基于改进最近邻算法的非侵入式电器负荷识别

李云峰，李 欣，刘三丰，汤鹏飞

(武汉中原电子信息有限公司，湖北 武汉 430074)

0 引言

智能电网是未来电网的发展方向[1]。随着社会快速发展，各家各户对于各类家用电器负荷的需求也日益增加，相应的居民用电占全国用电的比重也越来越大。通过对各用户用电行为的研究，可以获取居民在不同时段的家电使用情况，家用电器负荷监测可以为用户提供详细的用电清单，使用户了解各个家用电器负荷的耗电量，指导用户合理用电。因此迫切需要对家用电器负荷数据实现智能化监测，以达到节能省电的目的[2-3]。

现有的对家用电器的用电负荷监测主要有两种，即侵入式和非侵入式[4-7]。侵入式监测要求对用户所有的电气设备均安装数据采集装置，而非侵入式监测只需在某个电力供给入口处安装一个智能电表或采集设备即可，通过此终端采集电压电流等数据，然后进行相应的分析处理提取出最佳的负荷特征来对家用电器负荷进行辨识，将总的用电负荷最大程度地分解成单个用电负荷，该方法成本低，易维护，实用性强，发展前景广泛。

非侵入式负荷监测方法中，结合稳态和暂态特征并采用模式识别、支持向量机等方法进行识别，精确度更高[8-11]。其中最近邻算法中，是将总体样本中对某些个体的分析近似为对整个总体样本的分析，准确性不够，而均值聚类法是将未知样本到每一类样本中心的距离作为判断的最终依据，准确性较高，但是迭代计算较为复杂，因此本文在最近邻算法的基础上结合均值聚类算法的优势，对识别算法进行了优化。主要是通过对居民用电设备的稳态和暂态特征量的研究，从电压和电流的暂稳态、瞬时和稳定功率等多角度出发，进行电器特征量提取，将特征空间中的类内和类间相似度作为依据，建立完备特征库，从而辨识出具有更高识别度的特征量。

1 谐波特征提取

在数据训练阶段，在多个特征量中筛选出辨识能力强的特征量。在这过程中需保证所选数据样本的特征向量能最大程度反映出该数据样本的本质特性，数据样本若特性相近，其特征向量对应的分析空间中的点应该也相近；相反，若样本之间特性不相近，其特征向量对应的数据点也不能相近。

考察家用电器单独工作时所产生的来自暂态过程和稳态过程中的电压、电流和功率信号等多特征量。由于电网电压一般较稳定，故不考虑。

1.1 特征量选取

可选的特征量如下：

(1)来自功率相关信号的特征量：稳定有功功率；有功功率冲击波形暂态冲击上升时间；有功功率冲击波形的最大功率；有功功率冲击波形暂态冲击衰减时间；有功功率冲击波形的暂态冲击幅度相对值；有功功率冲击波形的暂态冲击幅度绝对值。

(2)来自电流相关信号的特征量：基波电流幅值；偶次谐波；3次谐波电流幅值；5次谐波电流幅值；9次谐波电流幅值；谐波含量；暂态电流最大值与基波电流比值；电流变化最小值/基波电流幅值。

1.2 数据归一化

将特征值都转换为(0，1)区间内的数，设有n维特征向量x=[x1,x2,…,xn]，xk为所有样本的第k维特征值集合，则第k维特征值xk的线性归一化值为：

(1)

其中，ak=max(xk)+0.1×max(xk),bk=min(xk)-0.1×min(xk)，ak和bk分别留有10%的裕度。

1.3 特征量筛选

考虑聚类分析中的类内距离和类间距离，其比值作为指标对特征量作定量评估，筛选出分类能力较好的特征量，建立用电负荷识别模型。

(2)

将距中心的距离由近到远排列，取前90%的样本点，将这些样本点中的最大值作为D1，这样可保证准确性。

可以看出，当D1越小，D2越大，即f越小时，可提高特征量的识别能力和分类效果。

2 负荷启停事件检测

本文采用基于滑窗的双边CUSUM事件检测算法，如图1所示，通过峰值间增加变化或减少变化的累积和与阈值的判断，判断滑窗内基波电流的峰值间是否发生改变；将检测到的基波电流变化过程的距离靠近的滑窗段进行融合；当采样的样例中检测到变化后开始存储变化前的稳态过程，检测变化开始后的电流信号，直到之后多个采样中均未检测到变化。该方法能有效消除负荷抖动带来的干扰，且检测成功率高。

图1 基于滑窗的双边CUSUM事件检测算法

3 基于整体相似度的负荷辨识

由于传统最近邻法存在着一定缺陷，本文对相似度计算进行了改进。

3.1 每类负荷的KNN相似度

样本数据库中，有c类负荷，每类有N个训练数据，则共有cN个训练数据，第i类第j个样本表示为:

(3)

(4)

(5)

3.2 每类负荷的均值中心相似度

已知样本的全部均值中心为zi1,zi2,…,zig,i=1,2,…,c，计算未知样本x=[x1,x2,…,xn]与zi1,zi2,…,zig,i=1,2,…,c的欧式距离dl,l=1,…,cg，选出欧式距离最小的h个，h满足dh≤2×min(dl),dh+1>2×min(dl)。

与i类的相似度为：

(6)

其中Gi为h个样本中属于第i类的均值中心的序号数的集合；r为将该样本与x的距离按照从小到大排列的数字。

3.3 总相似度

第i类负荷样本的总相似度为：

(7)

其中0≤a≤b≤1，将未知样本x判定为相似度最高的类别。

基于整体相似度的负荷识别流程包括以下几个步骤：

(1)对每一种用电设备进行监测，从暂态、稳态、电流、功率等多角度提取电器特征量。

(2)特征数据进行归一化处理。

(3)以特征空间中的类内和类间相似度为依据，研究各特征量的识别能力，建立用电负荷识别模型。

(4)在线实时监测各用电设备运行过程中产生的相应特征值的波形，判断用电设备的开闭状态。

(5)根据步骤(4)中特征值进行分类器相似度计算。

(6)将步骤(4)中计算得到的实际用电负荷波形作为模型的输入，根据模型的输出结果来识别出每一种用电设备的工作状态。

4 仿真过程

选取某一用户的12种用电设备：电吹风、冰箱、电脑、热水袋、电热油汀、微波炉、电饭锅、电水壶、取暖器、电磁炉、电风扇、空调作为试验对象，单独对每一种用电设备的运行过程进行监测，包括从开启至稳定、稳定到关闭全过程中的功率、电流和电压的波动情况等，进行特征筛选并建立特征数据库。

以电热油汀、取暖器、电水壶、电饭锅为例，运用本文中的优化算法，计算各稳态、暂态事件的各特征值与数据库中特征值的相似度，从而成功辨识各电器。

图2为实验中采集到的总线上的总体负荷图，图3至图6则分别为分解出的各个电器的负荷图。实验结果表明改进后的识别法的分类识别率高，证明了本文算法的辨识有效性。

图2 总体负荷图

图3 电热油汀负荷分解效果图

图4 取暖器负荷分解效果图

图5 电水壶负荷分解效果图

图6 电饭锅负荷分解效果图

5 结论

(1)通过对用电设备暂态和稳态过程的研究，从电压和电流暂稳态、功率等多角度出发，进行电器特征量的提取，以特征空间中的类内和类间相似度为依据，建立特征库，从而辨识出具有更好识别度的特征量。

(2)处于稳态时，用电设备的各个量都较稳定，因此可选取电流奇次谐波相对基波相位差和电流谐波畸变率，相对的辨识性更强。

(3)处于暂态时，不同用电设备的有功功率波动很大，因此可选取暂态波形的冲击幅度相对值，能快速识别出电器类型。

(4)将暂态与稳态特征的相似度结合起来，对用电设备进行研究，建立识别模型，能保证识别准确性。