù)；模式二設(shè)計(jì)了一種孿生分支結(jié)構(gòu)，用于兩輸入通道數(shù)據(jù)分別提取特征經(jīng)骨干網(wǎng)絡(luò)前向推理后融合，兩種模式輸出時(shí)，模型能夠同時(shí)進(jìn)行邏輯分類(lèi)和功率回歸。

2.2.2 孿生分支多標(biāo)簽分類(lèi)與功率回歸設(shè)計(jì)原理

在卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)，模型通過(guò)對(duì)比最后一層全連接層的輸出與訓(xùn)練集預(yù)設(shè)標(biāo)簽的差值定義損失，即輸出誤差，并通過(guò)梯度下降法迭代尋優(yōu)。在進(jìn)行分類(lèi)任務(wù)時(shí)，使用交叉熵(Cross Entropy)[18]表示預(yù)測(cè)的結(jié)果和真實(shí)的結(jié)果的差異：

(6)

式中p(x)代表真實(shí)標(biāo)簽；q(x)代表網(wǎng)絡(luò)最后一層的激活輸出，x代表網(wǎng)絡(luò)輸出的維度數(shù)；q(x)通過(guò)Sigmoid激活函數(shù)獲?。?/p>

(7)

式中z為激活層的前一層輸出，文章所設(shè)計(jì)的孿生分支神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)多標(biāo)簽多分類(lèi)與回歸的關(guān)鍵在于訓(xùn)練時(shí)和前向推理時(shí)使用的損失函數(shù)，其中多分類(lèi)多標(biāo)簽損失函數(shù)使用二分類(lèi)交叉熵?fù)p失函數(shù)(Binary Cross-Entropy Loss，BCE Loss)，該損失函數(shù)使得每個(gè)類(lèi)別的輸出獨(dú)立且不相互排斥，最后一層全連接層后通過(guò)多個(gè)Sigmoid輸出實(shí)現(xiàn)預(yù)測(cè)結(jié)果的多標(biāo)簽的多分類(lèi)。其形式和誤差反向傳播時(shí)的導(dǎo)數(shù)如下：

(8)

式中C代表可識(shí)別的沖擊負(fù)荷設(shè)備類(lèi)別數(shù)；真實(shí)標(biāo)簽p(x)的值為0或1；網(wǎng)絡(luò)Sigmoid激活層的輸出q(x)∈(0,1)，在進(jìn)行誤差反向傳播時(shí)，其形式簡(jiǎn)單，有利于網(wǎng)絡(luò)訓(xùn)練加速，故分類(lèi)任務(wù)選擇該激活函數(shù)，在實(shí)現(xiàn)功率回歸時(shí)，選擇最小平方誤差(Minimum Squared-Error，MSE)損失函數(shù)為：

(9)

2.2.3 沖擊負(fù)荷訓(xùn)練數(shù)據(jù)采集

由于沖擊負(fù)荷類(lèi)的公開(kāi)數(shù)據(jù)比較少，文章所用訓(xùn)練和測(cè)試數(shù)據(jù)通過(guò)專(zhuān)業(yè)設(shè)備獲取。其中數(shù)據(jù)采集使用MR1200系列波形監(jiān)測(cè)記錄儀，采集了煙臺(tái)市、哈爾濱市某大型工業(yè)企業(yè)及青島市李滄區(qū)某醫(yī)院改裝臺(tái)區(qū)總線側(cè)經(jīng)變比后的中頻爐、電弧爐、軋鋼機(jī)、CT機(jī)等設(shè)備單獨(dú)工作和部分設(shè)備混合工作的場(chǎng)景。訓(xùn)練數(shù)據(jù)分為15組，包括單一沖擊設(shè)備場(chǎng)景和混合沖擊設(shè)備使用的場(chǎng)景，每組800個(gè)數(shù)據(jù)。測(cè)試集3組，每組1 000個(gè)數(shù)據(jù)，涵蓋了常見(jiàn)的沖擊負(fù)荷設(shè)備場(chǎng)景。

2.2.4 沖擊負(fù)荷訓(xùn)練標(biāo)簽制作

訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型，需要提供大量帶有預(yù)設(shè)標(biāo)簽的樣本，文章所設(shè)計(jì)的孿生分支網(wǎng)絡(luò)算法除了可進(jìn)行沖擊設(shè)備類(lèi)別識(shí)別外，還可以對(duì)其功率進(jìn)行回歸。制作功率信息的訓(xùn)練標(biāo)簽時(shí)，沖擊負(fù)荷有功功率的計(jì)算通過(guò)電壓電流單個(gè)周波離散采樣點(diǎn)乘積積分的平均值確定：

(10)

式中k為單周波采樣點(diǎn)數(shù)；i為單個(gè)周波第i個(gè)采樣點(diǎn)，Vi和Ii分別為該點(diǎn)電壓電流值。

3 基于孿生網(wǎng)絡(luò)的非侵入式算法部署與算例分析

3.1 非侵入式孿生網(wǎng)絡(luò)訓(xùn)練

文章所提孿生網(wǎng)絡(luò)使用Python3與Keras深度學(xué)習(xí)框架進(jìn)行設(shè)計(jì)和訓(xùn)練，硬件為:CPU為Intel i5-8300H，RAM為8GB；GPU為Nvidia GTX 1060Ti，顯存為6GB，網(wǎng)絡(luò)計(jì)算機(jī)端離線訓(xùn)練參數(shù)按表3進(jìn)行配置。

表3 網(wǎng)絡(luò)模型訓(xùn)練參數(shù)設(shè)置

其中，Validation Split[19]為訓(xùn)練數(shù)據(jù)中的驗(yàn)證集比例，Pooling Stride為池化步長(zhǎng)，Weight of Branches為網(wǎng)絡(luò)最后一層輸出計(jì)算損失函數(shù)時(shí)不同分支的損失權(quán)重，Adam為訓(xùn)練時(shí)隨機(jī)梯度下降法的動(dòng)量?jī)?yōu)化方法[20]。訓(xùn)練過(guò)程中的損失變化曲線如圖7所示。

圖7 訓(xùn)練精度與損失變化曲線

由圖7中曲線，訓(xùn)練過(guò)程分類(lèi)和回歸損失逐漸變小，可見(jiàn)訓(xùn)練是收斂的。

3.2 非侵入式平臺(tái)部署與測(cè)試

基于ARM Cortex-M4的嵌入式平臺(tái)的MCU主頻為120 MHz，RAM為1 MB，F(xiàn)lash存儲(chǔ)器為1 MB，計(jì)算機(jī)端離線訓(xùn)練，其完成后，模型導(dǎo)出為“h5”格式文件，由于硬件資源有限，需要對(duì)其進(jìn)行固定位寬定點(diǎn)量化后導(dǎo)出到嵌入式設(shè)備上部署，當(dāng)網(wǎng)絡(luò)調(diào)用時(shí)，進(jìn)行參數(shù)加載，參數(shù)量與資源占用如表4所示。

表4 網(wǎng)絡(luò)模型參數(shù)與計(jì)算量占用

其中Param代表網(wǎng)絡(luò)模型的參數(shù)所占用的字節(jié)數(shù)，為網(wǎng)絡(luò)的權(quán)重和偏置信息，F(xiàn)LOPs[21]表示浮點(diǎn)運(yùn)算次數(shù)，用來(lái)衡量模型的計(jì)算復(fù)雜度。Period代表模型部署時(shí)單個(gè)樣本在周期任務(wù)中運(yùn)行的耗時(shí)。由表格可知，Single-Arch模式的參數(shù)量更少，運(yùn)算速度更快, Siamese Dual-Arch將輸入特征分開(kāi)學(xué)習(xí)，參數(shù)量大，運(yùn)算速度略慢于前者。

在嵌入式設(shè)備上運(yùn)行時(shí)，首先對(duì)采樣數(shù)據(jù)緩存，時(shí)域上分析電壓幅值的突變點(diǎn)也即系統(tǒng)發(fā)生暫態(tài)時(shí)間的時(shí)刻，并判斷是否為沖擊負(fù)荷投切暫態(tài)事件，在監(jiān)測(cè)到時(shí)域事件發(fā)生后，緩存一段時(shí)間的數(shù)據(jù)，在非周期中斷任務(wù)中進(jìn)行后臺(tái)分析，判斷是否為沖擊負(fù)荷并判斷沖擊負(fù)荷的種類(lèi)、功率，模型分析速度可達(dá)到毫秒級(jí)，沖擊發(fā)生時(shí)，可在1 s內(nèi)完成所有沖擊數(shù)據(jù)分析。表5為兩種網(wǎng)絡(luò)模式對(duì)典型測(cè)試場(chǎng)景下沖擊負(fù)荷功率的分解結(jié)果(變比1∶800)，與真實(shí)測(cè)試標(biāo)簽(Ground Truth)對(duì)比可知，模型實(shí)現(xiàn)了功率分解并達(dá)到了一定的準(zhǔn)確度。

表5 功率預(yù)測(cè)結(jié)果對(duì)比

圖8為所設(shè)計(jì)的網(wǎng)絡(luò)加入功率信息訓(xùn)練前后在實(shí)測(cè)沖擊負(fù)荷錄波數(shù)據(jù)組成的測(cè)試集中的表現(xiàn)。

圖8 高斯諧波特征引入前后網(wǎng)絡(luò)負(fù)荷設(shè)備投切辨識(shí)測(cè)試結(jié)果

其中橫軸代表沖擊設(shè)備類(lèi)別的真實(shí)標(biāo)簽，縱軸為算法實(shí)際預(yù)測(cè)沖擊設(shè)備的類(lèi)別，因此當(dāng)辨識(shí)結(jié)果分布在對(duì)角線上時(shí)，識(shí)別類(lèi)別越好[22]。由圖8測(cè)試結(jié)果可知，加入高斯諧波特征后，模型學(xué)習(xí)了與沖擊負(fù)荷設(shè)備幅值和頻域相關(guān)特性，對(duì)于波形易混淆的中頻爐和電弧爐有了更好的辨識(shí)效果，整體識(shí)別準(zhǔn)確度由86.25%提升到97.81%。

3.3 算法識(shí)別率橫向?qū)Ρ葴y(cè)試

為驗(yàn)證算法整體識(shí)別性能，對(duì)比測(cè)試其他文獻(xiàn)中的負(fù)荷辨識(shí)算法。選取文獻(xiàn)[23-25]中算法仿真沖擊負(fù)荷辨識(shí)，對(duì)辨識(shí)準(zhǔn)確率性能進(jìn)行橫向測(cè)評(píng)，各算法參數(shù)使用文獻(xiàn)[23-25]所用到的實(shí)驗(yàn)參數(shù)，測(cè)試數(shù)據(jù)為現(xiàn)場(chǎng)錄波數(shù)據(jù)。其中文獻(xiàn)[23]通過(guò)卷積神經(jīng)網(wǎng)絡(luò)提取V-I軌跡深層特征來(lái)直接辨識(shí)用電設(shè)備；文獻(xiàn)[24]利用K近鄰(K-NN)算法和Fisher判別相結(jié)合的算法對(duì)用電設(shè)備分類(lèi)；文獻(xiàn)[25]使用CNN訓(xùn)練V-I軌跡特征，單獨(dú)使用多層感知機(jī)(MLP)提取諧波特征向量，融合兩組特征進(jìn)行識(shí)別。各類(lèi)算法總體辨識(shí)準(zhǔn)確度結(jié)果如表6所示。

表6 錄波數(shù)據(jù)分項(xiàng)辨識(shí)準(zhǔn)確度

由表6辨識(shí)結(jié)果可知，文獻(xiàn)[23]算法直接使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)V-I軌跡特征進(jìn)行進(jìn)一步特征提取和判別，由于中頻爐和電弧爐的V-I軌跡特征相近，產(chǎn)生了較多的誤判。文獻(xiàn)[24]算法使用KNN進(jìn)行判別，對(duì)誤判風(fēng)險(xiǎn)大的樣本通過(guò)核Fisher進(jìn)行判別，使得對(duì)特征相近的樣本識(shí)別取得了一定效果，但整體識(shí)別率不高。文獻(xiàn)[25]算法引入諧波特征組成諧波向量，但使用感知機(jī)訓(xùn)練獲取的有效信息較少，精度仍有提升的空間。融合了V-I軌跡特征和高斯諧波特征的Single-Arch CNN比單一特征的CNN具有更好的表現(xiàn)，而基于孿生分支的Dual-Arch CNN網(wǎng)絡(luò)識(shí)別精度最高，其對(duì)沖擊負(fù)荷波形特征和幅值特性的學(xué)習(xí)更為深刻，泛化能力更強(qiáng)，使得該算法辨識(shí)效果要好于傳統(tǒng)的機(jī)器學(xué)習(xí)方法與單通道、單分支網(wǎng)絡(luò)等模型。

4 結(jié)束語(yǔ)

典型沖擊負(fù)荷對(duì)電力系統(tǒng)穩(wěn)定有較大的影響，為了識(shí)別和掌握這種動(dòng)態(tài)負(fù)荷的波動(dòng)，文章提出了一種基于孿生分支網(wǎng)絡(luò)結(jié)構(gòu)的非侵入式?jīng)_擊負(fù)荷辨識(shí)方法。首先對(duì)于電網(wǎng)高頻采樣數(shù)據(jù)，設(shè)計(jì)了一種對(duì)角高斯諧波特征，使用該特征與V-I軌跡特征相配合進(jìn)行沖擊負(fù)荷辨識(shí)，能夠有效彌補(bǔ)V-I軌跡特征無(wú)法表征幅值信息的不足。同時(shí)設(shè)計(jì)了一種孿生分支結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，分為單輸入通道和孿生輸入通道兩種模式，其中單通道模式運(yùn)算速度快，孿生輸入通道模式精度高。該網(wǎng)絡(luò)結(jié)構(gòu)不僅能融合訓(xùn)練V-I軌跡和對(duì)角高斯諧波特征，而且可以同時(shí)輸出類(lèi)別預(yù)測(cè)和功率分解結(jié)果。算法能夠在算力較低的嵌入式邊緣設(shè)備部署且運(yùn)算速度達(dá)到ms級(jí)。實(shí)測(cè)數(shù)據(jù)表明，文章設(shè)計(jì)的網(wǎng)絡(luò)模型和特征組合方式能夠有效地提升沖擊負(fù)荷的辨識(shí)效果。

文章以四種典型設(shè)備為例展開(kāi)，結(jié)合了沖擊負(fù)荷監(jiān)測(cè)現(xiàn)實(shí)需求、孿生分支網(wǎng)絡(luò)強(qiáng)大的學(xué)習(xí)能力以及非侵入式負(fù)荷監(jiān)測(cè)理論優(yōu)勢(shì)。文中所提算法可根據(jù)實(shí)際應(yīng)用場(chǎng)景的需要，學(xué)習(xí)并擴(kuò)展至更多大中型沖擊負(fù)荷類(lèi)設(shè)備。同樣地，模型經(jīng)過(guò)訓(xùn)練學(xué)習(xí)可用于家用電器投切識(shí)別等多種場(chǎng)景。

值得一提的是，大型負(fù)荷的數(shù)據(jù)資料較少，基于人工智能的智慧電網(wǎng)建設(shè)依賴(lài)于數(shù)據(jù)驅(qū)動(dòng)，往往需要電網(wǎng)公司和企業(yè)合作去采集大量的負(fù)荷樣本數(shù)據(jù)，分類(lèi)建設(shè)并不斷完善相關(guān)的數(shù)據(jù)庫(kù)，運(yùn)用基于人工智能的算法，對(duì)重點(diǎn)地區(qū)和企業(yè)實(shí)行定點(diǎn)監(jiān)測(cè)，統(tǒng)計(jì)數(shù)據(jù)后進(jìn)行云端匯總，利用大數(shù)據(jù)技術(shù)分析沖擊負(fù)荷總體運(yùn)行規(guī)律，進(jìn)而推動(dòng)智能電力調(diào)度和電能質(zhì)量?jī)?yōu)化，降低沖擊負(fù)荷對(duì)電網(wǎng)的影響。