基于改进GMM-CNN-GRU混合的非侵入式负荷监测方法研究

杨 秀，李 安，孙改平，田英杰，刘 方，潘瑞媛，吴吉海

基于改进GMM-CNN-GRU混合的非侵入式负荷监测方法研究

杨 秀1，李 安1，孙改平1，田英杰2，刘 方1，潘瑞媛1，吴吉海1

(1.上海电力大学电气工程学院，上海 200090；2.华东电力科学研究院，上海 200437)

为挖掘用户侧节能减排潜力，对用户用电行为进行精细化分析和管理，提升电能利用效率，提出了一种基于高斯混合模型聚类和深度神经网络相结合的非侵入式负荷监测方法。首先，针对同一电器常出现功率相近但运行状态不一致问题，利用高斯混合模型聚类算法中“软分类”和类簇灵活的优势，对负荷工作状态进行精细分类，形成负荷用电设备实际运行情况的负荷状态特征库。其次，针对常见的应用于非侵入式负荷监测模型的深度神经网络在多标签分类时存在识别精度低等问题，提出卷积神经网络与门控循环单元混合的深度神经网络模型。最后，综合考虑外部环境数据对家庭用户用能习惯的影响，在AMPds2数据集上开展验证分析，并与其他模型进行对比。结果表明，所提的非侵入式负荷监测模型具有较高的准确性。

非侵入式负荷监测与分解；高斯混合模型聚类；卷积神经网络；门控循环单元；深度学习

0 引言

随着全球气候变暖、能源争夺加剧以及环境污染日益严重，为了降低能源消耗，改善电力系统效率，为用户提供优质服务，高级量测体系(Advanced Metering Infrastructure, AMI)等应运而生[1]。其中负荷监测是AMI最重要的应用之一，其主要任务是对负荷进行分解、归类，有针对性地管理用户用电行为，实现用户精细化用能管理，提升能源利用效率，降低用能成本，对于降低碳排放具有重要意义[2-5]。

上世纪80年代Hart教授首次提出非侵入式负荷监测(Non-intrusive Load Monitoring, NILM)概念[6]，并基于事件监测[7]方法对用户电力入口处记录的总功率信息进行分解，进而获得用户用电设备能耗情况及用电规律，但受限于当时技术问题精度难以提高。随着人工智能及高级量测技术的发展，学者开始将新技术应用于新能源出力预测[8-9]、负荷预测[10-13]与监测[14-17]等研究中。2015年Kelly教授首次将深度学习(Deep Learning)算法应用于NILM，相比于传统算法具有高精度、易于扩展等特点[18]。目前许多学者将神经网络方法应用于NILM[19-21]。

将神经网络应用于NILM问题的关键在于，如何构建负荷工作状态特征库作为神经网络的监督数据，多数学者采用聚类算法进行构建。文献[22]提出基于改进K-Means聚类的电器状态分类方法，通过挖掘低频数据中电器功率特征消除冗余信息。但用电设备在不同的工作状态下常常会出现功率大小相近的情况，而K-Means算法难以解决该问题。这是由于K-Means属于“硬分配”，不同类别的划分严格依靠距离关系，故无法精准划分不同工作状态。为解决“硬分类”的局限，提高负荷状态分类精细度，本文基于高斯混合模型(Gaussian Mixture Model, GMM)聚类构建负荷运行特征库的方法。GMM聚类算法按群集概率分配群集成员，属于“软分类”，其灵活的类簇可有效避免“硬分类”的局限性，面向大规模数据集能同时保证聚类效率以及聚类精度[23-25]。

另一方面，更精细化的负荷状态特征库对深度神经网络也提出更高的性能要求。常见应用于非侵入式负荷监测模型的深度神经网络有多层感知器(Multilayer Perceptron, MLP)、卷积神经网络 (Convolutional Neural Networks, CNN)等。虽CNN神经网络能够挖掘非连续性特征在高维空间中的联系，其对图片的分类性能在计算机视觉领域得到充分认可，但在识别具有时序性的多标签数据时精度较低[26]。长短时记忆网络(Long Short-term Memory Networks, LSTM)是在序列传递方向上进行递归处理的一种神经网络，非常适合处理具有时序性的功率数据。门控循环单元(Gated Recurrent Unit,GRU)是一种基于LSTM的优化网络，其简化了LSTM的内部单元结构，在拥有LSTM网络优点的同时可减少梯度的消失，有效缩短模型的训练时间，因此更适用于负荷辨识[27]。本文设计CNN与GRU分别作为子模块的改进CNN-GRU深度神经网络结构。为满足负荷分解需求，将一个神经网络模型分为两个输出，其一为负荷工作状态，其二为负荷工作功率。最终通过GMM聚类算法建立的设备运行状态特征库作为工作状态输出的监督，分项计量的负荷功率作为负荷功率输出的监督，形成一个基于改进GMM-CNN-GRU混合的非侵入式负荷监测模型。在AMPds2数据集[28]上进行试验，并与CNN、LSTM和常规CNN-GRU神经网络比较，验证了该方法负荷状态监测和功率分解的精度。

1 NILM模型

1.1 GMM-CNN-GRU混合的NILM模型流程图

本文采用基于改进GMM-CNN-GRU混合的NILM模型流程图，如图1所示。首先通过GMM聚类算法对各电器运行历史数据进行状态划分，形成负荷状态特征库；然后将外部环境数据和总功率数据输入基于改进CNN-GRU深度神经网络模型，负荷状态特征和负荷详细分项计量数据作为模型训练监督量，进行模型训练，最终达到各类负荷的精准监测和分解。

图1 NILM框架图

1.2 高斯混合模型聚类

负荷状态特征库的形成依赖于GMM聚类，其中高斯混合模型是用若干个高斯概率密度函数(正态分布曲线)来描述一个事物的模型。对于一个样本来说，混合高斯分布得到的是其属于各个类的概率。求解高斯混合模型参数一般采用期望极大算[29](Expectation Maximization algorithm, EM)，其步骤如下。

Step2：根据贝叶斯定理，求出后验分布概率，如式(2)。

Step3：计算新一轮迭代的模型参数。

Step4：重复Step2和Step3直至收敛或达到最大迭代轮数。

高斯混合模型聚类算法流程图如图2所示。

GMM聚类算法对每个用电设备进行聚类分析，以有功功率作为工作状态划分的依据，最终形成对应用电设备的负荷状态特征库。将负荷状态特征进行One-hot编码，作为改进CNN-GRU神经网络学习训练的监督数据。

1.3 改进CNN-GRU网络模型

深度神经网络凭借其强大的表达能力在分类方面有巨大优势。直接将常规CNN-GRU网络应用于NILM问题不能取得良好的效果，为了提高深度神经网络的性能，可增加网络层数和每层神经元数目，但这并不能有效提升监测精度，反而会增加训练复杂度。

图2 高斯混合模型聚类算法流程图

本文将多个不同的神经元模块横向“并联”排布，分别获得非连续性输入数据的非线性特征联系、高维空间特征联系以及时序特征联系，最终将各个网络获得的特征张量进行叠加后，传入逻辑回归单元，形成一个改进CNN-GRU深度神经网络。该结构中包含以下内容。

1) Dense模块

神经元采用全连接方式，其中每个神经元传播公式为

2) 一维卷积模块

卷积神经网络(CNN)在图像处理中的应用广泛。由于图像中有色彩、尺寸等多维特征，需要挖掘图像中的空间特征，故采用卷积网络结构，卷积核多为2维。而在NILM问题中，功率数据为时间序列类型数据，所以本文采用一维卷积方式，计算公式为

3) GRU模块

门控循环单元GRU是对长短时记忆网络的一种改进，参数更少，训练速度更快。GRU中包含重置门和更新门，其计算公式为

本文搭建的神经网络分为两大部分，一部分实现用电设备的状态监测，另一部分实现用电设备的功率分解，其结构设计如图3所示，超参数设置如下。

图3 网络结构

(2) 改进CNN-GRU层，总计352个神经元。

(3) 全连接层：64个神经元。

(4) 激活层：激活函数为Softmax。

(5) 第一部分输出层：输出维度为(为用电器的状态数，即聚类中心数)，得到该用电器处于的状态(One-hot编码形式)。

(7) 改进CNN-GRU模块，总计352个神经元。

(8) 全连接层：64个神经元。

(9) 激活层：激活函数为ReLU。

(10) 第二部分输出层：输出层维度为1维，为用电器的有功功率。

2 模型训练与评估

2.1 数据集选取

文献[30]采用国外公开数据集REDD以及实验室测量私人数据集(国内社区采集)对所设计的模型进行验证分析，其实验结果表明应用于非侵入式负荷监控的模型在国内外家庭用户层面的差异影响较小。由于国内有关家庭用电设备详细公开数据集很少，目前国内绝大多数学者采用国外公开数据集作为模型研究验证的对象，故本文选取国外公开数据集。

本文选取2016年加拿大学者发布的AMPds2数据集，该数据采集自加拿大温哥华市区内一个家庭用户，居住总面积199 m2，地下室面积100 m2，有功功率的采样间隔为1 min，外部环境数据采样间隔为1 h，数据集的采集时间跨度从2012年4月1日至2014年4月1日，总计1 051 200条记录。

2.2 训练策略

2.3 评价指标

NILM有很多评价指标，本文选择针对状态监测的指标：准确度(precision)、召回率(recall)和F1分数(F1-score)。选择针对功率分解的指标：平均绝对误差(Mean Absolute Error, MAE)。

1) 状态监测指标

首先分别计算三个统计量TP、FP、FN，其中TP为真阳性：状态监测为正，实际为正的个数；FP为假阳性：状态监测为正，实际为负的个数；FN为假阴性：状态监测为负、实际为正的个数。

2) 功率分解指标

平均绝对误差(MAE)计算公式为[31]

3 实例分析

3.1 家庭用电设备相关因素分析

为接近我国国情，从AMPds2数据集中选择7种典型家庭用电设备：热泵(暖通空调)、干衣机、冰箱、电视、地下照明、洗衣机和洗碗机，基本包含国内家庭大功率用电设备种类。日常生活中外界的环境温度与室内电器的使用存在很大相关性，故本文通过计算Pearson相关系数[32]分析AMPds2数据集中用电设备的总功率以及7种典型设备有功功率与外界环境(气温、气压、风速、能见度)之间的相关性，此处环境数据与电器功率数据在时间及颗粒度上保持一致，如图4所示。

由于加拿大全年温度较低，而夏季温度较为适宜，所以室内温控系统(热泵)与气温呈负相关。同样该家庭电视、冰箱、地下照明和洗衣机的使用与外界环境存在一定的相关性。表1为天气数据对本文所设计的NILM模型精度的影响情况。

表1中可看出部分与外部环境数据相关性较大的电器(热泵、冰箱、电视、地下照明和洗衣机)，在加入天气因素后其监测精度都得到明显提升，可见天气数据为负荷精度的重要影响因素之一，环境数据的获取并不困难，具有可行性。

图4 用电设备与环境特征的相关性

表1 天气数据对精度的影响对比表

3.2 用电设备运行状态提取

利用高斯混合模型聚类算法对用电设备有功功率进行挖掘，获取用电设备运行状态的特征信息，并形成用电设备运行状态特征库。由于7种典型用电设备都属于多工作状态设备，所以依据实际功率数据以及戴维森堡丁指数确定聚类数目。将GMM聚类效果与文献[22]中所用K-Means聚类效果相比较。

设置高斯混合模型聚类最大迭代次数为100次，收敛阈值为6×10-5，初始化中心点次数为5。图5为GMM与K-Means的聚类结果比较，分别为热泵、洗碗机、电视、冰箱和洗衣机的有功功率聚类结果，其中左侧图为GMM聚类结果，右侧为K-Means聚类结果。

在图5(a)中，GMM聚类将热泵工作过程分为五类，即待机状态功率约为37 W、启动状态功率由37 W突变到1800 W、平稳运行状态约为1800 W、大功率运行状态功率约为2400 W及关闭状态0 W，而K-Means聚类将关闭状态0 W与待机状态37 W归为一类，明显不符合实际；图5(b)中洗碗机被分为四类，即关闭状态功率0 W、待机状态功率约为11 W、大功率工作状态功率约为775 W和低功率工作状态功率约为140 W，同样K-Means聚类算法将洗碗机待机状态与关闭状态归为一类。K-Means聚类在电视、冰箱和洗衣机上也存在类似现象，GMM聚类算法结果精细度更高，更符合实际，聚类结果如表2所示。

表2 电器运行状态编号以及相关特征

将GMM聚类算法与K-Means聚类算法所得负荷状态特征库，分别送入神经网络进行训练，最终负荷功率分解结果对比如表3所示。

表3 不同聚类算法对比

从表3中可看出，GMM聚类形成的负荷状态特征库在最终负荷监测精度上有明显优势，电视、冰箱的负荷监测精度提升较高，可见更精细化的负荷状态特征有利于提升负荷监测的性能。

3.3 负荷监测与分解结果

将训练数据输入所搭建的改进CNN-GRU深度神经网络中，按训练策略进行训练，负荷功率分解结果如图6所示。

从图6可以看出，本文所提的负荷监测模型对用电设备的启停过程辨识精准，功率分解效果好，可满足NILM任务要求。将本文所提模型与卷积神经网络模型(CNN)[8]、长短时记忆网络模型(LSTM)[8]和常规CNN-GRU神经网络模型[8]进行对比。比较过程中训练数据一致，均选自基于GMM聚类得到的负荷状态特征库，比较结果见表4。

由表4可知，本文所设计神经网络相比CNN和LSTM网络精度明显提升。由于热泵设备在该家庭的能耗占比为23.23%，工作功率在1500 W以上且稳定，故改进CNN-GRU模型在功率分解上精度提升较小，其他用电设备提升明显。图7中详细比较了改进CNN-GRU与常规CNN-GRU模型的状态监测和功率分解性能。

图6 负荷功率分解结果

表4 深度学习算法对比

图7 本文方法与CNN-GRU结果对比

从图7可以看出，针对功率较大、状态少且特征差异较大的设备，本文所提算法比常规CNN- GRU算法识别负荷工作状态精度提升5%～20%，负荷工作功率分解精度接近，提升1%～2%。但针对状态较多的用电设备时，本文算法精度更高，工作状态监测精度提升30%，功率分解精度提升6%。通过结果对比可知，本文神经网络结构在处理多分类问题时优势显著。

3.4 模型应用能力验证

考虑在一年中不同的外界环境下，家庭用户会有不同的用电场景，各场景下各电器的使用习惯也会出现相应变化，故为保证本文模型在全年时间段不同电器使用场景和不同用电习惯下都有较高的分解精度，选择AMPds2数据集中春夏秋冬的典型周以及度假周的真实数据(不包含在训练集中)作为测试集，其中夏季周选择2013年7月21日—27日，期间热泵使用频率降低，冰箱使用频率增大；冬季周选择2013年1月20日—26日，期间热泵使用频率增大，冰箱使用频率降低；春秋两季电器使用较为均衡，选择2013年4月14日—20日；度假周选择2013年8月1日—7日，期间只有热泵和冰箱维持基本运行。表5和表6分别展示了模型应对用户不同行为习惯时的状态监测与功率分解精度。

表5 状态监测结果(eF1-score)

表6 功率分解结果(eMAE)

由表5和表6可以看出，本文模型在面对不同的用电场景时，负荷工作状态监测误差均在10%以内，只有冰箱误差在10%左右。该模型功率分解的精度维持在较高的水平。

4 结论

本文提出一种基于改进GMM-CNN-GRU混合的NILM方法。首先对大规模负荷数据采用GMM聚类算法获取负荷状态特征库，然后输入改进CNN-GRU神经网络模型以实现非侵入式负荷状态监测与功率分解，所提方法具有以下优势。

1) 相比于K-Means聚类结果，本文所提GMM聚类方法的类簇更加灵活，面对同一电器功率接近但状态迥异的情况，可实现更加精准的分类，且与电器运行状态贴合度更高。

2) 在相同的训练数据下，本文所提改进CNN- GRU神经网络与CNN神经网络、LSTM神经网络和常规CNN-LSTM神经网络相比，在负荷状态监测和功率分解等方面具备更高的精度。

3) 本文主要选取了AMPds2数据集中符合我国国情的典型用电设备，其中洗碗机和干衣机在国内需求越来越高，本文模型将其考虑在内，符合未来家庭发展需要。热泵(暖通空调)在国内主要应用于公商业楼宇等设施，本文所设计模型在应用于工商业用户时也有一定的竞争力。

本文模型基于大量侵入式测量数据训练得到，而在实际应用中会面临侵入式用电设备功率数据不足的问题，如何利用少量的数据达到NILM的精度要求以及针对国内家庭用电情况进一步验证模型将成为下一步的研究目标。

[1] 张永生, 巢清尘, 陈迎, 等. 中国碳中和: 引领全球气候治理和绿色转型[J]. 国际经济评论, 2021(3): 1-18.

ZHANG Yongsheng, CHAO Qingchen, CHEN Ying, et al. China's carbon neutrality: leading in global climate governance and green transition[J]. International Economic Review, 2021(3): 1-18.

[2] 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.

[3] 李叶茂, 李雨桐, 郝斌, 等. 低碳发展背景下的建筑“光储直柔”配用电系统关键技术分析[J]. 供用电, 2021, 38(1): 32-38.

LI Yemao, LI Yutong, HAO Bin, et al. Key technologies of building power supply and distribution system towards carbon neutral development[J]. Distribution & Utilization, 2021, 38(1): 32-38.

[4] 盛四清, 吴昊, 顾清, 等. 含碳捕集装置的电气综合能源系统低碳经济运行[J]. 电测与仪表, 2021, 58(6): 82-90.

SHENG Siqing, WU Hao, GU Qing, et al. Low-carbon economic operation of integrated electricity and natural gas system with carbon capture devices[J]. Electrical Measurement & Instrumentation, 2021, 58(6): 82-90.

[5] 白云, 贾燕冰, 陈浩, 等. 计及供气充裕性的电- 气互联综合能源系统低碳经济调度[J]. 电测与仪表, 2021, 58(11): 32-38.

BAI Yun, JIA Yanbing, CHEN Hao, et al. Low-carbon economic dispatch of electric-gas interconnection systems considering gas supply adequacy[J]. Electrical Measurement & Instrumentation, 2021, 58(11): 32-38.

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

[7] 周东国, 张恒, 周洪, 等. 基于状态特征聚类的非侵入式负荷事件检测方法[J]. 电工技术学报, 2020, 35(21): 4565-4575.

ZHOU Dongguo, ZHANG Heng, ZHOU Hong, et al. Non-intrusive load event detection method based on state feature clustering[J]. Transactions of China Electrotechnical Society, 2020, 35(21): 4565-4575.

[8] BOZORG M, BRACALE A, CARAMIA P, et al. Bayesian bootstrap quantile regression for probabilistic photovoltaic power forecasting[J]. Protection and Control of Modern Power Systems, 2020, 5(3): 218-229.

[9] MADHIARASAN M. Accurate prediction of different forecast horizons wind speed using a recursive radial basis function neural network[J]. Protection and Control of Modern Power Systems, 2020, 5(3): 230-238.

[10]陈弘川, 蔡旭, 孙国歧, 等. 基于智能优化方法的相似日短期负荷预测[J]. 电力系统保护与控制, 2021, 49(13): 121-127.

CHEN Hongchuan, CAI Xu, SUN Guoqi, et al. Similar day short-term load forecasting based on intelligent optimization method[J]. Power System Protection and Control, 2021, 49(13): 121-127.

[11]刘云, 吴家宏. 计及电动汽车渗透率的台区负荷预测研究[J]. 电网与清洁能源, 2020, 36(1): 72-78.

LIU Yun, WU Jiahong. Research on forecasting of transformer area load considering the permeability of electric vehicles[J]. Power System and Clean Energy, 2020, 36(1): 72-78.

[12]仝新宇, 张宇泽, 张长生, 等. 基于广义回归神经网络的有源配电网网供负荷预测方法[J]. 供用电, 2020, 37(12): 40-45.

TONG Xinyu, ZHANG Yuze, ZHANG Changsheng, et al. Load forecasting method of active distribution network based on generalized regression neural network[J]. Distribution & Utilization, 2020, 37(12): 40-45.

[13]李强, 赵健, 王磊, 等. 配电网馈线负荷预测及风险评估预警分析方法[J]. 供用电, 2020, 37(5): 50-55.

LI Qiang, ZHAO Jian, WANG Lei, et al. Distribution network feeder load forecasting and risk assessment warning analysis method[J]. Distribution & Utilization, 2020, 37(5): 50-55.

[14] 杨立余, 陈昊, 黎明, 等. 非侵入式电力负荷多目标分解框架[J]. 电力系统保护与控制, 2020, 48(6): 100-107.

YANG Liyu, CHEN Hao, LI Ming, et al. A framework for non-intrusive load monitoring using multi-objective evolutionary algorithms[J]. Power System Protection and Control, 2020, 48(6): 100-107.

[15] 张安安, 庄景泰, 郭红鼎, 等. 结合图半监督与广义回归神经网络的非侵入式海洋平台负荷监测[J]. 电力系统保护与控制, 2020, 48(7): 85-91.

ZHANG An'an, ZHUANG Jingtai, GUO Hongding, et al. Non-intrusive offshore platform load monitoring based on graph-based semi-supervised learning and generalized regression neural networks[J]. Power System Protection and Control, 2020, 48(7): 85-91.

[16]朱永灿, 张鹏, 田毅, 等. 变电设备在线监测技术中的同步采集触发方法对比分析[J]. 中国电力, 2022, 55(3): 64-73.

HU Yongcan, ZHANG Peng, TIAN Yi, et al. Comparison of synchronous acquisition trigger methods in on-line monitoring technology of transformer equipment[J]. Electric Power, 2022, 55(3): 64-73.

[17]许易经, 韩学山, 杨明, 等. 基于设备在线监测的电网状态检修决策模型[J]. 电力系统自动化, 2020, 44(23): 72-81.

XU Yijing, HAN Xueshan, YANG Ming, et al. Decision-making model of condition-based maintenance for power grid with equipment on-line monitoring[J]. Automation of Electric Power Systems, 2020, 44(23): 72-81.

[18] KELLY J, KNOTTENBELT W J. Neural NILM: deep neural networks applied to energy disaggregation[M]. Springer International Publishing, 2015.

[19] VERMA S, SINGH S, MAJUMDAR A. Multi-label LSTM autoencoder for non-intrusive appliance load monitoring[J]. Electric Power Systems Research, 2021, 199.

[20] 王轲, 钟海旺, 余南鹏, 等. 基于seq2seq和Attention机制的居民用户非侵入式负荷分解[J]. 中国电机工程学报, 2019, 39(1): 75-83.

WANG Ke, ZHONG Haiwang, YU Nanpeng, et al. Nonintrusive load monitoring based on sequence-to- sequence model with Attention mechanism[J]. Proceedings of the CSEE, 2019, 39(1): 75-83.

[21] ZHOU X, FENG J, LI Y. Non-intrusive load decomposition based on CNN–LSTM hybrid deep learning model[J]. Energy Reports, 2021, 7: 5762-5771.

[22] 燕续峰, 翟少鹏, 王治华, 等. 深度神经网络在非侵入式负荷分解中的应用[J]. 电力系统自动化, 2019, 43(1): 126-132.

YAN Xufeng, ZHAI Shaopeng, WANG Zhihua, et al. Application of deep neural network in non-intrusive load disaggregation[J]. Automation of Electric Power Systems, 2019, 43(1): 126-132.

[23] LI Kehua, MA Zhenjun, ROBINSON D, et a1. Identification of typical building daily electricity usage profiles using Gaussian mixture model-based clustering and hierarchical clustering[J]. Applied Energy, 2018, 231: 331-342.

[24] Model-based clustering and Gaussian mixture model [EB/OL]. [2017-01-02]. https://en.proft.me/2017/02/1/ model-based-clustering-r/.

[25] 张美霞, 李丽, 杨秀, 等. 基于高斯混合模型聚类和多维尺度分析的负荷分类方法[J]. 电网技术, 2020, 44(11): 4283-4296.

ZHANG Meixia, LI Li, YANG Xiu, et al. A load classification method based on gaussian mixture model clustering and multi-dimensional scaling analysis[J]. Power System Technology, 2020, 44(11): 4283-4296.

[26] KIM Y. Convolutional neural networks for sentence classification[Z]. 2014.

[27] LIU S, YOU S, ZENG C, et al. Data source authentication of synchrophasor measurement devices based on 1D-CNN and GRU[J]. Electric Power Systems Research, 2021, 196: 107-207.

[28] MAKONIN S, ELLERT B, BAJIC I V, et al. Electricity, water, and natural gas consumption of a residential house in Canada from 2012 to 2014[J]. Scientific Data, 2016, 3: 1-12.

[29] 周志华. 机器学习[M]. 北京: 清华大学出版社, 2016.

[30] 何敏瑶. 非侵入式家庭用户负荷监测算法研究[D]. 西安: 西安理工大学, 2021.

HE Minyao. Research on household non-invasive load monitoring algorithm[D]. Xi’an: Xi’an University of Technology, 2021.

[31] MENGISTU M A, GIRMAY A A, CAMARDA C, et al. A cloud-based on-line disaggregation algorithm for home appliance loads[J]. IEEE Transactions on Smart Grid, 2019, 10(3): 3430-3439.

[32] MOON T K. The expectation-maximization algorithm[J]. IEEE Signal Processing Magazine, 1996, 13(6): 47-60.

Non-invasive load monitoring based on an improved GMM-CNN-GRU combination

YANG Xiu1, LI An1, SUN Gaiping1, TIAN Yingjie2, LIU Fang1, PAN Ruiyuan1, WU Jihai1

(1. School of Electric Power Engineering, Shanghai University of Electric Power, Shanghai 200090, China;2. East China Electric Power Research Institute, Shanghai 200437, China)

A non-intrusive load monitoring method based on Gaussian mixture model clustering combined with a deep neural network is proposed to explore the potential of energy saving and emission reduction at the customer side. It also fine-tunes the analysis and management of customer electricity consumption behavior, and improves the efficiency of electricity use. First, we tackle the problem that the same electrical appliance often has similar power but inconsistent operating status. In order to classify the load working status in fine manner, the advantages of "soft classification" and flexible clustering in the Gaussian mixture model clustering algorithm can be used to form a load status feature library that conforms to the actual operating conditions of electrical equipment. Secondly, note that in the common deep neural networks applied to non-invasive load monitoring models, there are problems such as low recognition accuracy in multi-label classification. Thus a deep neural network model with a mixture of convolutional neural networks and gated recurrent units is proposed. Finally, the validation analysis is carried out on the AMPds2 dataset by considering the influence of external environmental data on the energy consumption habits of household users, and the results are compared with other models. The results show that the proposed non-invasive load monitoring model has high accuracy.

non-invasive load monitoring and decomposition; Gaussian mixture model clustering; convolutional neural networks; gated recurrent unit; deep learning

10.19783/j.cnki.pspc.211238

国家自然科学基金项目资助(61872230)；上海电力人工智能工程技术研究中心研究项目资助(19D72252800)

This work is supported by the National Natural Science Foundation of China (No. 61872230).

2021-09-08；

2021-12-09

杨 秀(1972—)，男，教授，博士生导师，从事分布式发电与微电网技术；Email: yangxiu721102@126.com

李 安(1997—)，男，硕士研究生，从事非侵入式负荷监测与分解；E-mail: spiderla97@163.com

孙改平(1984—)，女，讲师，从事电力系统优化调度。E-mail: sunfrog2002@163.com

(编辑 许 威)