家庭用户端负载的非侵入式电能监测系统研究

张荣宝，张 建

(1.淮安金湖供电公司，江苏金湖 211600 2.淮安金湖供电公司，江苏金湖 211600)

家庭用户端负载的非侵入式电能监测系统研究

张荣宝1，张 建2

(1.淮安金湖供电公司，江苏金湖 211600 2.淮安金湖供电公司，江苏金湖 211600)

家庭用电智能化是智能电网建设的一个重要组成部分。本文采用非侵入式监测，先分析家庭中各种用电器的电气特性，然后分别采用不同的分析方法进行仿真实验。传统最简单的识别方法是根据功率识别，但相同功率家用电器的识别会受到限制。本文根据用电器启动功率波形不同，提出了运用神经网络识别计算，将用电器分类的方法，以提高识别的准确性。根据用电器稳态运行时电流波形的不同，本文采用遗传算法的识别方法进行计算，该方法也具有一定的识别效果。最后将三种方法整合互补，以提高识别的精确度，为今后的推广使用做好铺垫。

非侵入式;用电监测;识别算法

1 引言

目前，随着人们生活水平的提高电脑、电冰箱、电视机的家庭已经非常普遍，如果加上电灯、电磁炉、热水器等家用电器，家庭用户对于电能的消耗是越来越大，家庭入户用电量普遍都在8kW到10kW之间。由此可见，家庭用电对于需求侧的影响是很大的，用电的高峰和低谷的差值也相应地拉大，那么，对于家用电器的管理便变得及其重要。家庭用电监测系统不仅可以很好地解决用户对自己用电情况不了解、浪费等问题，同时也可以防止窃电，由于它是对进户端总的用电量进行在线监测，不仅可以查出是哪一个用电器在运行，而且还可以根据用电量的计算和波形分析，一旦出现漏电、短路等异常情况，很快就可以检测出来，以便得到及时处理［1］。

现有家用电器的用电监测有两种方法［2］，一种是侵入式监测，该技术需要无线传输器件，价格昂贵，无法大范围推广;另一种是非侵入式监测，只需在进线端安装传感器即可，然后分析计算。本文从第二种方式进行仿真分析，并验证其实用性。

2 电能参数测量

2.1 电能参数的采样与预处理

电力系统在运行过程中要监测很多的参数，以此来判断家用电器的种类及其用电量。其电力参数主要有电压、电流的瞬时值、频率、有功功率、无功功率、功率因数等［3］。电压、电流瞬时值的精确测量和有功功率、无功功率的准确性计算直接影响到家用电器种类的分析和判断。因此，电能参数的测量是计算家用电器用电量的基础。如果其中某一项电能参数误差过大，就会导致电器种类判断的错误。由此可见，对于电能参数的测量不仅需要有抗干扰措施，还有良好的准确的计算方法。如果用这种采集数据对家用电器的类型进行判断和用电量的计算，极有可能出现严重的错误。为了避免这种情况的发生本文采用中值滤波法、将采样数据行处理。

2.2 电能的计算

对于单项交流电来说，用电器的功率分为有功功率和无功功率。其中，有功功率是供电公司评价用户用电量的一个重要指标。根据帕塞瓦尔定理［4］，一个信号所含有的能量(功率)恒等于此信号在完备正交函数集中各分量能量(功率)之和。说明一个信号在时域上计算的总能量等于该信号在频域上计算的总能量。也就是说，信号经过傅里叶变换以后保持其总能量不变，符合能量守恒定律。

然而，现在家用电器中存在大量谐波。为此，本文分别利用了传统计算方法、积分计算方法和FFT计算方法对所假设的谐波运用MATLAB进行有功功率计算，所得到的计算结果与标准值的分析如表1所示。

表1 三种功率计算方法分析比较

由表1我们可以非常明显地看出，当电流已经不是标准的正弦曲线，而是带有一些不规则谐波的时候，若是采用传统的计算方法误差将会非常大，严重影响着用户与供电部门的公平交易。而运用积分的方法计算虽然比传统计算方法复杂一些，但计算出来的结果有着明显的优势。表中，FFT计算方法最为复杂，但是误差最小。随着硬件设备的不断进步，高性能的CPU已经不属于高消费，因此相对复杂的算法运用在电表中是一件非常可行的事情。

3 非侵入式负荷识别算法

3.1 基于功率变化的识别算法［5］

基于功率变化的识别技术是通过从整个用电量的消耗数据的变化来判断一个用电器的开/关状态。

功率算法通过设备的负荷曲线，来探测一个设备打开和关闭。有时候，不同电器会产生相同的结果(例如一个2kW的热水器和一个2kW的电茶壶)，它们只是在时间上有区别。详细算法解释如图1。

图1 传统功率变化算法流程图

3.2 基于家用电器启动的负荷识别算法

根据家用电器的电气波形，将电器进行分类，以便于寻求不同用电器在电气特性上的差别，为电器识别提供条件。文献［6］根据稳态时的v－i曲线分类，能够识别用电器的类型，但很难进行数字化分析计算。本文依据办公室和家庭电子设备和电器输入电流测量的数据进行分析［7］，提出了一种电力负荷分类框架，这样便可以区分不同的电力负荷，将为判断提供便利，负载分类情况如表2所示。

BP神经网络在模式识别和分类，函数逼近，构成专家系统、制成机器人等已广泛应用。本文在几种不同的条件下选取了几组仿真数据，利用BP网络进行了识别分类。

3.3 基于遗传算法的负荷识别算法

遗传算法的思想是根据生物的进化论演变而来的。遗传算法主要是在模仿生物变异、遗传与自然选择作用下的演变发展，生物淘汰和生物产生过程。遗传算法将生物进化这一过程抽象化、数字化，应用在各个领域中［8－10］。

表2 家用电器的性质分类

由于此次求解的是非线性整数规划问题，MATLAB上现有的集成模块不能够直接调用求解，所以本文学习的遗传算法的基本思想，根据算法流程图自行编写合适的遗传算法，由此所作出的遗传计算更具有针对性，灵活性也大大提高了。由于MATLAB画函数曲线图，矩阵运算非常方便，此次编写的遗传算法是运用MATLAB当中的M文件进行编写。其流程图如图2所示。

图2 遗传算法流程图

4 实际数据的监测及处理验证

4.1 实验平台的搭建

实验系统的基本原理是:取一个电源插口作为进线端，接上火线和零线，零线传入电流传感器，再将电压传感器接在零线上，用来采集线路上的电压电流信息。图3为实验系统的框图。

图3 实验系统的框图

4.2 实验步骤的制定

从大功率、中等功率和小功率中挑选出典型的家用电器作为一组研究对象，本文选取常用的家用电器，空调、日光灯、电风扇、计算机作为研究对象。电路示意图如下所示:

图4 电路示意图

4.2.1 空调单独投入

图5 空调启动瞬时波形

通过功率大小的监测比较，可以捕捉到空调启动时刻的瞬态波形数据(图5)，后将数据带入神经网络计算，可以分辨出该电器为电机类型。

由表3可以看出神经网络根据空调的启动数据可以准确地识别出启动电器的类型，与本文先前的仿真结果相同，说明本文所设计的算法完全适用于实测。

表3 神经网络判断结果

图6 空调启动稳态波形

图6是空调稳定运行时刻的稳态波形。该电流、电压波形比较稳定，输入到遗传算法中去进行计算，情况如下:

表4 遗传算法判断结果

4.2.1 计算机运行饮水机投入

饮水机属于电阻性负载，它启动时电流没有特别的变化(电流突然增大且高于稳态值)，所以它的功率波形也没有特殊变化，只是很稳定地上升到了饮水机和计算机同时运行的稳态值。所以，电阻性负载的瞬时启动非常容易识别，同样，将监测数据经过处理，输入到神经网络，结果如下:

表5 神经网络判断结果

表5指的是当一个用电器运行时另外一个用电器投入运行的识别结果。其中，正在运行的负载为整流类，功率较小，但是本文的启动识别算法仍然能够将其识别，说明了在实际监测当中，该启动识别算法在一些相对复杂的情况下仍然适用。

图6 空调启动稳态波形

可以从图7中看出，计算机和饮水机同时运行的电流稳态波形是它们分别单独运行时波形的叠加。遗传算法中进行识别结果如下:

表6 遗传算法判断结果

表6代表的是多种电器同时运行的稳态识别结果，该结果表明在多个电器同时运行时稳态识别算法也能够准确将其识别出来。

5 结论

1.本文结合相关资料，分析不同的非侵入式监测方法，尝试进行了改进、整合。第一种方法，基于功率识别法，简单可行。第二种方法，基于用电器启动的识别方法，根据启动功率变化规律，运用神经网络识别计算。第三种方法，基于用电器稳态的识别方法，根据用电器稳态电流波形的不同，利用遗传算法进行识别计算。

2.本文搭建了实验平台，将实验室的各种用电器分不同的状态进行了数据采集。然后将数据分别应用不同的识别方法进行了数据处理和分析。实验结果比较理想，有效地说明了算法的合理性和正确性。

［1］ 李宝珠.电力需求侧管理新技术在电网发展中的应用研究［D］，华北电力大学(北京)，2009.

［2］ 赵时.智能电网中家庭用户端负载的非侵入式电能监测系统研究［D］，中国矿业大学，2011.

［3］ 黎鹏，余贻鑫，非侵入式电力负荷在线分解［J］，天津大学学报，2009，42(4):303－308.

［4］ Suzuki，K.;Inagaki，S.;Suzuki，T.;Nonintrusive Appliance Load Monitoring Based on Integer Programming［C］，SICE Annual Conference，2008:2742－2747.

［5］ 开利，康耀红.神经网络模型及其MATLAB仿真程序设计［M］北京:清华大学出版社，2005.

［6］ 陆金桂，李谦，王浩.遗传算法原理及其工程应用［M］，徐州:中国矿业大学出版社，1997.

［7］ H.Y.Lam，G.S.K.Fung，Member，IEEE，and W.K.Lee.A Novel Method to Construct Taxonomy Electrical Appliances Based on Load Signatures［J］，Consumer Electronics，IEEE Transactions on，2007.53(2):653－660.

［8］ Roos，J.G.;Lane，I.E.;Botha，E.C.;Using Neural Networks for Non－intrusive onitoring of Industrial E-lectrical Loads［J］，Instrumentation and Measurement Technology Conference，1994.IMTC/94.Conference Proceedings.10th Anniversary.Advanced Technologies in I＆M.，1994 IEEE［C］，1994，3:1115－1118.

［9］ 李开宇.基于ARM嵌入式的电力参数检测技术研究，沈阳工业大学，2009.

［10］张清恒，基于DSP的多功能电能计量表［D］，浙江大学，2007.

10.3969/j.issn.1000－6133.2015.03.004

TN784

A

1000－6133(2015)03－0012－04

2015－03－21

张荣宝，(1987－)，男，江苏金湖，配电线路工。

工艺与材料