基于CF-MF-SE联合特征的非侵入式负荷辨识

安国庆 梁宇飞 蒋子尧 李争 安琪 陈贺 李峥 王强 白嘉诚

摘 要：针对目前非侵入式负荷辨识存在模型训练时间过长以及负荷特征相近的电器辨识精度不高的问题，提出了一种基于CF-MF-SE联合特征的非侵入式负荷辨识方法。以稳态电流信号为基础，通过提取峰值因数表征波形的畸变程度，采用裕度因子表征信号的平稳程度，谱熵表征频谱结构复杂程度，并结合PSO-SVM实现负荷辨识。结果表明，新方法可解决电器电流波形相近不易识别的难题，减少训练时间，有效提高识别准确率和效率。所提方法将振动信号特征作为负荷特征引入负荷辨识领域，为非侵入式负荷辨识技术的特征选取提供了新思路，其中谱熵作为对负荷敏感的关键特征，与其他特征组合可明显提高辨识率，为实际应用中负荷特征的灵活选择提供了参考。

关键词：电气测量技术及其仪器仪表;非侵入式负荷辨识;谱熵;支持向量機;粒子群优化

中图分类号：TM933   文献标识码：A

doi：10.7535/hbkd.2021yx05004

收稿日期：2021-05-16;修回日期：2021-09-01;责任编辑：冯 民

基金项目：河北省省级科技计划资助（20311801D）;2020年通用航空增材制造协同创新中心课题（15号）

第一作者简介：安国庆（1995—），男，河北石家庄人，副教授，博士，主要从事电力设备状态监测方面的研究。

通讯作者：安 琪博士。E-mail：an-qi.122@163.com

Non-intrusive load identification based on CF-MF-SE joint feature

AN Guoqing1，2，LIANG Yufei1，JIANG Ziyao1，LI Zheng1，2，AN Qi1，

CHEN He2，LI Zheng2，WANG Qiang2，BAI Jiacheng1

（1.School of Electrical Engineering，Hebei University of Science and Technology，Shijiazhuang，Hebei 050018，China;2.Hebei Institute of Intelligent Distribution and Electric Equipment Technology （Shijiazhuang Kelin Electric Company Limited），Shijiazhuang，Hebei 050222，China）

Abstract：Aiming at the problems of the current non-intrusive load identification，such as too long model training time and low identification accuracy of electrical appliances with similar load characteristics，a non-intrusive load identification method based on CF-MF-SE joint feature was proposed.Based on the steady-state current signal，the peak factor was extracted to represent the distortion degree of the waveform，the margin factor was extracted to represent the stability degree of the signal，the spectral entropy was extracted to represent the complexity degree of the spectrum structure，and PSO-SVM was combined to realize load identification.Experimental results show that this method can solve the problem that the electrical current waveform is too similar to identify successfully，reduce the training time，and improve the recognition accuracy and efficiency.This method introduces the vibration signal characteristics as load characteristics into the field of load identification，which provides a new idea for feature selection of non-invasive load identification technology.As a key feature sensitive to load，spectral entropy can significantly improve the identification rate when combined with other features，which provides reference for the flexible selection of load characteristics in practical application.

Keywords：

electrical measuring technology and its instrumentation;non-intrusive load identification;spectral entropy;support vector machine;particle swarm optimization

近年来，电网负荷日益增加以及分布式清洁能源不断接入电网，对智能电网的发展提出了更高要求，“智能用电”和“绿色用电”成为当今研究热点[1]。负荷监测作为实现智能电网的第一步，通过检测某一环境内的总负荷获取内部各用电器的用电信息，获取的信息不仅可以帮助用户掌握电器的工作状态及能耗信息，而且可为电力公司进行电力部署提供依据。

传统的负荷监测技术采用侵入式方法，需要在每个被监测的设备上安装测量设备，成本高且安装维护不方便，所以侵入式负荷监测在用户侧无法普及[2-3];而非侵入式方法只需在电能入口处安装测量装置即可获得总负荷的电压、电流等电气信号，通过提取这些电气量的特征信息，实现负荷识别[4]。与侵入式负荷监测相比，非侵入式负荷监测成本更加低廉、实用性强，因此有着更为广阔的应用前景。

近年来，为了有效识别用电负荷，国内外学者对负荷特征的挖掘选取进行了大量研究。文献[5]利用差量特征提取方法将获取到的任意时刻的变化特征量作为负荷特征，使用模糊聚类方法对负荷进行聚类识别，但对于负荷特征相似的电器不能准确识别;文献[6]把电器投切时的暂态波形和功率变化值作为负荷特征并建立模板库，使用DTW算法计算待测电器的负荷特征与模板的相似度，从而实现电器的识别，但无法准确识别对功率波形相似的电器;文献[7]提取电器负荷的有功功率和无功功率作为特征并用支持向量机对电器负荷进行识别，简单直观但对功率相近的负荷分类效果不理想;文献[8]基于Siamese神经网络的低维特征空间模型，结合孤立森林算法去除低维特征的离群值，然后使用凸包重叠率相似度计算方法实现对已知和未知设备进行识别，且取得了较好的效果;文献[9]将多种负荷特征构造成为特征集，通过降维处理从而得到最佳辨识特征;文献[10]选取电气特征和外部数据为特征量，综合考虑居民负荷的时间特性和对外部数据的关联特性，利用贝叶斯网络模型对居民用电行为进行建模分析，取得了较好的效果。文献[11]利用信号的功率差来标记状态转换事件并利用差量提取任意时刻的特征值，采用粒子群优化加权随机森林进行识别，能有效识别设备的类型和开关状态。

电气信号的特征提取作为非侵入式负荷辨识的关键技术之一，提取的特征会直接影响到辨识结果的准确率。本文提出了一种基于CF-MF-SE联合特征分析的非侵入式负荷辨识方法，对电器的稳态电流信号进行多维特征提取，用于训练支持向量机（SVM）进行负荷辨识，并采用粒子群算法对SVM模型参数进行优化。

1 负荷特征提取

通过对电器工作时电流信号的分析，发现不同电器在工作时电流的频谱结构复杂程度、畸变程度以及平稳程度存在差异。而谱熵（spectral entropy，SE）、峰值因数（crest factor，CF）和裕度因子（margin factor，MF）可分别用来表征电流的频谱复杂程度、畸变程度和平稳程度。谱熵作为一种典型的结构复杂度方法，主要应用于混沌系统的复杂性分析[12-13];峰值因数、裕度因子则主要用于表征轴承性能的退化指标[14-16]。无论是谱熵、峰值因数还是裕度因子，在非侵入式负荷辨识中用于表征负荷特征的研究很少。

1）峰值因数（crest factor，CF）

峰值因数也被称为波峰系数，当非线性负载接入正弦波电压时，其产生的电流波形会发生畸变，而峰值因数的大小则表示了电流的畸变程度。将电流作为负荷识别的监测信号，设电流信号为x（n），n=1，2，...，N，峰值因数的计算见式（1）。

CF=maxxn1N∑Nn=1xn2 。（1）

2）裕度因子（margin factor，MF）

裕度因子常用来表示信号的稳定程度，其计算式见式（2）。

MF=maxxn1N∑Nn=1xn122 。（2）

3）谱熵（spectral entropy，SE）

谱熵采用傅里叶变换，通过傅里叶变换后的频域内能量分布，结合香农熵得出相应谱熵值[13]。其算法流程如下。

第1步：去除直流分量。已知时间序列x（n）的长度为N，采用式（3）去除直流分量，使频谱可以更加有效地反映出信号的能量信息，见式（3）。

x（n）=x（n）-x-，（3）

式中x-=1N∑Nn=1xn。

第2步：对经过式（3）处理后的序列x（n）进行离散傅里叶变换，得

Fk=∑Nn=1xne-j2πNnk=∑Nn=1xnWnkN，  k=1，2，…，N 。（4）

第3步：对经过式（4）处理后的频谱序列F（k）取其前一半进行计算，依据Paserval定理，计算其中某一特定频率的功率谱值，即

pk=1NFk2，k=1，2，…，N/2 。（5）

则序列的总功率可定义为

ptot=1N∑N/2k=1Fk2 。（6）

相对功率谱的概率Pk可表示为

Pk=pkptot=1NFk21N∑N/2k=1Fk2=Fk2∑N/2k=1Fk2 ，（7）

式中∑N/2k=1Pk=1。

第4步：利用式（7）并結合香农熵概念，求得信号的谱熵SE：

SE=-∑N/2k=1Pkln Pk 。（8）

一般情况下，由于SE的最大值为ln（N/2），因此，需要时会对SE进行归一化操作，得到如下归一化的SE，即

SEN=SElnN/2。（9）

将上述提取的负荷特征组成一个三维特征向量X=[CF，MF，SE]作为支持向量机的输入样本。

2 基于粒子群优化的支持向量机

2.1 支持向量机

支持向量机（SVM）算法能够在很广的函数集中构造函数，有很强的通用性，不需要微调，鲁棒性能好，同时SVM也可避免其他智能算法在网络结构选择、过学习和欠学习的缺点[17]。负荷辨识是一个非线性分类问题，因此利用高斯核函数将空间中非线性样本映射到高维空间，对其进行非线性变换。针对负荷辨识问题，通过一对多法构造多分类器，实现负荷辨识。

假定样本的训练集为（Xi，Yi），i=1，2，…，n，其中n为样本的训练集数量，Xi为第i个训练样本， Yi∈{-1，+1}。利用SVM实现分类问题可通过求解最优化问题来完成，即

min12‖ω‖2+C∑ni=1εi，s.t.  YiωTXi+b≥1-εi， εi>0， i=1，2，…，n，（10）

式中：ω为权值系数;εi为松弛变量;C为惩罚因子。

引入拉格朗日函数将其转化为对偶问题的同时，引入核函数，将非线性样本映射到高维空间，即可将非线性回归问题转换为线性问题求解。

max Wα=-12∑ni=1∑nj=1αiαjYiYjKXi，Xj+∑ni=1αi，

s.t.  ∑ni=1αiYi=0， 0≤αi≤C， i=1，2，…，n，（11）

式中：α为拉格朗日乘子;K（Xi，Xj）为核函数。

本文选用高斯核函数

KXi，Xj=exp-g‖Xi-Xj‖2 ，（12）

式中g为核函数参数，g>0。

核函数类型确定之后，结合粒子群算法进行参数C和g寻优。

2.2 粒子群优化支持向量机原理

粒子群优化（PSO）算法是一种强大的多维空间寻优技术，用于在多维搜索空间寻找全局最优解。粒子群优化过程从随机产生的粒子群开始，每个粒子代表一个极值优化问题的潜在最优解，用位置、速度和适应度值3项指标表示该粒子特征，适应度值由适应度函数计算得到，其值的好坏表示粒子的优劣[18-19]。

设在D维目标搜索空间中，初始种群由m个粒子组成，粒子的个体位置为pid，速度为 vid ，其中i为粒子个数，i = 1，2，…，m;d为粒子的搜索维度，d= 1，2，…，D。每一次迭代中，粒子根据式（13）和式（14）更新其位置和速度。

vk+1id=wvkid+c1r1Pbestid-xkid+c2r2Gbestid-xkid，（13）

xk+1id=xkid+vk+1id，（14）

式中：Pbestid表示个体的局部最优位置;Gbestid表示整个种群的全局最优位置;k= 1，2，…，K，K为最大迭代次数;w为惯性因子;r1，r2为[0，1]之间的随机数;c1，c2为学习因子。

SVM分类模型的精确度与惩罚参数C和核函数参数g有着直接联系[20]，故使用粒子群算法對SVM的C，g参数进行寻优。实现过程如下：

步骤1：初始化粒子群算法的参数：对种群数量m，各粒子的位置、速度，最大迭代次数K，惯性因子w，学习因子c1，c2等进行随机初始化。

步骤2：根据目标函数来计算每个粒子的适应度值，每个粒子的适应度值与它自身经历过的最优位置Pbest做比较，若优于自身的最优位置，则进行替代，否则Pbest不变;并同时将每个粒子的适应度值与全局经历的最优位置Gbestid进行比较，若优于全局的最优位置，则更新Gbest，否则Gbest不变;

步骤3：利用式（13）、式（14）更新粒子位置和速度;

步骤4：判断是否满足结束条件，即达到了最大迭代次数K或达到了最小误差要求。 如果满足结束条件，则结束程序并输出最优结果，进行步骤5;否则返回步骤2继续执行。

步骤5：使用寻优得到的最优参数组合对SVM模型进行训练。

3 实验结果与分析

3.1 实验数据采集

在实际应用中，负荷数据通过在用户入口处（220 V母线）安装的数据采集设备（智能电表）获得。为了模拟实际情况，搭建了负荷数据采集平台，如图1所示，并通过该平台进行负荷数据采集。

图1中插排主线模拟用户的入户220 V母线，采集设备即智能电表安装在插排主线上，插排插座模拟用户住宅，智能电表采样频率为6.4 kHz。在数据采集时，智能电表对主线的电流和电压进行采样，采样信号经ADC模数转换后，以串口通信的方式传至电脑端。

实验采集了空调、微波炉、热水器、热水壶、电热炉（小太阳）、冰箱、电磁炉、电吹风、电饭煲、洗衣机、抽油烟机共11种电器的电流数据。其中空调有制冷和制热2种工作状态。

3.2 基于电流信号的PSO-SVM负荷辨识

设置PSO算法的最大迭代次数K=200，种群数量m=20，学习因子c1=1.5，c2=1.7，惯性因子w=1。

为了验证所提取特征的有效性，选取电器的稳态电流信号作为SVM的输入样本。获取用电网络中各个负荷单独运行时的电流信号，从中提取各负荷的稳态电流，选取每个电器的50组数据作为训练集用于训练SVM模型，1 000组数据作为测试集用于验证模型的有效性。结果如图2所示。

从图2中可以看出，测试数据的平均识别率为93.46%，椭圆圈住的部分为错误识别的部分，其中各电器的识别率如表1所示。

从表1可以看出，除了洗衣机和油烟机外，利用PSO-SVM算法对各电器的稳态电流数据进行训练，具有很高的识别率。洗衣机和抽油烟机的识别率远低于其他电器，仅为67.8%和53.7%，主要原因是二者的电流波形相似。为解决电流波形相似而不易识别的问题，提出了基于CF-MF-SE联合特征分析的PSO-SVM负荷辨识方法。

3.3 基于CF-MF-SE联合特征的PSO-SVM负荷辨识

保持PSO算法的参数设置不变，在3.2所选取数据的基础上，对50组训练集和1 000组测试集提取CF-MF-SE联合特征。结果如图3所示。

从图3可以看出，测试数据的平均识别率为97.59%，椭圆圈住的部分为错误识别的部分，其中各电器的识别率如表2所示。

从表2可以看出，相比于表1，洗衣机和抽油烟机的识别率分别从67.8%和53.7%上升至99.6%和99.8%，虽然个别电器的识别率有所下降，但整体的平均识别率从93.46%上升至97.59%，解决了电流波形相似而不易识别的问题。同时对电流信号进行负荷特征提取，降低了电流信号的维度，压缩了数据量，使得训练时间大幅度减少，节省了时间成本。上述结果表明，利用PSO-SVM算法对各电器的CF-MF-SE联合特征进行负荷辨识，可解决电器电流波形相似不易识别的难题，极大地优化了整体识别率和识别时间。

3.4 对比分析

保持使用的数据和PSO参数设置不变，

分别采用一维特征[CF]、[MF]、[SE]，二维特征[CF，MF]、[CF，SE]、[MF，SE]与三维特征[CF，MF，SE]进行对比分析，结果如表3所示。

由表3可知，使用三维特征[CF，MF，SE]作为负荷特征进行负荷辨识，其平均识别率均高于其他的特征组合，但训练时间也是最长的。同时可知SE特征存在的组合中，平均识别率明显提升，该特征是负荷识别的核心特征。

4 结 语

提出了一种基于CF-MF-SE联合特征分析的非侵入式负荷辨识方法，对负荷设备的稳态电流进行峰值因数、裕度因子和谱熵特征的提取，结合经PSO算法优化的SVM模型，实现负荷辨识，且具有较高的准确率。

该负荷辨识方法有如下优势。

1）选取峰值因数、裕度因子和谱熵作为负荷特征，能够解决电器电流波形相似不易识别的难题，提高负荷辨识的平均识别率，同时可以有效压缩数据量，减少训练时间，提高效率。

2）谱熵能够有效描述电器频谱的结构复杂程度，对负荷的变化比较敏感，当与其他负荷特征进行组合时，能明显提高负荷辨识的识别率。在实际应用中，可根据具体需求，选择适宜的组合方式进行辨识，为负荷辨识的发展打开了新思路。

3）与传统SVM依靠经验选取参数相比，采用粒子群算法对SVM的C和g参数进行寻优，有利于快速获取最优解，有效提高识别准确率。

本文仅探讨了CF-MF-SE联合特征在某电器中的应用，未来将在更多电器上进行更为广泛而深入的探索。

参考文献/References：

[1] 程祥，李林芝，吴浩，等.非侵入式负荷监测与分解研究综述[J].电网技术，2016，40（10）：3108-3117.

CHENG Xiang，LI Linzhi，WU Hao，et al.A survey of the research on non-intrusive load monitoring and disaggregation[J].Power System Technology，2016，40（10）：3108-3117.

[2] 牛卢璐.基于暂态过程的非侵入式负荷监测[D].天津：天津大学，2010.

NIU Lulu.Non-intrusive Load Monitoring Based on Transient Characteristics[D].Tianjin：Tianjin University，2010.

[3] 于超，覃智君，陽育德.基于启停状态识别改进因子隐马尔可夫模型的非侵入式负荷分解[J/OL].电网技术.[2021-02-23].https：//doi.org/10.13335/j.1000-3673.pst.2020.1893.

YU Chao，QIN Zhijun，YANG Yude.Non-intrusive load disaggregation by improved factorial hidden Markov model considering on-off status recognition[J/OL].Power System Technology.[2021-02-23].https：//doi.org/10.13335/j.1000-3673.pst.2020.1893.

[4] 邵琪，包永强，张旭旭.基于分数阶Hilbert倒谱特征提取的非侵入式负荷监测研究方法[J].电子器件，2020，43（6）：1314-1319.

SHAO Qi，BAO Yongqiang，ZHANG Xuxu.Non-intrusive load monitoring research method based on fractional Hilbert cepstrum feature extraction[J].Chinese Journal of Electron Devices，2020，43（6）：1314-1319.

[5] 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.

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.

[6] 华亮亮，黄伟，杨子力，等.基于DTW算法的非侵入式家居负荷行为识别方法[J].电测与仪表，2019，56（14）：17-22.

HUA Liangliang，HUANG Wei，YANG Zili，et al.A nonintrusive recognition method of household load behavior based on DTW algorithm[J].Electrical Measurement & Instrumentation，2019，56（14）：17-22.

[7] TABATABAEI S M，DICK S，XU W S.Toward non-intrusive load monitoring via multi-label classification[J].IEEE Transactions on Smart Grid，2017，8（1）：26-40.

[8] YIN B，ZHAO L W，HUANG X Q，et al.Research on non-intrusive unknown load identification technology based on deep learning[J].International Journal of Electrical Power & Energy Systems，2021，131：107016.

[9] 祁兵，韩璐.基于负荷空间划分的非侵入式辨识算法[J].电测与仪表，2018，55（16）：19-25.

QI Bing，HAN Lu.A non-intrusive identification algorithm based on partition of the load space[J].Electrical Measurement & Instrumentation，2018，55（16）：19-25.

[10]张恒，邓其军，周东国.基于贝叶斯网络的非侵入式家庭负荷动态监测模型[J].电测与仪表，2020，57（23）：63-70.

ZHANG Heng，DENG Qijun，ZHOU Dongguo.Dynamic monitoring model of non-intrusive household load based on Bayesian network[J].Electrical Measurement & Instrumentation，2020，57（23）：63-70.

[11]谢诗雨，李君豪，王劲峰，等.基于粒子群优化加权随机森林的非侵入式负荷辨识[J].电器与能效管理技术，2019（9）：22-26.

XIE Shiyu，LI Junhao，WANG Jinfeng，et al.Non-invasive load identification of weighted random forest based on particle swarm optimization[J].Low Voltage Apparatus，2019（9）：22-26.

[12]叶晓林，牟俊，王智森，等.基于SE和C0算法的连续混沌系统复杂度分析[J].大连工业大学学报，2018，37（1）：67-72.

YE Xiaolin，MOU Jun，WANG Zhisen，et al.Analysis of continuous chaotic complexity based on SE and C0 algorithm[J].Journal of Dalian Polytechnic University，2018，37（1）：67-72.

[13]王微，胡雄，王冰，等.基于谱熵与弯曲时间特征的性能退化GG聚类[J].中国工程机械学报，2020，18（2）：95-100.

WANG Wei，HU Xiong，WANG Bing，et al.Performance degradation Gath-Geva fuzzy clustering based on spectrum entropy and curved time feaure[J].Chinese Journal of Construction Machinery，2020，18（2）：95-100.

[14]孫晨光.基于PSO优化SVM的滚动轴承剩余使用寿命预测研究[D].石家庄：石家庄铁道大学，2019.

SUN Chenguang.Research on Remaining Useful Life Prediction of Rolling Bearing Based on PSO Optimized SVM[D].Shijiazhuang：Shijiazhuang Tiedao University，2019.

[15]董绍江，王军，徐向阳，等.基于多SVM误差加权的轴承剩余寿命预测[J].制造技术与机床，2017（12）：103-106.

DONG Shaojiang，WANG Jun，XU Xiangyang，et al.Rolling bearing residual Life prediction based on error weighted multiple improved support vector machine model[J].Manufacturing Technology & Machine Tool，2017（12）：103-106.

[16]肖顺根，马善红，宋萌萌，等.基于EEMD和PCA滚动轴承性能退化指标的提取方法[J].江南大学学报（自然科学版），2015，14（5）：572-579.

XIAO Shungen，MA Shanhong，SONG Mengmeng，et al.Performance degradation indicator extraction method of rolling bearings based on the EEMD and PCA[J].Journal of Jiangnan University（Natural Science Edition），2015，14（5）：572-579.

[17]廖俊勃，張恒，李严彪，等.基于改进PSO-SVM的预测算法研究[J].工业控制计算机，2019，32（11）：85-87.

LIAO Junbo，ZHANG Heng，LI Yanbiao，et al.Study on prediction algorithm based on improved PSO-SVM[J].Industrial Control Computer，2019，32（11）：85-87.

[18]刘冬梅，霍龙龙，王浩然，等.基于PSO-SVM的电流放大器故障诊断研究[J].传感器与微系统，2021，40（8）：50-52.

LIU Dongmei，HUO Longlong，WANG Haoran，et al.Study on fault diagnosis for current amplifier based on PSO-SVM[J].Transducer and Microsystem Technologies，2021，40（8）：50-52.

[19]李文武，石强，李丹，等.基于VMD和PSO-SVR的短期电力负荷多阶段优化预测[J/OL].中国电力.[2020-12-21].http：//kns.cnki.net/kcms/detail/11.3265.TM.20201221.1513.019.html.

LI Wenwu，SHI Qiang，LI Dan，et al.Multi-stage optimization forecast of short-term power load based on VMD and PSO-SVR[J/OL].Electric Power.[2020-12-21].http：//kns.cnki.net/kcms/detail/11.3265.TM.20201221.1513.019.html.

[20]任强，官晟，王凤军，等.基于EEMD和PSO-SVM的电机气隙偏心故障诊断[J].组合机床与自动化加工技术，2021（2）：73-76.

REN Qiang，GUAN Sheng，WANG Fengjun，et al.Motor air-gap eccentricity fault diagnosis based on EEMD and PSO-SVM[J].Modular Machine Tool & Automatic Manufacturing Technique，2021（2）：73-76.