电网负荷分类评价反馈算法研究

王毓琦，高 嵩，万校宏，李元元，杨子江

（1.国网山东省电力公司电力科学研究院，山东 济南 250003；2.山东中实易通集团有限公司，山东 济南 250003；3.山东科技大学电气与自动化工程学院，山东 青岛 266590）

0 引言

当今随着电力技术不断进步与发展，智能家居与智慧生活的概念相继提出，企业更加注重用户的日常生活用电体验。其中，对用户用电行为进行准确分析，是实现负荷精准预测和负荷调控的关键手段之一。而非侵入式电荷辨识算法以现有住宅电路为基础，借助现有电能表等电气设备，实现了对用户家庭用电行为的分析。

近年来，非侵入式负荷辨识技术已经广泛应用于建筑节能、智慧城市、智慧电网等领域。随着人工智能的不断发展与大数据分析技术的不断成熟，非侵入式负荷辨识技术通过电能监控设备即可实现对用电行为的监测，在一定程度上保护了用户的隐私。对于用户，通过负荷监测获取设备用电详情可以及时得到反馈，有助于引导用户合理用电。对于电力公司，非侵入式负荷监测在不明显提高投入的前提下，可实现负荷各组成成分的细粒度感知，提升电力负荷辨识预测准确度，提高电网的安全性和经济性，有助于更精准地对用户行为进行建模，实现对用户的差异化和精细化服务。但目前市场已有的非侵入式负荷监测产品因计算能力、功耗和成本限制，产品化设备算法单一固定，导致分类参数或匹配库更新较慢，各型号电器识别率提高有限。

在现有非侵入式负荷辨识算法研究的基础上，充分利用用户评价数据信息，结合深度学算法对评价文本进行分类和情感分析，建立分类评价反馈模型，根据分析结果实现对电网负荷辨识进行反馈调整。

1 研究现状

1.1 非侵入式负荷辨识

非侵入式负荷辨识是通过监测识别用电设备的电压、功率、启动电流等典型用电特征实现在总负荷中分解并识别每一个电器。

与传统的监测方法相比，非侵入式负荷监测可以在不监测用户电气设备的情况下获取所有电气设备的运行状态，解决了现有线路的改造、维护和设施购置问题，是一种方便、低成本的监测方法。目前，设备事件的检测方法可分为三类：启发式、匹配滤波和概率模型［1］。文献［2］基于简单的规则判断进行时间监控，首先根据规则对归一化功率进行分割，然后根据设置的阈值检测事件。文献［3］使用匹配滤波方法将输入功率信号与已知信号模板进行匹配，以检测目标事件。在文献［4］中，负载通过时域变换得到家用设备的曲线，综合运用概率模型对各参数调整的负荷进行分解。

但电气设备类型的增加，分类匹配参数也需要不断更新，而现有模型不能根据设备要求及时调整，导致了负荷识别的错误率增加、用电量行为分析不完全等问题。

1.2 分类评估技术

近年来，随着计算机计算能力的提升，机器学习和深度学习技术得到的快速发展。K−近邻算法、贝叶斯、支持向量机、循环神经网络（Recurrent Neural Network，RNN）算法逐渐被应用到分类评估中［5−9］。

例如，在参考文献［10］中提出了一种基于长期和短期记忆（Long⁃Short Term Memory，LSTM）神经网络和标签嵌入的文本分类模型。该模型融合了重要信息和后续信息的文本表示，在联合空间中学习标签和单词，最后利用标签和单词之间的兼容性得分来加权标签和句子，有效地提高了文本分类的效果。参考文献［11］提出了一种循环卷积注意模型。该模型将主题信息添加到注意层，提高了多标记情感倾向的提取准确率。该方法在多标记情感分类任务中具有较高的稳定性和较强的通用性。文献［12］在原始的LSTM神经网络中加入文本向量，从而得到句子和段落之间的关系，实现了电子政务文本相似度的评价。LSTM 虽然在文本处理方面有很好的效果，但在文本分类和情感分析方面缺乏在电力领域的应用，存在领域限制和专业障碍。

2 算法设计架构

分类评价反馈算法包括语料库处理、分类评价分析和评价反馈机制三个部分。算法整体架构设计如图1所示。

图1 算法设计架构

2.1 语料库预处理

语料库预处理部分对用户评价数据中的整体评价数据进行预处理。该部分主要实现了删除特殊符号、过滤常用词、句子分句等步骤。将全文处理成单句形式的简短的负荷评估文本，并去除了文中的冗余文本，降低了模型操作的噪声。最后，将预处理后的数据发送到分类评价分析部分，进行文本分类分析。

2.2 分类评价分析

分类评价分析部分是对语料库数据进行建模和分析。首先，根据评价文本的句子长度特征，建立分类评价模型。然后对现有数据集进行划分，手工标注一部分数据用于模型的训练，其余部分作为待分类测试的文本。对模型进行训练和测试，直到模型达到较高的分类效果。最后对负荷评价文本输入模型进行分类，得到类型反馈结果，并发送给评价反馈机构部分进行处理。

2.3 评价反馈机制

根据语料库分类反馈结果进行处理和分析。根据反馈机制算法，判断得到的装备类别向量属于新的装备类别，提出现有的非侵入式负荷识别算法，对现有的非侵入式负荷识别算法进行调整，或者更新装备库和训练参数。

3 分类评价反馈模型

分类评价反馈模型通过对预处理后的语料库建立算法模型，实现负荷装备评价文本的分类，并构建评价反馈机制，实现按分类进行负荷识别调整。

3.1 语料库预处理

对用户的总体评价数据进行处理的步骤如图2所示。

图2 语料库预处理步骤

由于用户评价数据多为段落式句子，结构复杂，首先采用子句处理，拆分用户的全部文本Xn为短文本（x1，x2，…，xn）。其次，根据常用词字典删除常用语气词和特殊符号等字符，以减少模型的计算负担。同时，为了不影响模型的测试和训练，对无效数据进行筛选和剔除，以保证数据的有效性。

3.2 基于LSTM的分类评估算法

3.2.1 LSTM神经网络

LSTM 神经网络是一种特殊的时间循环神经网络，具有典型的复杂神经网络模块的链式形式，用来解决RNN 存在的长期依赖问题［13−16］。单向LSTM 能更好地捕获句子中的上下文信息，因此经常用于文本分类等方向［17−18］。

用户评价文本经过语料库处理生成文本序列后，由于文本较短且分类结果高度依赖上下文，采用LSTM 神经网络算法处理时间向量和长期依赖问题，以避免传统RNN 在处理长期依赖上下文问题时信息丢失的弊端，可有效提高文本分类的准确率［19］。LSTM神经元的结构如图3所示。

图3 LSTM神经网络结构

长期状态c存储了长期记忆的信息，特征向量作为长期状态进行保存和传输。同时，遗忘门层决定输入信息x和前一个单元输出信息ht−1是否通过ft传送到ct。其中，W为权重，b为偏置，其计算公式为

式中：ft为遗忘门输出；Wf为遗忘门权重；bf为遗忘门 偏置；ht−1为前一个单元输出信息；σ为激活函数。

更新层通过输入门层的σ决定ht−1和xt的更新信息，并通过tanh激活函数计算新的候选状态其中，激活函数公式为

式中：it为输入门输出；Wi为输入门权重；bi为输入门偏置。

然后更新长期状态，即更新ct−1为ct。ft决定丢弃的信息内容，ct−1和ft相乘后添加新的状态，完成状态长期状态更新为

式中：ct为细胞状态输出；ct−1为前一时刻细胞状态。

最后，通过输出层处理，输出最终确定的类别结果向量为

式中：ot为输出门输出；Wo为输出门权重；bo为输出门偏置。

式中：ht为本单元输出信息。

3.2.2 评价分类算法

评价分类算法流程如图4 所示。首先，从序列文本xn中选择部分数据集。根据评价文本的设备类别标记为dtrain最后得到模型训练集（xtrain，xtes）t和测试集（ytrain，ytes）t。然后对训练集和测试集的序列文本xn进行分割，得到词向量x（s1，s2，…，sn），并作为模型训练和测试的输入。

图4 评价分类算法流程

模型训练完成后，对用户数据的其余部分按照同样的步骤进行分割，然后输入到模型中，得到相应的用户文本类别向量Y（y1，y2，…，yn），并作为评价反馈机制的输入。

评价分类算法伪代码为：

3.2.3 评价反馈机制

首先，根据用户评价文本分类结果构建评价反馈机制。然后采用分类分析评价算法对输出结果进行分析，确定是否有新设备，及时调整负荷识别算法，更新设备类型或参数数据库。具体算法的实现过程为：

1）遍历用户的评估类别信息，以确定用户Xi的文本类别yi是否满足［20］

2）如果超过该值，则认为用户设备已经更新，应及时调整用户负荷识别模型，做出类别反馈响应。

4 实验结果及分析

根据上述算法设计步骤，本文在python3.7 的环境下，利用Pycharm 软件在TensorFlow2.0 框架构建LSTM 神经网络，并实现了分类评价反馈机制。本实验共使用120 组用户文本数据。通过子句拆分处理，总共得到800 套设备样本，训练集设置为70%，即560组。

4.1 评价分级效果分析

利用LSTM 神经网络对6 种设备的评价文本进行分类，分类效果如表1 所示表1 中，用于反映模型的稳健度。每种设备的平均分类准确率δ为0.87，召回率r为0.86，F1为0.87。训练过程如图5 所示，整体训练效果相对稳定。实验结果表明，该模型能有效地实现负荷识别与评价的文本分类。

图5 文本分类训练过程效果

表1 评价分级效果分析表

4.2 评价与反馈的实验分析

用电负荷分类评价与反馈的效果分析如表2 所示。实际负荷识别如图6 所示。实验对扩展数据集中随机选取的包括新设备在内的6 种设备的实际运行结果进行了文本测试。实验结果表明，通过对文本分类效果的判断，评价反馈机制可对异常值进行有效反馈，从而对负载识别算法进行评价。

表2 评价与反馈实验分析表

图6 负荷识别效果

5 结语

结合深度学习算法，建立了电网负荷的分类评价反馈模型，根据用户评价文本和电气设备类型进行分类，通过模型分析反馈负荷识别结果。实验结果表明，该模型能够准确地对评价文本进行分类，对非侵入式负荷识别算法的研究起到辅助反馈作用，实现了信息的实时交换，达到了非侵入式负荷识别的校正效果。但仍存在一些未考虑的问题，如人工标注的数据量少于总数据量、模型的分类效果不够准确等。该模型主要根据文本内容进行分析，但不可能识别出恶意评论或遗漏信息，反馈中仍存在漏洞。综上所述，该算法模型能够及时实现负荷识别和调整，减少人工参与评估过程，提高问题发现效率，实现与用户的实时沟通，对非侵入式负荷载识别算法的研究的应用具有积极推进作用。