基于小波分析的家用电器负荷识别

黄镓登，何爽，宁锦韬，袁旭峰

(贵州大学 电气工程学院，贵州 贵阳 550025)

随着用电智能化的提出，负荷预测[1-3]备受关注，要实现准确的负荷预测，必须得进行科学可靠地负荷监测。目前电力系统的监测分成传统的侵入式负荷监测与非侵入式负荷监测。侵入式负荷监测由于硬件安装成本高，监测设备本身的电力消耗以及不能很好的保护用户用电隐私等缺点，不利于广泛推广。而非侵入式负荷监测仅需在负荷总线处安装监测装置，克服了侵入式负荷监测的缺点，其通过复杂的数学算法分析电流电压功率谐波等特性，可在较高准确度的前提下监测用户负荷运行状态[4-6]。

负荷监测的根本在于依据负荷特征准确地辨识负荷类型，负荷辨识方法也因此备受关注。文献[7]提出了一种基于小波多分辨率分析，确立定性和定量规则，并通过数值研究对其识别。文献[8]采用改进的 CS算法求解负荷识别问题，并通过算例分析验证了所提方法的收敛速度和准确率。文献[9]基于当前负荷边沿检测方法准确度不高问题，提出了基于高斯滤波器和工业检测累加求和算法。文献[10]提出负荷辨识使用神经网络技术，将双向长短期记忆网络用于负荷监测。文献[11]提出了基于Fisher有监督判别的非侵入式居民负荷辨识方式，推动了非侵入负荷监测系统中负荷特征库的建立。

非侵入式负荷监测[12-16]应用很深，在文献[17]中提出小波变换系数的功率谱，将反向传播分类系统用于人工神经网络的构建和负载识别。现目前已经实现了电力公司对用户负荷的实时监测，在用户侧却没有一种方便用户对自己家里的负荷用电监测的方法，所以本文提出了一种基于MATLAB小波，采集家用负荷暂态电流信号，通过Haar小波分解再结合数学方法提取出的特征值建立特征库，从而进行辨识各种家用负荷。

1 基于Haar小波的负荷识别

本实验负荷种类选择三种在家中常用且方便，使用次数较多的多用锅、暖风机、小太阳取暖器进行分析辨识，通过采用Fluke 434电能质量分析仪，此分析仪以4Hz的频率对负荷的对各项数据(电流、电压、功率等)进行采集。采集得到的相应家用电器的在投切时的电流波形数据信息，针对此三种负荷在投切暂态过程中出现的不一样的变化，通过MATLAB中的Haar小波工具分解得到其低频信号及高频信号，分别对各个电器的相应处理的信号(低频信号：a1、a2、a3、a4，高频信号：d1、d2、d3、d4)进行综合对比并结合数学方法，调试寻找出各个电器之间能够区别开来的特征信息，通过其特征信息将其识别。其负荷特征值提取流程如图1。

图1 负荷识别流程Fig.1 Process of load identification

1.1 分解小波基的选取

在负荷分解过程，Haar小波函数是最常用的分解工具，Haar小波是历史上第一个标准的正交小波基，它构造简单，计算方便。在采集信号时，信号随着时间的变化有时会产生噪声，Haar小波通过构筑方块来将信号噪声部分近似等效为高而窄的方块，便于在消除方块时不会影响其他部分的信号，其变换过程中不会丢失信息，并且能够从所记录的数据中重构原始信息。Haar小波分解不同分辨率之后的均值及差值就是该分辨率的低频信息及高频信息。均值即某一部分的低频信号，变化幅度小，可保留波形基本信号。差值即某一部分的高频信号，变化幅度大，保留了对应的细节信号，此过程没有丢失数据。本文依据Haar小波的特点，利用高频与低频信号可区分，在提取并寻求细节信号之间的差别，作为识别参考数据，实现负荷识别。

1.2 负荷识别参考量选取

相对于负荷的稳态，暂态是一稳态到另一稳态的过程。文献[18]提出一种暂态统计能量分析方法识别冲击负载的模拟和实验研究。暂态过程对应于负载在开始投入运行时的阶段,其电流波形会展现其特有的暂态信息。此过程所出现的特征信息可以反映负荷从未工作到工作的过程所具有的特性。负荷的暂态响应特性与其执行的物理任务密切相关,一定程度上能解决负荷稳态特征信息进行在负载识别时的局限性,可提高识别成功率。负荷的稳态相比暂态特征信息太局限，辨识率不高或无法实现负荷的特征值提取。稳态特征是从负荷稳态数据中提取出来，稳态数据易于提取，但是在面对功率相近的电阻类负荷和在存在大功率负荷时的小功率负荷难以进行识别。暂态数据是从负荷暂态数据中提取出来，与负荷元件关联性大。故本文选择负荷的暂态过程进行分析，由于负荷的设计用途不一，其系统结构、电阻、电感、电容参数不一样等原因，在负荷的投切过程，会出现大幅度的电压、电流、功率变化。而这类变化可产生相应的波动变化、幅值差异、谐波现象等。将负荷出现的类似比较突出的数据提取便可作为本类负荷的特征信息。

在所有采集的负荷数据波形图中，电压、电流在运行过程中，三种负荷的波形均有明显的、比较突出的特征区别。对比电压电流波形发现：电压波形在投切前数值为市电值，电流波形在投切前近似为零。在投切时，三种负荷的电流发生了突变，且电流的突变远远大于电压的突变，在待辨识负荷运行信号图中，可以发现负荷处在运行之前与开始运行两种状态时，电流从无值变为有值，电压从市电值变为另一稳定运行值。Fluke 434电能质量分析仪采集的电流原始数据如图2所示。其中多用锅的电流变化直接突变趋近稳定值，暖风机则在突变后有所增加，再缓慢降低为稳定值，而小太阳则直接跳到峰值便迅速降到稳定值。故我们选择变化比较突兀的电流波形作为家用电器负荷辨识的原始信号。

1.3 负荷特征量平滑处理

在分析原始信号的投切过程时，投切之前的数据(家用电器启动之前)以及投切之后的数据(家用电器启动稳定后)对本实验不相关，且为防止这些数据对本实验产生影响，故在利用Haar小波工具分解之前需要对原始数据进行平滑处理，即剔除投切过程之外的数据或采用某一均值替代。如图3所示。平滑处理后的数据更具有准确性，但经平滑处理的部分在一定程度通过其他识别方法也可作为负荷的特征信息。例如将启动前的电流数据与启动后稳定的电流数据做数学建模，从其数据特征也可能将待辨识负荷区别出来。

(a)多用锅 (b)暖风机 (c)小太阳

(a)多用锅 (b)暖风机 (c)小太阳

2 负荷特征信息提取

观察平滑处理的三种负荷电流数据，可看出三种负荷电流数据有着不一样的特征。通过Haar小波对平滑处理的负荷电流曲线进行4、5、6等多层分解，同一负荷在不同分解层次具有不同的特征信息，同一分解层次对应的不同负荷同样具有不同的特征信息，本研究对所分解出的多种特征信号进行建模分析，寻求辨识家用负荷最明显的特征值。在寻找特征信息的过程中，结合数学方法。例如意图通过家用负荷功率进行辨识，则通过对电流与坐标轴围成面积进行积分计算，又如对分解的各层细节数据进行频率计算，对每次分解后的粗糙数值进行计算等尝试。最后综合对比各特征值的辨识效率，提出了最为合理的特征值。

2.1 暖风机的负荷特征信息提取

参考暖风机的平滑处理的原始电流数据图，此类电器在投切之后，电流突变并没有直接降低或者趋向稳定值，而是电流增加到最大值再减小到稳定值。这个特征明显区别于其他两种负荷。

经负荷电流暂态数据分析统计发现，暖风机负荷通过Haar小波分解设置在第2层分解时，分解得到的d2层的数据如图4(b)所示，暖风机负荷有明显的多次波动情况，详细波动数据如表1所示，在所测18组数据中，暖风机负荷在d2层波动次数在13次—16次左右(以从零到正数为波动1次)。而统计其他两种负荷在相同条件的d2层的波动次数数据如图4(a)和(c)，其均只有1次波动，能以高辨识度将暖风机负荷从三种负荷中辨识出来。综上，可将暖风机在Haar小波第2层分解得到的d2层波动次数作为暖风机的特征信息。

(a)多用锅 (b)暖风机 (c)小太阳

2.2 小太阳与多用锅的负荷特征信息提取

参考小太阳负荷平滑处理的原始电流数据图，如图3，可看到小太阳负荷在投切时电流数据有突变且突变后迅速降低趋于稳定值，而多用锅负荷的电流在突变后直接趋于稳定值，这个特征明显可将两种负荷区分。

本研究在对小太阳与多用锅的特征信号建模时考虑将峰值与稳定值做一个数学运算，以此提取出能区别两种负荷的特征信号。对平滑处理的三种原始电流数据进行Haar小波四层分解，三种负荷平滑处理的信号与第4层低频信号如图5所示(S表示为平滑处理的原始电流数据，a4表示为第4层处理后的低频信号)，通过计算投切瞬间原始电流的峰值与出现峰值时对应a4的纵坐标值之间的差值，即：

Δ=Smax-Y(a4…Smax)

(1)

在所测的每种负荷的18组数据中，多用锅的差值全部小于1，暖风机、小太阳的差值全部大于1。所得数据如表1所示。能以高辨识度将暖风机负荷从三种负荷中辨识出来。则将此差值作为多用锅的特征值。在辨识小太阳时，则可综合利用d2层的波动次数与差值将其辨识。

表1 负荷特征值Tab.1 Load characteristic value

续表

2.3 负荷特征库

三种负荷之间只需要两个特征信息便可全部识别。根据上述负荷的特征值提取方法，暖风机以d2层波动次数作为特征值，多用锅以计算S与a4层的峰值之差作为特征值。故本研究可得到一个拥有最少两个特征信息的特征库。拥有特征库后，可首先将待辨识家用电器在投切过程的原始电流数据进行小波分解，提取对应的负荷特征，将其与负荷特征库中的数据作相应对比，选择类似度最高的负荷种类作为辨识结果。

(a)多用锅 (b)暖风机 (c)小太阳

3 支持向量机采用支持向量机进行负荷辨识

由上述实验结果表明，负荷特征值提取后得到一个拥有至少两个特征值的特征库，这个特征库可构建向量坐标进行坐标系归类。支持向量机应用广泛，文献[19]中提出了将离散小波与支持向量机结合应用在降雨预测上。文献[20]提出将小波支持向量机应用在水利水电调度的中长期的径流预测。支持向量机是一个强大的工具，采用支持向量机对三种负荷进行归类辨识,可进一步证实负荷辨识的准确性。

为了检验上文所提取特征值的科学性，本文进一步对负荷辨识效果进行验证。将数据集分为训练集与测试集，利用训练集计算最大分类间隔并得出SVM分类器，从而检验测试集的负荷辨识准确度。

3.1 辨识流程

使用支持向量机进行负荷特征的辨识流程如图6所示，主要分为三个步骤。

图6 SVM辨识流程Fig.6 Process of SVM identification

步骤1：使用仪器采集待辨识家用负荷在投切过程的暂态电流数据，将采集的暂态电流进行平滑处理后对其进行Haar小波分解并结合数学方法获取该负荷的负荷特征值。

步骤2：使用支持向量机进行分类前，用带标签的训练集数据计算在特征空间中各负荷之间的超平面，从而构建适合的分类器。由于支持向量机是一种二分类模型，只能将空间中的样本最终分成两类。在实际问题中，往往需要进行多分类，在对这类问题进行求解时，可利用多个二分类的组合来设计合适的多分类器。

步骤3：负荷识别。使用测试集数据对构建好的分类器进行验证，通过分类结果与测试集的标签进行对比，计算负荷的辨识率。

3.2 支持向量机

支持向量机(support vector machine，SVM)是一种二分类模型，它的基本思想如图7所示，分类的方法是通过求取两个类别之间的最大间隔的分类线构建分类器，再对待分类的数据进行识别。

图7 SVM分类原理Fig.7 SVM classification principle

在进行SVM分类时，要求样本集合中的全部样本点都必须满足下式的条件，即先假设所有的样本点都处于边界之外，分类问题就转换为凸二次规划寻优的问题。利用拉格朗日乘子法来求解其对偶问题时，即可构造如下的拉格朗日函数：

(2)

α为乘子且αi≥0，让包含参数ω,b的L最小化，可以分别令L关于ω,b的偏导数为0，可得：

(3)

将上式代入公式(2)拉格朗日函数中并化简，得：

(4)

解出α之后，根据公式(3)可以求得ω，进而求得b，可以得到分类模型如下式：

(5)

3.3 辨识过程

本文使用的电能质量分析仪是以4Hz的采样频率对多用锅、暖风机和取暖器三种家用负荷的电流数据进行采样，并使用MATLAB中的小波分解得到高频信息以及低频信息，结合数学方法提取负荷的特征信息，将所有特征信息在同一负荷上构建负荷特征向量如下式所示：

(6)

式中，Ai为负荷i的二维特征向量，元素为所本文中提出的特征值，如a1为负荷i在小波分解后d2层的波动次数，a2为负荷i投切瞬间原始电流的峰值与出现峰值时对应Haar小波分解第四层的粗糙值a4纵坐标值之间的差值。测量得到的负荷数据在特征空间中的分布如图8所示。

图8 负荷特征值分布Fig.8 Eigenvalue distribution of load

从图8中可知，三类负荷之间有着明确的区分，因此可以通过支持向量机来计算每两个负荷类别之间的分类线，用以构建负荷分类器，最后可根据分类器实施最后的辨识。

3.4 结果指标

通过引入准确率、查全率和召回率的综合指标等三个指标来对分类结果进行评价：

(7)

(8)

(9)

式中，precision(cj)为准确率；recall(cj)为查全率；F1-Score(cj)为准确率和召回率的综合指标；TP(cj)表示类别cj被辨识出的样本数；FN(cj)表示类别cj未被辨识出的样本数；FP(cj)为被识别成cj类别但是不属于cj的样本数。

通过支持向量机对负荷进行辨识，将准确率、查全率和召回率分别对三个负荷计算得到以下辨识的结果如表2所示，负荷识别率达到了100%，说明所提取的负荷特征值的辨识效果很好。

表2 辨识结果Tab.1 Result of recognition

4 结语

本文对三种常用家用电器负荷在投切过程进行暂态电流数据波形分析[21-23]，将测量数据进行平滑处理后，通过对信号数据进行Haar小波分解，由数学建模得到特征值，最后得出d2层波动次数以及小波分解后原始数据的峰值与相对应的粗糙部分a4之差两个特征值，最后结合支持向量机验证所提取特征值的科学性，实验证明利用所提取特征值能将三种负荷成功辨识。但是由于负荷种类太少，也有着明显的局限性。