基于改进卷积神经网络的非侵入负荷辨识方法研究

李莉,黄友金,熊炜,汪敏,阳东升

(1.贵州电网有限责任公司电力科学研究院, 贵阳 550002; 2.贵州大学, 贵阳 550025)

0 引 言

随着电网规模不断增大,传统的单一供配电功能已经不能满足社会经济发展的需求,“泛在电力物联网” (ubiquitous power internet of things,UPIoT)被提出[1]。非侵入式负荷监测(non-intrusive load monitoring, NILM)作为客户侧泛在电力物联网重要技术之一,不仅有助于电力公司加强负荷管理,还可以引导用户合理安排负荷的使用,为实现以家庭电力用户为主体的需求侧响应和满足居民用户对精准精益用电服务需求提供了重要的技术支持[2-3]。

数据采集是非侵入式负荷监测的基础,目前大部分的研究基于对负荷数据的高频采样,但高频采集对采样硬件设备的要求高,需要存储的数据多,推广难度大。因此,在低频采样下进行负荷辨识成为国内外研究的热点[4]。文献[5]利用Karhuen-Loeve变换将低频采样的有功功率信号分解成子空间分量,从而构造负荷特征来进行负荷辨识;文献[6]提出了一种基于谱图理论的非侵入式负荷识别方法,通过低频采样的负荷有功功率信号来提取负荷特征进行负荷辨识;文献[7]以低频采样得到的负荷稳态电流为特征,利用差分进化算法来进行负荷辨识;文献[8]对不同负荷组合的有功功率进行低频采样,提取不同负荷组合的负荷特征建立负荷特征库,然后通过计算相似度,选最大相似度的组合来实现负荷辨识;文献[9]使用低频采样下的负荷有功数据,通过计算负荷组合功率与总负荷功率的偏差,来辨识负荷投切状态。低频采样虽然更利于推广,但是由于采样频率低,获取的负荷数据包含的特征信息较少,因此,在低频采样下特性相似的负荷辨识难度较大,以上这些方法虽然能够应用在低频采样场景下,但是对具有相似特征的负荷辨识效果不佳。

为了解决上述问题,文章通过采集特性相似的家用负荷运行数据,选取负荷投入时的暂态变化过程为负荷特征,结合卷积神经网络方法实现特征相似负荷的辨识。最后,用REDD数据集进行验证,证明文章方法的可行性和有效性。

1 非侵入监测系统与算法原理

非侵入式负荷监测的原理是通过对用户的总体负荷数据进行分解获取单个设备的运行数据,然后提取负荷特征进行负荷辨识,进而获取设备的具体使用情况[10]。其监测系统示意图如图1所示。

图1 非侵入式负荷监测

1.1 事件检测

事件检测旨在通过判定是否有负荷的状态发生变化,从而提取事件发生点前后的负荷数据实现负荷辨识。但是电力系统中噪声和存在功率连续变化的负荷都可能造成波动变化,从而导致对事件的误判。因此,保证事件检测准确率的关键在于降低对噪声和功率连续变化负荷造成的误判率。

采用基于滑动窗的累积和(cumulative sum,CUSUM)暂态事件检测算法[11-12],它能根据电气量的变化准确检测到电气设备投切等引起的系统暂态过程,具有算法简单、抗干扰能力强的优点。其基本思想在于：当监测量的CUSUM明显高于正常平稳运行条件下的平均水平时,就表明系统产生了变化,通过该变化可判断系统出现了暂态过程,事件检测算法过程如图2所示。

图2 基于滑动窗的CUSUM算法

该方法通过添加WM和WD两个窗口提取数据以实现变点检测,WM窗口提取的数据用于计算时间序列的均值,WD窗口提取的数据用于变点检测。变点检测的方法如下：

(1)

(2)

1.2 暂态电流波形

在低频采样下,当负荷的工作模态发生变化时,不同类型负荷投入时的电流变化波动相差较大,可以作为非侵入式负荷辨识的负荷特征,如图3所示。

图3 负荷的暂态电流波形

负荷a为1 500 W热水壶,主要元件为纯电阻,其投入时暂态电流波形类似一个阶跃函数,能够直接进入稳态;负荷b为1 500 W暖风机,主要元件为正温度系数热敏电阻,其投入时暂态电流波形呈现的是阶跃上升再缓慢下降的过程,持续时间约为7 s;负荷c为900 W小太阳,主要元件为电热辐射元件,其投入时暂态电流波形呈现的是阶跃上升再快速下降的过程,持续时间约为0.75 s。由于卷积神经网络(convolutional neural networks,CNN)在图像相关任务上表现优异,采用卷积神经网络提取波形图像特征进行负荷辨识。

1.3 卷积神经网络

使用的卷积神经网络CNN结构如图4所示,由3个基本功能层,即卷积层、池化层和全连接层组合而成。各个功能层由多个相互独立的神经元构成,不同层间的神经元相互连接,同一层中数个神经元之间无连接。输入数据按照网络结构,分别经过卷积层的卷积运算提取特征,池化层的池化运算降低维度,最后在全连接层得到分类的过程[13-14]。

图4 卷积神经网络结构

1)卷积层。

为了提取图像的局部特征,将像素矩阵分为一个个局部块。在卷积层内以局部块为单位与卷积核进行卷积,其过程可表示为：

(3)

2)池化层。

池化层的过程如式：

(4)

式中down(·)代表池化方式。常用的池化方式如图5所示,分别为以平均值来取代对应区域的均值池化和以最大值来取代对应区域的最大池化。

图5 池化方式

池化层通过模仿人类的视觉系统,对卷积层提取的特征进行降维和抽象操作,其目的为在保持特征信息不变的情况下,减小特征矩阵的维度,减少计算量,提高运算速率。同时在一定程度上防止过拟合,有利于网络参数的训练。

3)全连接层。

全连接层将卷积层提取的特征进行整合,降低特征位置对分类结构的影响,通过将特征映射到样本的标记空间得到分类结果。常用的方式是通过SoftMax函数将网络输出的特征值转换为图像的分类概率,最后选取概率最大的类别作为分类结果输出。SoftMax函数表达式如下所示：

(5)

式中Sj为图像属于类别j的概率;c为图像总类别数;aj为图像属于类别j的特征值。

损失函数用于计算网络输出结果与样本真实标记之间的误差,计算的误差用于反向传播过程的参数训练。对于分类任务,常用的损失函数为交叉熵函数,其公式如下：

(6)

式中N为样本数;yi为真实标记;S为样本i的预测结果;c为样本类别数。

4)辨识流程。

用CNN进行负荷特征的辨识流程如图6所示。

图6 CNN辨识流程

主要为三个部分：

步骤1：数据的采集与处理。通过监测电力用户的入口处电流,采集用户的总负荷运行数据,通过事件检测确定负荷投入的时间点从而提取负荷的暂态电流数据。用提取得到的暂态电流数据绘制电流波形图像,然后将图像转为像素矩阵。

步骤2：训练CNN网络。使用CNN进行分类前需要对网络参数进行训练,其中网络参数初始化是关键步骤之一,理想的网络参数初始化可以提高训练效率,反之会影响网络收敛甚至导致训练失败。

步骤3：负荷辨识。使用测试集数据对训练好的CNN进行验证,通过分类结果与测试集的标签计算负荷的辨识率。

1.4 相似特征负荷的辨识

采用电能质量分析仪Fluke434实现负荷数据采集,采样频率为4 Hz,共包括5种阻性负荷,分别为多用锅、暖风机、热水壶、电吹风和小太阳共10个设备的8 200份负荷数据。其中训练集为8 000份数据,测试集为200份数据。

首先,将采集得到的暂态电流数据绘制成像素为28×28的图像,如图7所示,其中负荷e和f属于不同品牌的热水壶。

图7 实测数据的暂态电流波形

其次,将原始输入图像转为28×28的像素矩阵,通过卷积层1的10个5×5卷积核对像素矩阵进行特征提取,将计算得到的特征值与偏置相加再通过线性整流函数产生10个24×24的特征映射图传递至池化层1,图8所示的是各负荷的特征图中的其中一张。

图8 卷积层1的输出

经过池化层1的池化处理后,得到10个12×12的特征映射图,通过卷积层2的10个5×5卷积核对这些特征映射图进行特征提取,将计算得到的特征值与偏置相加再通过线性整流函数产生10个8×8的特征映射图传递至池化层2,图9所示的是各负荷的特征图中的其中一张。

图9 卷积层2的输出

经过池化层2的池化处理得到10个4×4的特征映射图,最后将这些数据输入到全连接层中,用reshape函数进行整合,再用SoftMax函数将网络输出的特征值转换为图像的分类概率,最后选取概率最大的类别作为分类结果输出。图10为卷积神经网络的损失值曲线,可以得出模型在迭代200次后,损失值趋于平缓达到收敛状态。

图10 卷积神经网络损失值曲线

辨识结果如图11所示,部分负荷辨识效果不佳,600 W电吹风2的辨识率为70%,1 500 W热水壶2的辨识率为55%,900 W小太阳1的辨识率为75%,600 W小太阳2的辨识率为35%,450 W多用锅1、2 000 W电吹风2、1 500 W热水壶1和1 500 W暖风机1的辨识率为0,这是因为在辨识过程中,CNN对这部分负荷的提取特征重叠情况严重,最后被识别成其它负荷。

图11 CNN辨识结果

因此仅仅以负荷投入时的暂态波形图像为负荷特征,针对特征相似的负荷CNN辨识结果不佳,需要引入电流值特征提高辨识效果。

2 基于CNN的负荷辨识方法改进

表1所示是家用负荷的电流值均方根,结合图8和表1可以得知具有相同电流波形的负荷,其电流值均方根的分布区间具有差异性,因此,可以通过暂态电流波形结合电流值均方根进行负荷辨识。

表1 负荷的电流值均方根

选取在图像特征中添加电流值均方根,具体的过程如图12所示。首先计算各负荷的电流值均方根,依据电流值均方根的分布区间对负荷进行排序;其次构建一个n×3颜色图矩阵,n为负荷总数,每一行代表一种颜色的RGB向量,颜色图矩阵的形成可利用MATLAB中的colormap函数;然后将负荷电流值均方根与颜色矩阵对应,负荷的序号对应于颜色图的行数;最后将负荷电流值均方根对应的颜色作为暂态电流波形的图像背景色,即将提取的负荷数据转换为带色彩特征的图像。

图12 添加色彩特征流程

在负荷的暂态电流波形图像上添加色彩特征后,再采用卷积神经网络对其进行特征提取,完成负荷辨识流程,其辨识流程如图13所示。

3 实验分析

3.1 实测数据

将负荷的暂态电流波形图像添加色彩特征如表2所示,对于图形相似的负荷具有不同的背景色,而相同背景色的负荷具有不同的图形,各负荷的特征图像都具有较高的辨识性。

图13 改进方法辨识流程

表2 带色彩的暂态电流波形

辨识结果如图14所示,添加色彩特征之后,减少了负荷特征重叠的情况,负荷特征之间的差异性增大,因此负荷的辨识率提高至93.5%。

图14 改进方法的辨识结果

使用CNN对带色彩特征负荷暂态电流波形图进行分类可以做到对特性相似负荷的辨识。添加色彩特征后,使得CNN在提取波形相似的负荷暂态电流波形图像特征时能够同时获取负荷电流值特征,提高了负荷之间的辨识度。如450 W多用锅2和2 000 W电吹风1的辨识率由0达到了100%,600 W小太阳的识别率由35%达到95%。但是热水壶的识别率比较低,为75%,这是因为两者特性过于相似,在识别过程中两者的负荷特征发生了重叠,对辨识造成了干扰,导致辨识结果较差。

3.2 REDD数据集

选取了负荷识别参考数据集(reference energy disaggregation data set,REDD)[15],对基于卷积神经网络算法进行验证。REDD数据集采集了6个家庭的负荷运行数据,有高频数据和低频数据。其中高频数据是以16.5 kHz的采样频率对其中两个家庭(分别为House3和House5)的电压和电流数据进行采集,低频数据采集了6个家庭的负荷运行数据,以1 Hz的采样频率采集每个家庭的总负荷视在功率数据,以0.3 Hz的采样频率采集单设备的视在功率。文中选取了其中4个负荷,分别为Lighting、Microwave、Oven和Refrigerator。功率曲线如图15所示,其中Refrigerator1和Refrigerator2分别表示Refrigerator的两种工作状态的功率曲线。

图15 负荷的功率曲线

负荷Lighting、Microwave和Oven存在暂态功率曲线相似的情况,因此提取了功率值均方根来辅助辨识,表3为各负荷的功率值均方根。结合图15和表3可以得知在相同功率曲线类型下的负荷的功率值均方根分布区间不同,可以通过暂态功率曲线结合功率值均方根进行特征相似负荷辨识。

表3 负荷的功率值均方根

改进方法的辨识结果如图16所示,能够有效地辨识出负荷,辨识率达到100%。

4 结束语

针对非侵入式负荷辨识中低频采样信号分辨率低,负荷特征易重叠,以及卷积神经网络不能有效辨识具有相似波形特征负荷的问题,提出了融合暂态电流波形和时域特征的改进方法,即将暂态电流值均方根融合到电流波形图像,以提升相似波形特征负荷的辨识正确率。

图16 改进方法的辨识结果

通过用实测数据和REDD数据集进行验证,表明改进后的方法能够在低频采样下有效辨识负荷。但是,改进方法使用时域特征的差别对特性相似的负荷进行辨识,且在图像辨识方面还是存在辨识错误的情况。下一步工作应开展负荷暂态时频域特征的进一步研究,以及负荷切除的辨识研究,以提高辨识率,实现家用负荷能耗的动态监测。