基于决策树支持向量机的家用典型负荷分类*

王晓虎，康 兵，王宗耀，王 振，许志浩，习伯泉

（南昌工程学院 机械与电气工程学院，江西 南昌 330099）

节能环保是文明生活的发展趋势，每一个人都应积极投入到节约能源的事业当中。但碍于个人对自身能源使用情况的了解程度比较低，无法做到真正的节约用电。为提高用户用电体验，对用户侧运行数据进行细化分析并全面掌握用户用电特征的需求越来越迫切[1]。通过非侵入式的负荷分解监测技术可以为普通用户提供详实的家庭能耗信息，帮助用户进行个性化的家庭能耗分析，使用户了解自身行为习惯对于家庭能效的影响，从而引导用户自觉采取节能措施，养成节约能源、低碳生活的良好行为习惯，为用户提供个性化的用电设备节能控制[2]；同时为电网公司能效管理与电价政策等精细化用电服务提供数据支撑[3]。

国际上，最早的用电数据监测起源于侵入式用电监测技术，通过加装大量的测量设备对用电情况进行实时监测。但这种方法既增加了用户成本又降低了供电的可靠性，为此在20 世纪80 年代电力公司提出非侵入式监测方法[4]；随后美国电科院又开展了非侵入式负荷监控系统项目，以求达到对整个建筑负荷进行跟踪与分解的目的，其间还首次提到了关于暂态特征的使用[5]；近些年，文献[6]又阐述了使用遗传算法的新思路来处理暂态特征，并取得了良好的实验效果；在国内，近十年掀起了对非侵入式方法研究的热潮，如文献[7-8]中阐述了通过计算最优解的方法，对功率信号进行了大量实验分析，在负荷较少时，能有效实现系统稳态的非侵入式负荷分解；文献[9]中，余贻鑫等人提出了负荷印记，对非侵入式负荷分解的基本原理和求解方法进行了深入讲解；文献[10]中，林锦波提出基于聚类融合的负荷识别方法，并建立了相应的负荷曲线分类深度学习模型，取得了较好的效果；文献[11]改进Viterbi 算法提高了负荷识别的精度；文献[12]中阐述了小波分析在负荷分解识别中的应用。

本文首次提出一种多层级的负荷识别思想，首先从电路物理特性上将家用电器分为电阻型、整流电子型和电机型三类，然后分别对三类电器进一步细分研究，以降低算法的难度。

1 基本理论

1.1 家用电器负荷印记

本文主要对家用电器稳态区段的负荷印记进行研究，从电路基本物理特性（阻性、感性、容性）的角度对家用电器予以特征提取和分类研究，实现家用负荷分类。提出电流50%幅值从数学观点来描述波形畸变情况，并结合由功率因数、电流谐波总畸变率、占比3 个参数构成的负荷印记，即

式中，M 表示负荷印记，cosφ 表示功率因数，THDI 表示电流谐波总畸变率，B50%表示电流50%幅值占空比。由于电容、电感器件在家用电器中被广泛应用，电流波形畸变在实际家用电器中较为常见，因此提出电流谐波总畸变率和电流50%幅值占空比两个量进行描述，以下对cosφ、THDI 和B50%予以进一步具体说明。

1.1.1 功率因数

式中，cosφ 表示功率因数，I1为基波电流有效值，I 为总电流有效值，φ1为基波电流与电压的相位角。

1.1.2 电流谐波总畸变率

电流谐波总畸变率是指周期性交流量中的电流谐波含量的方均根值与基波分量的方均根值之比的百分数，即

式中，Ih表示电流谐波含量，即：

式中，Ii为各次谐波有效值，n 表示谐波次数。

1.1.3 电流50%幅值占比

电流50%幅值占比是指在一个正半周期内电流瞬时值超过峰值50%部分的时长占半个周期的比值，即：

式中ti是在正半周期内电流瞬时值大于电流峰值50%的时长，T 表示电流波形周期。

1.2 决策树支持向量机

支持向量机（Support Vector Machine，SVM）是在线性可分问题中求解最大边距超平面的算法，约束条件是样本点到决策边界的距离大于等于1，从而将硬边界SVM 转化为一个等价的二次凸优化问题进行求解。

SVM 的具体实现方法一般由训练和识别两部分组成，首要是对模型进行训练，给定训练数据X={X1，...，Xn}与学习目标 y={y1，...，yn}。本文具体训练数据为

学习目标为（1，2，3）表征三类电器。

本文以家庭典型用电负荷数据作为训练数据，属于小样本数据集，以SVM 作为分类算法较为合适。SVM 具体算法有多种类型，本文选择使用决策树法（Binary tree，BT），先将所有类别分为两个子类，而后再下沉等级分类，直至分出所有类别。

2 典型家用电器负荷印记的实验研究

2.1 电阻型负荷

电阻型的家用电器是指电器的负荷特征呈现出几乎纯电阻特征，如常见的白炽灯和热水壶。其中，白炽灯的电压、电流曲线如图1 所示。

图1 白炽灯电压电流波形

通过分析图1 波形可知，白炽灯等电阻性负载的电压、电流波形基本接近正弦波，根据式（5）计算电流50%幅值占比约在66%左右。由于电阻型电器对外呈现出电阻特性，消耗有功功率，可考虑通过功率因数来描述这一特征，根据式（2）计算其功率因数约在1-0.97之间。由于发生的畸变部分较小，根据式（3）可计算得其电流谐波总畸变率约在0-0.19 之间。

2.2 整流电子型负荷

在描述整流电子模型类的电器时，特选取典型常见的该类家用电器：节能灯。通过电压、电流传感器对这两种电器正常工作状态下的用电数据信息进行采集，如图2 所示。

图2 节能灯波形

由图2 可知，节能灯的电流波形是脉冲状，发生的畸变严重，通过电流50%峰值占空比这一物理量来进行描述，根据式（5）计算其值约在10%左右；根据电流谐波总畸变率约在1.1-1.5 之间。由于整流电子型模型器件包含大量电容元件，其所消耗的功率除部分有功功率外还有无功功率，通过功率因数来描述这一现象，根据式（2）计算其值约在0.4-0.65 之间。

2.3 电机型负荷

选取常见的电机型家用电器：电风扇、洗衣机得到波形如图3。

图3 电机型家用电器波形

通过分析图3 可知，电风扇的电流波形接近正弦波，发生畸变的部分较少，洗衣机波形为正弦波与脉冲叠加，畸变较为严重的，但电流波形可以明显观察到波形的超前现象。通过电流50%幅值占比这一物理量来进行描述，根据式（5）计算电流50%幅值占比约在30%-50%左右；根据式（3）计算电流谐波总畸变率约在0.1-1.03 之间，跨度较大。由于两者均是电机模型器件，其所消耗的功率除有功功率外，还消耗一定的无功功率构建磁场，通过功率因数来描述这一现象，根据式（2）计算其值约在0.4-0.9 之间。

综合分析上述三类电器，基于负荷印记 ，三类负荷分别呈现出不同的特征，如表1 所示。

表1 三类典型家用电器的负荷印记

3 基于决策树支持向量机的分类方法

如图4 所示，可以看出各类电器在三种电气量下的空间分布有着明显的界线。为了提高分类的准确性，可首先区分电阻型器件与其他类别器件。然后再区分电机型器件与整流电子型器件。

图4 不同电器在三种电气量下的分布

为检验负荷印记选取的合理性，按上述流程先选取白炽灯、热水壶、节能灯、风扇、电脑和洗衣机六种电器各50 组数据，分别提取组合负荷印记和单一因素负荷印记对SVM 进行训练。再基于两种负荷印记训练后的SVM 方法，分别对家用电阻型、整流电子型、电机型负荷各100 组进行检测分类，结果如表2 所示。

表2 基于两种SVM 多分类方法比较结果

通过分析表2 可知，组合负荷印记SVM 模型三类电器分类准确率均达到97.67%，高于单一因素训练SVM 模型的电阻模型、整流电子型、电机模型的识别准确率，一对一支持向量机模型分类结果也远低于这一数值，充分证明本文组合负荷印记和决策树SVM 方法的可行性。

4 结论

（1）本文所提出的B50%新型特征量在分类中起到了明显的区分作用。

（2）本文基于家用典型负荷的实测数据，从电路特性的角度分析了不同类型电器的负荷波形特征，提出了功率因数、电流谐波总畸变率、电流50%占比等波形特征构成组合负荷印记。

（3）提出基于决策树支持向量机方法实现电阻型、整流电子型、电机型三类电器分类，准确率高达97.67%，高于单一因素判据分类方法，从电路特性上解决典型家用负荷分类问题。