基于VMD-LSTM 的非侵入式負荷識別方法

王 毅，易 歡，李松濃，馮 凌，劉期烈，宋如楠

（1.重慶郵電大學 通信與信息工程學院，重慶 400065；2.國網(wǎng)重慶市電力公司電力科學研究院，重慶 400014；3.國網(wǎng)重慶市電力公司營銷服務(wù)中心，重慶 400014；4.中國電力科學研究院，北京 100192）

0 引言

隨著社會的發(fā)展，電力成為社會的主要能源。電網(wǎng)是電力運輸、分配和使用的載體。保持智能電網(wǎng)的穩(wěn)定運行是電力系統(tǒng)規(guī)劃和管理的根本目標[1]。負荷監(jiān)測可以幫助電力公司獲得用戶的詳細用電信息，分析用戶用電信息可以為電力系統(tǒng)的規(guī)劃和智能調(diào)度提供指導意見[2]。對電力用戶來說，可以通過負荷監(jiān)測結(jié)果分析自己的用電行為，制定合理的用電策略，降低用電成本，節(jié)約能源資源。侵入式負荷監(jiān)測(Intrusive Load Monitoring,ILM) 和非侵入式負荷監(jiān)測(Non-Intrusive Load Monitoring,NILM)是電力監(jiān)控的兩種手段。ILM 系統(tǒng)需在每個家用電器的前端安裝測量傳感器，用以實時的記錄設(shè)備的用電信息，其成本與電器的數(shù)量成線性關(guān)系；NILM 由美國麻省理工學院的Hart[3]教授于20 世紀80 年代提出，僅通過家庭入口處的電流電壓信息，采用算法得到各用電器的電氣信息。與ILM 系統(tǒng)相比，NILM 系統(tǒng)有安裝方便、成本低、保護隱私安全等優(yōu)點。非侵入式負荷識別主要有兩種實現(xiàn)方法，即事件法[4]和分解法[5，6]。事件法檢測電器設(shè)備的啟動/關(guān)閉事件，以事件的瞬態(tài)變化為特征判斷電器的類型，從而推斷電器的實時工作狀態(tài)，實現(xiàn)電能的分解。分解法是直接從多負載疊加的電氣特性分解為每個電器特性最可能的組合。但隨著電器設(shè)備數(shù)量的增多，分解法的復雜度大大提高，而事件法則沒有上述缺點。事件法的關(guān)鍵在于對電器產(chǎn)生的負荷投切事件進行準確分類。

文獻[7]采用孿生神經(jīng)網(wǎng)絡(luò)結(jié)合空間凸包重疊率的相似性計算方法，在保證已知負荷的識別精度的基礎(chǔ)上，引入遷移學習實現(xiàn)了未知負荷的識別。文獻[8]采用電壓和電流的總體變化作為負載特征，根據(jù)循環(huán)中電壓電流變化的差異提取V-I 軌跡的特征，以帶有附加注意模塊的卷積神經(jīng)網(wǎng)絡(luò)進行負載識別，但特征提取步驟較繁瑣且V-I 軌跡的訓練占用計算資源大。文獻[9]采用有功功率和無功功率作為第一層中識別負載的特征，以電流的三次諧波和五次諧波作為第二層中識別負載的特征，通過KNN 進行負荷的識別。文獻[10]采用局部均值平均法(LMD)結(jié)合KNN 的方法，通過LMD 將有功功率進行分解，將分解得到的分量作為設(shè)備的唯一負載指紋，有效增加了相似負荷的識別率，但是對KNN 的K值以及LMD 的分解維數(shù)都需要根據(jù)經(jīng)驗得到，存在不確定性。文獻[11]采用隨機森林對負荷特征進行優(yōu)選，再利用經(jīng)過遺傳算法優(yōu)化的極限學習機進行負荷分類。文獻[12]先采用有功功率和無功功率作為負荷特征，采用k-means 算法進行聚類，針對一階段的識別盲區(qū)，構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，以V-I 軌跡作為負荷特征進行二次識別，但模型訓練時間長。文獻[13]在電壓滿足一定條件的情況下采集負荷穩(wěn)態(tài)波形作為負荷特征，利用動態(tài)時間彎曲(DTW)算法計算穩(wěn)態(tài)波形與模板庫的距離來識別負荷，但是在測量穩(wěn)態(tài)波形時對電壓有嚴格要求且對小電流設(shè)備的工作狀態(tài)容易誤判。

針對以上方法存在的缺陷，本文采用VMD 對歸一化的單周期穩(wěn)態(tài)電流信號進行分解，求分解后分量與歸一化信號的相關(guān)系數(shù)，選相關(guān)系數(shù)最大的兩個分量作為電器的負荷特征，輸入訓練好的LSTM 神經(jīng)網(wǎng)絡(luò)進行識別。該方法不僅提高了相似性負荷的識別率，且模型訓練時間短，花費計算資源較少。通過PLAID 數(shù)據(jù)集和實驗室采集數(shù)據(jù)進行仿真實驗，證明了本文方法的有效性。

1 特征構(gòu)建

1.1 VMD 算法原理

變分模態(tài)分解(Variational Mode Decomposition,VMD)是Dragomiretskiy K[14]等人于2014 年提出的一種新的非線性、非平穩(wěn)信號的自適應(yīng)分解計算方法。該方法認為各個IMF 分量都是集中在中心頻率附近的窄帶信號。根據(jù)IMF 分量的窄帶條件建立約束問題來估計IMF 分量的中心頻率和重構(gòu)IMF 分量。

電流的原始信號為i(t),ik(t) 為經(jīng)VMD 分解的K個離散模態(tài)分量,k=1,2,…,K。

算法分解步驟如下：

(1)應(yīng)用Hilbert 變換獲取每個模態(tài)分量ik(t)的單邊譜，如式(1)所示：

式中：δ(t)為狄拉克函數(shù)。

(2)將每個模態(tài)分量ik(t)頻譜搬移到相應(yīng)基頻帶，如式(2)所示：

式中：ωk為ik(t)的中心頻率。

(3)通過對各模態(tài)分量ik(t) 解調(diào)信號的高斯平滑方式估計各模態(tài)分量的帶寬，構(gòu)造式(3)所示的約束變分模型：

式中：?t為對t求偏導。引入拉格朗日乘子λ和二次懲罰因子α，通過增廣拉格朗日函數(shù)將上述等式約束優(yōu)化問題等效為一個無約束優(yōu)化問題，如式(4)所示：

采用交替方向乘子法ADMM 和Parseval 定理交替迭代更新，直至滿足迭代終止條件：

式中：ε為求解精度。

求解過程中單個變量的更新表達式如式(6)、式(7)、式(8)所示：

式中：γ為噪聲容忍度。

1.2 基于VMD 的特征構(gòu)建

非侵入式負荷監(jiān)測系統(tǒng)中，數(shù)據(jù)質(zhì)量是影響識別精度的重要因素。且不同的采樣頻率、不同的采樣設(shè)備得到的數(shù)據(jù)會有一定的不同。為減小不同采集設(shè)備采集數(shù)據(jù)的差異，本文對電流進行歸一化處理，將電流歸一化到(-1,1)范圍。歸一化按式(9)進行處理：

式中:inor代表歸一化電流數(shù)據(jù)，imax為單周期內(nèi)電流的最大值，imin為單周期內(nèi)電流的最小值。

筆記本穩(wěn)態(tài)電流經(jīng)VMD 分解為5 個IMF 分量的波形如圖1 所示。

圖1 筆記本原始電流及分量波形

計算各IMF 分量與歸一化后電流信號的相關(guān)系數(shù)，將相關(guān)系數(shù)最大的兩個IMF 分量合并為一維向量作為該負荷的負載特征。

筆記本的負荷特征曲線如圖2 所示。橫軸為采樣點的個數(shù)，單周期的采樣點為500，分解后的每個分量的采樣點也為500，故合并后的特征的采樣點為1 000。

圖2 筆記本負荷特征波形

2 LSTM 網(wǎng)絡(luò)模型及識別流程

2.1 LSTM 網(wǎng)絡(luò)模型

在循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)的基礎(chǔ)上引入了遺忘門、輸入門和輸出門控制每個細胞單元的狀態(tài)得到長短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）[15]，它解決了RNN 梯度消失和梯度爆炸等問題。LSTM 的模型內(nèi)部結(jié)構(gòu)如圖3 所示。

圖3 LSTM 內(nèi)部結(jié)構(gòu)圖

ft為遺忘門、Wf為遺忘門的權(quán)重矩陣；it為輸入門，Wi輸入門的權(quán)重矩陣；ot為輸出門，Wo為輸出門的權(quán)重矩陣。各計算公式如式(10)所示：

2.2 識別流程

負荷識別流程如圖4 所示，首先經(jīng)過穩(wěn)態(tài)數(shù)據(jù)的采集得到設(shè)備的穩(wěn)態(tài)電流，將穩(wěn)態(tài)周期電流經(jīng)VMD 分解，得到各分量波形；將與歸一化后電流信號相關(guān)系數(shù)最大的兩個分量拼接為一維負荷特征，輸入訓練好的LSTM網(wǎng)絡(luò)進行負荷識別。

圖4 負荷識別流程

3 算例測試及分析

本文采用基于Python 3.6 平臺TensorFlow 2.0 的深度學習框架。硬件平臺為Intel(R) Core(TM) i5-6500 CPU 3.2 GHz、8 GB RAM。

3.1 評價指標

本文采用混淆矩陣全面地評價分類結(jié)果。評價指標Pre代表當前樣本的準確率，Rre代表召回率，F(xiàn)1代表準確率和召回率的平均評估指標[16]。計算公式如式(11)、式(12)、式(13)所示：

其中TP 表示真實和預測都為正類的數(shù)量；TN 表示實際和預測都是負類的數(shù)量；FP 表示實際為負類，但預測為正類的數(shù)量；FN 表示實際為正類，但被預測為負類的數(shù)量。

3.2 PLAID 數(shù)據(jù)集算例分析

PLAID 數(shù)據(jù)集，采樣頻率為30 kHz，該數(shù)據(jù)集記錄了美國賓夕法尼亞州55 個家庭用戶的用電數(shù)據(jù)，包括11 種不同的電器1 793 組電壓、電流數(shù)據(jù)[17]。提取各個電器的180 個穩(wěn)態(tài)周期的電流數(shù)據(jù)，經(jīng)過VMD 分解后選擇與歸一化信號相關(guān)系數(shù)最大的兩個分量作為負荷特征，構(gòu)建成1×1 000 的一維負荷特征。文中訓練數(shù)據(jù)集與測試數(shù)據(jù)集的比例為7:3，總數(shù)分別為1 386 和594。實驗仿真結(jié)果繪制的混淆矩陣如圖5 所示。

圖5 PLAID 數(shù)據(jù)集LSTM 識別結(jié)果繪制的混淆矩陣

混淆矩陣中，縱軸表示用電設(shè)備的實際類別，橫軸表示預測類別，矩陣中斜對角線上的數(shù)字表示正確識別的數(shù)量，其他位置的數(shù)字表示未被正確識別的數(shù)量。百分數(shù)表示當前類別數(shù)量占測試集總樣本的比例，最右側(cè)的百分數(shù)表示準確率，最下側(cè)的百分比表示召回率。從中可以看到，各個電器的識別率都在96%以上，整體識別率達到了99%，說明本文方法有效。

3.3 與其他算法的對比

為了進一步說明本文方法的有效性，與其他負荷識別算法進行對比，表1 列出了各個算法的設(shè)備識別率，實驗均在PLAID 數(shù)據(jù)集上進行。各算法的準確率如表1 所示。

表1 與其他識別算法的識別率對比

其中文獻[18]提取V-I 軌跡圖像的輪廓特征，利用這些特征計算橢圓傅里葉描述符作為負荷特征，利用多層感知機進行分類。文獻[19]采用自動選擇設(shè)備特征的遞歸特征消除算法，以隨機森林作為分類算法。文獻[20]采用穩(wěn)態(tài)、暫態(tài)相結(jié)合的負荷特征，利用基于PCA 的辨識分類算法進行分類。文獻[21]使用V-I 軌跡圖像結(jié)合功率作為負荷特征，以BP 神經(jīng)網(wǎng)絡(luò)進行分類。由表1 可知，相比于參考文獻中的方法，本文方法采用VMD 分解單周期穩(wěn)態(tài)電流，計算分量與歸一化電流信號的相關(guān)系數(shù)，挑選相關(guān)系數(shù)最大的兩個分量作為負荷特征，增加了算法的辨識能力。

3.4 實驗室自采數(shù)據(jù)集實驗仿真及分析

實驗室采集數(shù)據(jù)采用1 000:1 的電流互感器，Pico-Scope 5000 series 進行數(shù)據(jù)采集。用電設(shè)備信息如表2所示。

表2 實驗室所用設(shè)備信息

實驗室自采數(shù)據(jù)集采樣頻率為5 kHz，包括6 種電器共1 080 個電流周期數(shù)據(jù)。經(jīng)VMD 分解后選用與歸一化電流信號相關(guān)系數(shù)最大的兩個分量拼接為1×200 的一維向量作為負荷特征。與PLAID 數(shù)據(jù)集一樣，訓練集與測試集的比例為7:3，訓練集和測試集的樣本總數(shù)分別為756、324。經(jīng)訓練后的LSTM 模型分類效果如圖6 混淆矩陣所示。

圖6 實驗室采集數(shù)據(jù)集LSTM 識別結(jié)果繪制的混淆矩陣

3.5 數(shù)據(jù)集結(jié)果差異分析

整體來看，該方法在PLAID 數(shù)據(jù)集上的識別率高于實驗室采集數(shù)據(jù)的識別率，分析主要的原因在于PLAID數(shù)據(jù)集相似性負荷較少，而實驗室采集的數(shù)據(jù)相似性負荷較多。另外一方面是采樣頻率的不同，PLAID 的采樣頻率為30 kHz，而實驗室采集的數(shù)據(jù)是5 kHz，采樣頻率越高，則采集得到的數(shù)據(jù)含有的負荷信息就會更多，經(jīng)VMD 分解后會有更多的特征信息。

4 結(jié)論

針對相似性負荷識別率較低的問題，本文提出一種VMD 結(jié)合LSTM 的負荷識別方法。先將歸一化的單周期穩(wěn)態(tài)電流用VMD 進行分解，再計算各分量與歸一化電流信號的相關(guān)系數(shù)，將與歸一化信號相關(guān)系數(shù)最大的兩個分量作為負荷特征，采用LSTM 神經(jīng)網(wǎng)絡(luò)進行識別。在公開數(shù)據(jù)集PLAID 上進行仿真驗證，仿真結(jié)果的識別率為99%，表明本文方法的有效性。與其他負荷識別算法對比，本文所提方法可以得到更多的負荷特征信息，可以有效地提高識別率。最后在實驗室采集的數(shù)據(jù)集上進行了仿真驗證，96.6%的識別率充分說明本文所提方法擁有良好的魯棒性。