基于稳态波形的非侵入式电力负荷识别

宋佶聪 黄勇 明爽 余志斌 王浩磊

摘  要：目前非侵入式电力负荷监测系统大都基于瞬态特征分解技术，需要高精度测量设备，文章提出一种基于稳态波形的家用电力负荷识别方法。在该方法中，使用电压的相位来选择电流波形区域，并建立电流矩阵和电流分解模型，根据识别结果采用多种深度学习算法对错误结果样本进一步训练以提升识别率。通过实测数据验证了该方法的有效性，即使各常见家用电器同时开启，电力负荷平均正确识别率也达到82%。

关键词：非侵入式;负荷识别;稳态;深度学习

中图分类号：TM930       文献标识码：A 文章编号：2096-4706（2020）18-0036-05

Abstract：Most of the non-invasive load monitoring systems are based on the transient feature decomposition technology at present，which requires high-precision measurement equipment. This paper proposes a method of household power load identification based on steady-state waveform. In this method，the phase of voltage is used to select the current waveform region，and then establish the current matrix and current decomposition model. According to the recognition results，a variety of deep learning algorithms are used to further train the wrong result samples to improve the recognition rate. The effectiveness of the method is verified by the measured data. Even the normal household appliances are turned on at the same time，the average correct recognition rate of load reaches 82%.

Keywords：non-invasive;load identification;steady-state;deep learning

0  引  言

目前，電力系统逐渐实现了对信息化技术的应用，通过融入信息技术来实现信息的有效共享，进而实现对电网的有效控制，并确保电网的稳定运行[1]。而电网的信息化技术在终端就体现在需要获取用户家中每个电器的运行情况，该技术也为电力部门的需求响应政策[2]提供技术支撑。

同时，长虹公司的主营业务为家用电器的研发制造，采集家电的运行使用情况也是公司的信息化建设目标之一。

要想实现对家电使用数据的采集，需要用到电力负荷识别技术[3]，该技术目前主要有两种：侵入式与非侵入式。侵入式负荷识别技术就是在用户家中的电器插座中安装各种传感器，通过传感器采集各电器的运行数据。这种方法采集的数据精度高，但实施难度大，成本高昂。另一种方法是非侵入式负荷识别技术，该技术只需在用户的入户电表处加装一个传感器就可以实现对用户的用电情况进行分析，该方法安装便捷，成本相对较低。

非侵入式电力负荷识别技术也分为两种：瞬态波形识别技术和稳态波形识别技术。瞬态波形识别技术的难度较低，目前的相关研究也比较多，但无法针对多个电器同时开启或开启时间很近时的状态进行识别。

本文提出了一种稳态波形下的负荷识别分析方法，探讨了针对识别率的进一步优化改进方法，进行了实验装置的搭建，并通过实验验证该方案的有效性。

1  基于稳态波形特征的负荷识别算法

选取常用家庭用电负荷作为研究对象，使待测设备运行，并进入稳态工况后进行电流数据采样（稳态电流数据：电器平稳运行时的电流数据，非电器启动后3～5秒内的电流数据），对家电单独开启和同时开启工作时的稳态电压电流进行监测。

1.1  稳态波形区域选取

电感和电容电路可能使电流信号移相或反相，基于传感器获取的多负荷电流波形可能存在相位不一致的问题。因此，在采样周期内不论是电流波形幅值的极大值点，还是极小值点，可能都不是用于特征提取的稳态波形的最佳起点。为了选取用于负荷特征分析的稳态波形，本文应用电压相位对齐的方法来选取稳态波形区域。具体的对齐过程如下[4]：

待电器工作状态稳定后同时记录一段相同时间轴的电压、电流信号，找出这段电压信号的最低点Vlow和最高点Vhigh，求得过零点V0=（Vlow+Vhigh）/2。

对电压信号的幅值按时间顺序做如下判断：当满足Vx-1

重复上述方法，找到第5个经过零点的Vx，记为Vend，记录Vend对应的时间点tend，这两个时间点在电流信号中对应Istart和Iend。最后选取Istart和Iend之间的电流信号波形作为用电设备采样区域构建的起点和结束点。图1为基于电压的电流对齐方法示例图。

1.2  电流波形幅值特征矩阵

不同电器负荷单独稳态运行时的电流特征差异很大，多个负荷同时运行时电流稳态波形特征与各电器单独运行时电流较大的电器的电流波形特征相似。图2是电视机单独运行时的稳态波形、电水壶单独运行时的稳态波形、以及电视和电水壶同时运行的稳态波形[5]。当时间t=x时，在图2（a）～

图2（c）中对应的点分别是P1x、P2x、Qx，图中灰色区域为1.1中选取的有效采样区域。也就是说，单独运行时电流越大的电器对多电器同时运行时的稳态波形幅值特征的贡献度越大，进而有：

利用上述电流叠加特性，可以使用下列方法分别构建单电器电流波形幅值特征矩阵和多电器电流波形幅值特征矩阵进行家用电器负荷识别。

1.2.1  单电器电流波形幅值特征矩阵

构建单个用电设备独立运行的电流参数采样矩阵P[n][m]。图2中，电視电流波形特征区域由m个顺序采样的P1点（P11，P12，…，P1m）的电流幅值IP1m组成，烧水壶电流波形特征区域由m个顺序采样的P2点（P21，P22，…，P2m）的电流幅值IP2m组成。n是单个电器运行状态下的被测电器个数，决定了样本空间的大小。二维矩阵P[n][m]是建立的样本库。

1.2.2  多电器同时运行的电流波形幅值特征数组

类似单电器的电流幅值矩阵的构建方法，对多电器同时运行时的电流稳态数据进行电流复合波的电流波形特征区域数组Q[m]的构建（见图2，电视+烧水壶的采样区域由m个顺序采样的Q点（Q1，Q2，…，Qm）的电流幅值IQm组成），采样频率与1.2.1中P点和Q点的采样频率相同。

1.3  候选电器编码

根据实际使用环境中可能存在的电器种类以及各类电器的最大可能数量对电器数量进行二进制编码，生成电器数量矩阵N[j][k]，这里j是可能的编码组合数量，k是候选电器的种类数量，矩阵的大小由房间中可能使用的电器种类决定，并对矩阵中的电器生成以二进制编码的随机数量[6]，示例图如图3所示。

1.4  合成拟合信号

将单电器单独运行的离线电流采样矩阵P[n][m]以加权求和的方式乘图3所示的电器数量数组N[j][k]，根据j的取值求出多个Q[m]数组，Q[m]中每一元素为：

1.5  适应度函数

以真实的总负荷电流数组Q[m]和拟合电流数组Q[m]的Pearson相关系数r作为适应度函数，计算方法为：

其中，cov（Q，Q）为总负荷信号Q和拟合信号Q的协方差，μQ、μQ为两个信号的标准差。

用r的值来衡量数组Q[m]和数组Q[m]的相似程度，r的值越接近1，表示两者越相似。

1.6  识别算法的详细描述

Step1：采集数据后选取有效采样区域;

Step2：构建电器单个运行的离线电流幅值矩阵P[n][m];

Step3：在线采集并构建多电器同时运行的电流幅值数组Q[m];

Step4：对被测环境中可能数量的候选电器进行随机编码初始化，得到N[j][k]矩阵;

Step5：使用单电器单独运行的离线矩阵P[n][m]与电器数量数组N[j]加权求和，得到拟合数组Q[m]，根据j的取值得到多个Q[m]，通过适应度函数来评估Q与Q的接近程度，保留r最接近1的Q[m]和N[j];

Step6：采用遗传优化的思想，通过复制、交叉、突变等操作产生下一代的Q[m]和N[j]，并逐步淘汰掉适应度函数值低的解，增加适应度函数值高的解。最终求得最优的N[j]，将N[j]解码后就得到最可能的电器组合。

2  基于残差网络聚合校验的负荷识别优化

采用前述算法识别后，结果仍然有较大误差，需要进一步采用优化算法提高识别准确率[7]。基于优化思想的遗传算法（Genetic Algorithm，GA），易陷入局部最优解，在处理单次校验问题中也缺乏稳定性，因此，考虑引入集成学习的思想，通过组合多个遗传优化前置步骤，生成由多个分离序列组成的序列图，最后通过卷积神经网络（CNN）组合优化，输出最终的分离序列，加入二次分离的负荷辨识算法如图4所示。

图4中，X表示采集的样本数据，W通过上述的遗传算法前置步骤优化适应度函数，得到分离序列，前置优化算法个数为D。遗传算法前置步骤得到序列图W={w1，w2，…，wD}，可以看作原数据的先验（Prior）序列，经过卷积神经网络计算序列图的后验概率g（W）={P（w1=1|θ），P（w2=1|θ），…，P（wD=1|θ）}，θ为卷积神经网络的参数，最终得到后验序列w。

在卷积神经网络模型ResNet[8]中，引入残差连接以增加模型的鲁棒性[9]，输入层后连接了最大池化操作，最后一层卷积层后连接了一层平均池化操作，该模型包含了16层，总计约一百万个参数。模型的主要层的计算规则为：

（1）卷积层，Conv：卷积神经网络的核心层，计算规则为：

其中，K为卷积核的大小，b为偏置向量，κ为卷积核，s为步长。

（2）批标准化，BN：基于小批量训练的标准化操作：

其中，x为原始输出，μB和σ2B分别为批样本B输出x的均值和方差，γ和β为待训练的参数。

（3）激活函数，Relu：常用的神经网络非线性激活函数：

（4）Softmax：用于多分类任务的输出函数，可以表示为：

其中，x为原始输出。

（5）参数初始化和模型训练：模型参数通过0均值的均匀分布初始化，采用交叉熵作为损失函数，并通过基于随机梯度下降的Adam算法优化算法。

3  实验结果及分析

方案选取暖风机、风扇、PC、电水壶、液晶电视5类电器。实验采用ADI公司的ADSP-CM408F数据采集处理芯片，入户电源为电压220 V/50 Hz的交流电，当待测用电器开启并稳定工作时，测量其稳态电流和稳态电压信号。数据采集过程如图5所示[10]。

实验板采样频率fs为8 000 Hz，分别采集各电器组合的运行数据，每次采集约100个周期的电流、电压幅值数据。经有效采样区域筛选后，得到40组电器样本数据，每组数据为320×150的矩阵。150表示有150种电器组合，1～10列为单个电器的稳态工作电流数据，第11～150列为多电器的稳态工作电流数据，第1～320行为电流幅值数据。其中一组数据集如表1所示。

本次实验共采集了40组数据，每组含有150多种电器组合，每组数据通过遗传算法可输出如下序列：

该序列中包含每一类电器的[0-1]二值向量，以及标准差std、适应度函数值fitness和采样电流均值irms。

将该序列数据组成一个负荷分离序列，设置遗传算法的聚合数量G=60，并通过残差卷积神经网络进行二次校验，得到G个后验概率，比较最大的后验概率，输出其对应的遗传算法分离序列作为最终的输出，识别结果以图6所示的方式呈现。

将40组数据中的35组作为训练集，5组作为测试集，训练次数5 250次。对比单个遗传算法（GA）、传统的Bagging集成学习[11]（GA+Bagging）、基于未加入残差连接的卷积神经网络（GA+CNN）和基于残差卷积神经网络（GA+ResCNN）四种方法下的实验结果如表2所示。

从表2可以看出，在添加了Bagging集成之后，最终的准确率并不一定能稳定提升，说明遗传算法寻优过程不稳定，而Bagging算法仅仅是通过“投票法”选择最多次出现的输出，无法保证算法在整个未观测数据集上的表现。在加入CNN模型二次校验优化过后，模型的性能均有了较大的提升，残差卷积神经网络通过添加了残差连接，提高了整体模型的稳定性和适应性。

4  结  论

针对同时多个电器运行时，现有非侵入式识别方法难以识别各个电器的问题，本文提出了一种基于稳态波形特征的识别方法。在各电器功率相差较大的情况下，能够识别同时运行的和电器负荷，其平均识别率达到了82%。但该方法针对功率相近、且较低功率的用电器同时开启的情况，识别效果还有待改进，还需要进一步研究。

参考文献：

[1] 梁正波.面向智能电网应用的电力大数据关键技术 [J].科技传播，2015，7（20）：65-66.

[2] 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.

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

[4] 四川长虹电器股份有限公司.一种稳态工况下的非侵入式电力负载识别提升方法：CN109541346A [P].2019-03-29.

[5] 四川长虹电器股份有限公司.一种基于稳态电流的非侵入式电力负载识别方法：CN109270368A [P].2019-01-25.

[6] 四川长虹电器股份有限公司.一种稳态工况下的非侵入式电力负载识别优化算法：CN109521296A [P].2019-03-26.

[7] 四川长虹电器股份有限公司.一种非侵入式电力负载识别错误样本的采集方法：CN110347725A[P].2019-10-18.

[8] HE K M，ZHANG X Y，REN S Q，et al. Deep Residual Learning for Image Recognition [C]// IEEE Conference on Computer Vision & Pattern Recognition. IEEE Computer Society，2016：770-778.

[9] 洪奇峰，施伟斌，吴迪，等.深度卷积神经网络模型发展综述 [J].软件导刊，2020，19（4）：84-88.

[10] 陈红.基于深度学习的非侵入式家用电器识别方法研究 [D].成都：西南交通大学，2019.

[11] 朱红斌.基于Bagging算法和遗传神经网络的交通事件检测 [J].计算机应用与软件，2010，27（1）：234-236.

作者简介：宋佶聪（1984—），男，汉族，四川成都人，工程师，本科，研究方向：電力系统人工智能。