基于LMD和模型匹配的家电负荷识别算法

祁 兵,刘利亚,王丽丽

(1.华北电力大学电气与电子工程学院,北京市102206;2.国网物资有限公司,北京市 100120)

基于LMD和模型匹配的家电负荷识别算法

祁 兵1,刘利亚1,王丽丽2

(1.华北电力大学电气与电子工程学院,北京市102206;2.国网物资有限公司,北京市 100120)

家电负荷识别是智能用电的重要环节,传统侵入式负荷监测具有成本高、安装维护复杂的缺点,因此以非侵入式负荷监测为基础研究家电负荷识别算法。结合系统辨识的基本原理和方法,以稳态电流、稳态电压为特征,提出一种基于局部平均分解(LMD)和模型匹配的家电负荷识别算法。通过预先获取用电网络中各负荷的稳态数据,构建线性和非线性模型库。利用LMD算法将混合信号分解为单个负荷的用电数据,通过预筛选确定分离数据所属模型库,根据模型匹配原则进行负荷识别。仿真结果表明,所提算法可以准确识别出各负荷的运行状态,运算效率高,并能有效应对用电网络中有新负荷加入的情况。

负荷识别;模型库;局部平均分解;模型匹配

0 引言

电力需求侧管理作为智能电网建设中的重要组成部分,是实现全社会合理节能节电的重要手段。需求侧管理包括能效管理、负荷管理以及燃料替代和节约能源等[1]。家电负荷识别作为负荷管理的关键技术之一,可以在线监测各类家电的使用情况,实现电费的分类计量。这不仅可以使用户及时了解自己的用电情况,引导用户自觉采取节能措施,减少电费支出,也有助于电力公司了解用户负荷构成,实现与用户实时互动,加强负荷侧管理,实现降低峰谷差、节约能源等目的[2-3]。

家电负荷识别方法中,传统的侵入式法需要在每个家电负荷内部安装采集传感装置,不但成本较高,而且安装维护复杂;非侵入式方法通过在电力入口处采集家庭内部总的用电信息,利用信号分析与处理方法进行负荷辨识,从而获得各负荷的使用信息,其成本低,易于安装且适合在线监测[4]。George Hart是早期探索的代表,提出在负荷入口处监测稳态功率变化进行负荷分解的方法[5]。由于稳态特性存在一定的局限性,负荷的随意投切使得稳态特性中不可避免地含有一定的暂态分量,而且不适用于多个设备同时投切的情况,所以依据暂态信息进行负荷识别的监测方法受到重视[6-10]。另外,随着智能算法和模式分类技术的不断发展,越来越多的学者将其应用到负荷识别的领域,得到了较好的辨识效果。文献[11]选取低功率电器差异最大的频域谐波幅值作为新特征,利用信息熵及模糊聚类的方法实现负荷的聚类识别,解决了低功率电器识别准确性不够的问题。文献[12]将神经网络应用到非侵入式负荷监测系统,结合遗传算法和导通暂态能量分析进行负荷识别,提高了识别效率。文献[13]采用弹性反向传播(RPROP)神经网络进行负荷识别,可有效识别功率相近、谐波差异较小的用电设备。文献[14]从频域角度出发,构建模板滤波器对混合电流滤波,然后对滤波后的频率分量量化判决确定负荷运行状态,运算效率高,且易于硬件封装。由上述分析可知,非侵入式家电负荷识别方法大致分为两类:一类是以暂稳态信息为特征的负荷识别,大多依靠负荷投切时带来的电压扰动或隐含在功率或电流中的信息来识别负荷,不易识别多种电器混合的情况;另一类是以模式分类和智能计算为基础的识别方法,该方法需花费大量时间进行样本数据的训练和学习,一旦负荷种类发生变化,则要重新进行训练和学习。

本文以非侵入式负荷监测为背景,将家电负荷看做一个独立的系统,依据系统辨识的基本原理和方法,以稳态电流和电压为特征为负荷建立模型,形成模型库。根据基于局部平均分解(LMD)的欠定盲信号分离(under determined blind signal separation,UDBSS)算法对混合数据进行分离,将混合信号分离为单个负荷的用电数据,并通过模型匹配进行负荷识别。该方法理论上对于信号类别没有限制,打破了大多数分离算法中存在的稀疏性约束,无需预先估计欠定混合矩阵,减小了计算量;在匹配前进行模型预筛选,将待识别负荷分为线性和非线性两类,缩小了匹配范围,提高了运算效率;另外,当有新的负荷加入用电网络时,无需进行大规模的训练,只需为该负荷建立模型并加入模型库即可。本文基于实测数据对算法进行了验证,证明了该算法的可靠性。

1 基于LMD的欠定盲信号分离原理

欠定盲信号分离问题的模型描述为:

x(t)=As(t)+n(t)

(1)

式中:s(t)为N维统计独立的源信号;x(t)为M维观测到的混合信号;n(t)为噪声信号;A为描述未知混合过程的M×N阶混合矩阵。欠定的含义是指M

本文以欠定盲信号分离为基础,以稳态电流为特征对非侵入负荷识别系统所采集的混合数据进行处理,分离出各负荷单独运行的数据。这里,源信号指用户内各家电负荷单独运行的稳态电流数据,记为Ik(t)(k=1,2,…,N),可通过先验测试得到;混合信号指电力入口处采集的各运行负荷的总稳态电流,记为I(t)。当有M种家电负荷投入运行时,I(t)即为各负荷单独运行稳态电流之和,即

(2)

比较式(1)和式(2)可知,两者有相同的结构,Ik(t)为M维源数据,I(t)为一维混合数据。

由于在欠定混合条件下,混合矩阵的左伪逆无法直接计算,而且大多数分离方法都对信号的稀疏性有一定的限制,这使得欠定盲信号分离问题十分棘手。本文采用一种基于LMD的欠定盲信号分离方法[15],该方法主要分两步进行:第1步,利用LMD算法对欠定混合信号进行预处理,生成若干数量的乘积函数(product function,PF),并依据一定标准挑选足够数目的PF,将其加入原混合信号中构造出一个新的混合信号,从而使欠定盲信号模型转变为适定或超定盲信号模型;第2步,利用一定的盲分离算法对新的模型进行分离。

LMD算法是一种自适应的信号分解算法,可以自适应地将任何一个复杂的非平稳信号分解成多个瞬时频率具有物理意义的PF分量之和,其中每个PF分量都是一个包络信号和一个纯调频信号的乘积。包络信号是该PF分量的瞬时幅值,而PF分量的瞬时频率由纯调频信号求出,通过各PF分量的瞬时参数的组合,就可以得到原始信号完整的时频分布。算法的结构框图如图1所示。图中:W为分离矩阵。

图1 基于LMD的欠定盲信号分离原理框图Fig.1 Principle diagram of underdetermined blind signal separation based on LMD

图1在获得混合(观测)信号x(t)后,进入预处理过程:首先对其每个分量进行LMD,得到一组PF,即{fpq(t)},其中,p表示混合信号的第p个分量xp(t),q为PF的序数;然后分别计算PF分量fpq(t)与对应的混合信号xp(t)之间的互相关系数rpq,rpq的计算公式如下:

(3)

式中:T为样本点总数。

挑选互相关系数较大,也就是继承了混合信号更多信息的PF分量。图1中保留了s个互相关函数较大的PF分量,记为fpq′(t),并将其与原混合信号x(t)组成新的混合信号,记为xnew(t)。需要指出的是,保留的PF分量的数量需保证新的混合信号的数目不少于源信号的数目,即满足M+s≥N。

接着,对新的混合信号xnew(t)采用基于二阶统计信息的盲信号分离算法[16]。首先估计新观测信号的协方差,即

(4)

对其进行特征值分解:

(5)

式中:下标s和n分别表示信号和噪声;Vs=[v1,v2,…,vN]为(M+s)×N阶矩阵,是与N个按下降顺序排列的主特征值Λs=diag(λ1≥λ2…≥λN)相对应的特征矢量。

(M+s)×(M+s-N)阶矩阵包含M+s-N个噪声特征值Λn=diag(λN+1≥λN+2≥…≥λM+s)对应的噪声特征矢量,且λN>λN+1。矩阵Λs的阶数由源信号的数目N决定。若源信号数目未知,则使用最小描述长度准则(minimum description length,MDL)进行估计。从而得到白化矩阵:

(6)

白化后的混合信号为:

(7)

最后,计算白化混合信号的时延协方差矩阵为:

(8)

式中:u(u≠0)为某些特定时延。

(9)

2 基于LMD和模型匹配的负荷识别算法

2.1 模型匹配基本原理

本文结合系统辨识的基本原理和方法,将各家电负荷看做一个独立的系统,以稳态电压作为系统输入,稳态电流作为系统输出,利用一定的系统辨识方法为各家电负荷建立模型,用不同的模型来表征不同负荷在不同状态时的内部构造,提出一种基于模型匹配的时域信号识别算法,其基本原理框图见附录A图A1。

通过实验预先获得各家电负荷单独运行的用电数据,提取一定长度的稳态电流和稳态电压,采用递推最小二乘法为各负荷建立线性模型或非线性模型,并存放于相应模型库中,作为信号识别的依据。依据家电负荷稳态电流的波峰系数这一特征值,可将模型库分为两类——线性模型库和非线性模型库。对于波峰系数接近1.4的线性负荷，建立自回归滑动平均线性模型(ARMAX),放入线性模型库中;对于波峰系数与1.4相差较大的非线性负荷,建立Hammerstein模型,放入非线性模型库中[17]。模型库中存储的基本信息包括模型的结构参数、模型参数以及相应的用于检验的数据长度。

模型匹配的基本思想是将待识别负荷的稳态数据依次通过模型库中的各模型进行检验,观察模型输出电流与待识别负荷真实电流的匹配程度。本文采用残差序列白色性检验方法来说明模型与待识别负荷的拟合效果。

常见的检验残差序列是否为白噪声序列的方法是自相关系数检验法。假设残差序列的样本为{ε(k),k=1,2,…,L},其中L为输入输出数据样本的长度。在输入数据长度有限的情况下,ε(k)的自相关函数Rε(l)可以表示为:

(10)

ε(k)的自相关系数可以表示为:

(11)

2.2 负荷识别算法

本文以负荷稳态电流和稳态电压为特征,利用基于LMD的欠定盲信号分离算法对混合信号进行分离,得到源信号稳态数据;再结合模型匹配的时域信号识别算法对分离出的源信号进行辨识,确定其所属的负荷类型。需要注意的是,在使用该算法进行负荷识别之前需要预先采集用户常用的经典负荷单独运行时的用电数据,并将其存储到家用电器负荷用电信息数据库中,从而为负荷建模提供依据;另外,为了提高运算效率,需要事先确定用户用电网络中的负荷种类,为进一步的模型匹配缩小范围。具体实现过程如下。

进行负荷识别之前,首先要确定用户的用电网络中的负荷种类,利用递推最小二乘法,以稳态电压作为系统输入、稳态电流作为系统输出,分别为其建立相应模型(线性或非线性),形成ARMAX线性模型库和Hammerstein非线性模型库。

在电力入口处采集用户内总的用电数据,并从中提取一定长度的稳态数据x(t)。将混合数据x(t)进行LMD分解,得到j个PF分量。分别计算PF分量与混合信号x(t)的互相关系数r,将其从大到小进行排序,选取前s个r值较大的PF分量与原混合信号x(t)组成新的混合信号xnew(t),需要注意的是,s的取值应满足s+1≥N,若源信号数目未知,则使用MDL进行估计。利用基于二阶统计信息的盲信号分离算法对xnew(t)进行分解,得到源信号y。

将分离出的源信号数据进行预处理,提取一定长度的稳态数据,分别计算各源信号稳态电流的波峰系数ICF,判断各波峰系数是否接近于1.4,即是否满足|ICF-1.4|<0.2。若满足,则说明该源信号对应的负荷为线性负荷,应用线性模型描述;否则应用非线性模型描述[17]。ICF的计算公式如下:

(12)

Ip=max(i(k)) 1≤k

(13)

(14)

式中:Irms为稳态电流均方根;Ip为稳态电流幅值;ICF为稳态电流波峰系数;i(k)为稳态电流数据序列。

将各源信号的稳态数据依次通过相应模型库中的各模型进行检验,得到模型输出电流。分别计算各模型输出电流与系统实际输出电流的残差εi(k)(i=1,2,3,…)及残差均值E(εi(k))。并将其按照从小到大的顺序进行排列,选取前5种残差均值最小的模型,记为{Load1,Load2,Load3,Load4,Load5}。

然后,分别计算上述5种模型的残差自相关系数ρεi(k)(i=1,2,3,4,5),判断5种模型是否满足式(15)。

(15)

若上面2个不等式有1个或2个成立时,说明εi(k)为白噪声序列,进一步说明对应的模型即为待识别负荷,可信度为1-α。算法的整体实现流程见附录B图B1。

3 实例验证

3.1 仿真过程

为了验证算法的有效性,采集实际负荷的电流和电压数据,利用本文算法进行负荷识别。采样率fs=10 kHz,在用户中选取典型的、内部结构有较大差异的几种负荷类型,分别为:热水壶、微波炉、电脑、吸尘器、空调,以构建用电网络。

仿真中首先获取用电网络中各个负荷单独运行时的用电数据,从中提取各负荷的稳态电压和稳态电流数据,分别作为模型的输入和输出,利用递推最小二乘法为各负荷建立模型,形成模型库用于模型匹配。利用LMD算法对采集的总电流进行分离,得到用电网络中各运行负荷单独用电数据,再与模型库中的模型进行匹配,识别出运行负荷所属家电类型。

仿真实验分3组逐级递进来验证该算法的可靠性。第1组实验是将线性负荷与非线性负荷混合来验证算法对不同负荷类型的分离效果;第2组实验是将结构复杂的2种非线性负荷混合验证算法对多状态电器的分离效果;第3组实验是模拟家庭实际用电环境中断续开启关闭电器的情况。

图2为利用LMD算法对第1组(电脑和热水壶)混合用电数据进行分离的结果;第2组(微波炉和空调)混合用电数据与第3组混合用电数据分离的结果见附录C。其中第3组混合数据记录了断续开关的过程:一开始为空调、吸尘器和微波炉这3种负荷共同开启,然后依次关闭吸尘器、空调,最后只剩微波炉,附录C给出了断续开关混合电流的整体波形图。实验具体分离过程见附录D。

图2 第1组混合数据的分离Fig.2 Separation of the first group of mixed data

由图2和附录C可以看出,分离出的波形与原信号波形十分相似,将分离出的数据分别与对应模型库中的各模型进行匹配,确定其所属负荷类型。此处以第1组混合数据分离实验中得到的分离结果为例,进行模型匹配,得到匹配最佳的结果如图3所示。据此说明该算法对不同种类负荷均适用,其余几种负荷匹配的结果见附录E。

图3 第1组实验中分离数据的最佳匹配结果Fig.3 Best match results of separated data in the first experiment

3.2 结果分析

由上述仿真结果可知,该算法不仅可以识别热水壶等线性负荷,还可以识别电脑等非线性负荷;另外,对于家庭实际用电环境中负荷断续开关的情况仍然有效。基于LMD的信号分离算法理论上对于信号类别没有限制,打破了大多数分离算法中存在的稀疏性约束,无需预先估计欠定混合矩阵,大大减少了运算量。当有新负荷加入用电网络时,此算法无需重新进行大规模的数据学习和训练,只需提取该负荷的稳态电压和稳态电流特性,构建该负荷的模型加入相应的模型库中即可,节省了大量的时间。

本文算法与聚类匹配和神经网络算法运算时间的对比曲线如图4所示。由图4可见,神经网络算法的运算时间明显较高,随着用电网络中负荷数n的增加,其运算时间几乎呈指数增加。这是由于神经网络算法需要将用电网络中的各种运行状态(共2n种)作为样本进行训练,分别形成相应的网络,训练过程需要大量的迭代次数使得运算时间大幅增加。

图4 不同识别算法运算时间对比Fig.4 Operation time comparison of different recognition algorithms

对比分析本文所提算法和聚类匹配算法发现,当负荷数小于6时,本文所提模型匹配算法运算时间较长,但负荷数大于6时,其运算效率明显提高。这是由于随着用电网络中负荷数的增加,模型库中的模型数量虽然会增加,使运算量有小幅上升,但本文利用残差均值进行了预筛选,选出5种残差均值小的负荷进行白噪声检验,且检验方法复杂度小,所以增加的运算量几乎不会对整体运算效率产生影响,当负荷数增加到一定数量时,运算效率变化接近水平状态。而聚类匹配算法由于聚类数目无法确定,为了得到最优解需要进行多次迭代,造成了运算量的增加,且随着负荷数的增加,运算时间明显增加;另外,聚类方法的处理效率与时域特征的维度有关,随着特征增多,运算效率会大幅度降低,特征维数减少,识别准确率则会降低。因此,在保证识别准确率的基础上,本文算法运算效率更高。表1给出了对不同家电负荷进行多次实验得到的识别准确率。对比可知,本文算法相对于聚类匹配算法对各类负荷的识别准确率均有提高,平均识别准确率达到94%。

表1 不同家电负荷识别准确率Table 1 Identification accuracy of different appliance loads

4 结语

本文以负荷的稳态电流特性为基础,提出一种基于LMD和模型匹配的家电负荷识别方法。由于负荷处于某种特定状态时的内部构造是不变的,所以可以用模型描述负荷内部的系统特性。本文预先获取用户用电网络中各负荷单独运行的稳态电流电压数据,建立各负荷的模型,形成模型库。采集用户内总的用电信息,并提取一定长度的稳态数据,通过LMD算法将其分解为单个负荷的用电数据,通过稳态电流波峰系数这一特征值预筛选判断分离数据所属模型库类型,确定后再与相应模型库中的模型进行匹配,得到的最佳匹配结果即为该分离数据所对应的负荷种类。通过实测数据,验证了该算法的有效性,能够准确判断各负荷的运行状态。与聚类匹配和神经网络算法相比,具有较高的运算速率,且识别准确率相对聚类匹配算法有了明显提高,并且可以很好地应对家庭用电网络中负荷增加的情况。

此外,LMD信号分离算法中需要确定混合数据的极值点,所以对采集数据有较高的要求,不能有太大的噪声影响极值点的确定,且需要寻找合适的去噪处理。算法中模型建立时的数据长度以及模型匹配时的数据长度都对辨识准确率有影响,因此寻找合适的方法来确定这2个参数值是需要进一步完善的问题。

附录见本刊网络版(http://www.aeps-info.com/aeps/ch/index.aspx)。

[1] 郭皓池.智能电网中基于负荷分析的需求侧管理体系发展研究[D].北京:华北电力大学,2014.

[2] 王守相,孙智卿,刘喆.面向智能用电的家庭能量协同调度策略[J].电力系统自动化,2015,39(17):108-113.DOI:10.7500/AEPS20140625016.

WANG Shouxiang,SUN Zhiqing,LIU Zhe.Co-scheduling strategy of home energy for smart power utilization[J].Automation of Electric Power Systems,2015,39(17):108-113.DOI:10.7500/AEPS20140625016.

[3] 梁甜甜,高赐威,王蓓蓓.智能电网下电力需求侧管理应用[J].电力自动化设备,2012,32(5):81-85.

LIANG Tiantian,GAO Ciwei,WANG Beibei.Applications of demand side management in smart grid[J].Electric Power Automation Equipment,2012,32(5):81-85.

[4] CHANG H,CHEN K,TSAI Y,et al.A new measurement method for power signatures of nonintrusive demand monitoring and load identification[J].IEEE Trans on Industry Applications,2012,48(2):764-771.

[5] HART G W.Nonintrusive appliance load monitoring[J].Proceedings of the IEEE,1992,80(12):1870-1891.

[6] 高云,杨洪耕.基于暂态特征贴近度匹配的家用负荷识别[J].电力系统自动化,2013,37(9):54-59.

GAO Yun,YANG Honggen.Household load identification based on transient characteristics with closeness matching[J].Automation of Electric Power Systems,2013,37(9):54-59.

[7] LIN Y,TSAI M.Development of an improved time-frequency analysis-based nonintrusive load monitor for load demand identification[J].IEEE Trans on Instrumentation and Measurement,2014,63(6):1470-1483.

[8] WANG X,LEI D,YONG J,et al.An online load identification algorithm for non-intrusive load monitoring in homes[C]// IEEE International Conference on Intelligent Sensors,Sensor Networks and Information Processing,April 2-5,2013,Melbourne,USA:1-6.

[9] 牛卢璐,贾宏杰.一种适用于非侵入式负荷监测的暂态事件检测算法[J].电力系统自动化,2011,35(9):30-35.

NIU Lulu,JIA Hongjie.Transient event detection algorithm for non-intrusive load monitoring[J].Automation of Electric Power Systems,2011,35(9):30-35.

[10] 曲朝阳,于华涛,郭晓利.基于开启瞬时负荷特征的家电负荷识别[J].电工技术学报,2015(增刊1):358-364.

QU Zhaoyang,YU Huatao,GUO Xiaoli.The recognition of appliances instantaneous load[J].Transactions of China Electrotechnical Society,2015(Supplement 1):358-364.

[11] 孙毅,崔灿,陆俊,等.基于差量特征提取与模糊聚类的非侵入式负荷监测方法[J].电力系统自动化,2017,41(4):86-91.DOI:10.7500/AEPS20160504016.

SUN Yi,CUI Can,LU Jun,et al.Non-intrusive load monitoring method based on delta feature extraction and fuzzy clustering[J].Automation of Electric Power Systems,2017,41(4):86-91.DOI:10.7500/AEPS20160504016.

[12] CHANG H H,LIN C L,et al.A new method for load identification of nonintrusive energy management system in smart home[C]// IEEE International Conference on E-Business Engineering,November 10-12,2010,Shanghai,China:351-357.

[13] 李如意,王晓换,胡美璇,等.RPROP神经网络在非侵入式负荷分解中的应用[J].电力系统保护与控制,2016,44(7):55-61.

LI Ruyi,WANG Xiaohuan,HU Meixuan,et al.Application of RPROP neural network in nonintrusive load decomposition[J].Power System Protection and Control,2016,44(7):55-61.

[14] 武昕,祁兵,韩璐,等.基于模板滤波的居民负荷非侵入式快速辨识算法[J].电力系统自动化,2017,41(2):135-141.DOI:10.7500/AEPS20160411001.

WU Xin,QI Bing,HAN Lu,et al.A fast non-intrusive load identification algorithm for resident load based on template filtering[J].Automation of Electric Power Systems,2017,41(2):135-141.DOI:10.7500/AEPS20160411001.

[15] 李炜.多种混合模型下的盲信号分离方法研究[D].无锡:江南大学,2014.

[16] 刘正平,陈明奎.基于二阶统计量的盲信号分离[J].传感器与微系统,2007,26(5):33-35.

LIU Zhengping,CHEN Mingkui.Blind signal separation based on second order statistics[J].Transducer and Microsystem Technologies,2007,26(5):33-35.

[17] 刘庆强.居民负荷特性研究及应用[D].上海:上海电力学院,2014.

IdentificationAlgorithmforApplianceLoadBasedonLMDandModelMatching

QIBing1,LIULiya1,WANGLili2

(1.School of Electrical &Electronic Engineering,North China Electric Power University,Beijing 102206,China;2.State Grid Materials Co.Ltd.,Beijing 100120,China)

Appliance load identification is an important part of intelligent power consumption.Traditional intrusion load monitoring has the drawbacks of high cost,complex installation and maintenance,hence the need of a load identification algorithm based on non-intrusive load monitoring.According to the principles and method of system identification,a load identification algorithm based on local mean decomposition (LMD) and model matching is proposed,which is characterized by steady-state current and voltage.In order to construct the linear and nonlinear model libraries,the steady-state data of each load in the power network is collected in advance.Then,the LMD algorithm is used to decompose the mixed signals into electricity consumption data of single load.By pre-screening,these separated data are categorized into the model library that they belong to,and finally these loads are recognized according to the model matching principles.Simulation results show that the proposed algorithm can accurately identify the operating status of each load and has high computational efficiency.Furthermore,it can effectively deal with the situation when a new load joins the power network.

This work is supported by Fundamental Research Funds for the Central Universities (No.2016MS13).

load identification;model library;local mean decomposition (LMD);model matching

2017-02-12;

2017-06-29。

上网日期:2017-08-18。

中央高校基本科研业务费专项资金资助项目(2016MS13)。

祁 兵(1969—),男,教授,博士生导师,主要研究方向:电力系统通信、智能用电信息处理技术等。E-mail： qbing@ncepu.edu.cn

刘利亚(1994—),女,硕士研究生,主要研究方向:电力系统通信、非侵入式负荷监测技术。E-mail:liuliyaa@foxmail.com

王丽丽(1984—),女,工程师,主要研究方向:电子商务平台评标专家管理系统设计。E-mail:wanglili@sgm.sgcc.com.cn

(编辑孔丽蓓)