基于大数据分析的非侵入式电力负荷数据分类

梁凌宇，黄文琦，袁红霞，赵翔宇

（南方电网数字电网研究院有限公司，广东广州 510700）

非侵入式负荷是电力负荷的主要使用方式之一，非侵入式电力负荷监测通常只要求在电能供应的入口处设置非侵入式监测装置，可以检测系统内部负载。采用非侵入式负荷分解方法，能够防止终端电源中断，且不需要设置更多的监测装置。因此，非侵入型电力负荷设备将是未来发电负荷监测开发的主要目标之一。

相关领域学者针对非侵入式电力负荷数据分类进行了研究。文献[1]基于智能电能表大数据分析确定非侵入式短时多节点负荷预报，对非侵入式多节点短期预报的途径开展探讨，深入研究集聚效应对负载建模与预报的作用，从而实现对非侵入式短时多节点的负荷预报，但此方法运算时间较长，运算量大，效率低。文献[2]基于深度学习与迁移学习提出公共楼宇中非侵入型负荷，该模式将三种神经网络并联连接，并融合网络特性，通过再学习模块重新学习融合特性和结果之间的映射关系，完成对非侵入式负荷的分解，该方法在分解过程中所需要的费用较高。

大数据分析方法具有分析数据量大、数据维度高、交互性大等特点。为了解决上述问题，提出基于大数据分析的非侵入式电力负荷数据分类方法。

1 非侵入式电力负荷数据采集和处理

非侵入式电力负荷数据主要从暂态和稳态两方面进行分解，所以数据采集分为暂态和稳态两部分。稳态负荷数据主要包括三种负荷数据，分别是阻性负荷、容性负荷和感性负荷数据，对电器重复开关获取充分的稳态负荷数据后，记录形成的数据[3-4]。暂态数据采用公共电器作为数据来源，其目标是单独跟踪每台设备的电气，确定每台设备改变运行状态的时间，以此建立暂态负荷数据集[5-6]。建立的负荷数据集如图1 所示。

图1 负荷数据集

完成电力负荷数据采集后，采用软阈值的方式对数据进行去噪处理[7]。对电力负荷数据进行分析，如式（1）所示：

其中，M表示常数对数阈值；n表示电力负荷数据产生的信号长度。根据式（1）得到的阈值函数对电力负荷数据进行去噪处理，如式（2）所示：

其中，S表示去噪后的数据集；Z表示去噪次数；IZ表示去噪前的电力负荷数据[8]。将采集到的暂态数据和稳态数据统一到数据集内部，完成对非侵入式电力负荷数据的采集与处理。

2 非侵入式电力负荷数据分解

通过建立电力负荷分解数学模型对非侵入式电力负荷数据进行分解[9-10]。非侵入式电力负荷分解算法分为两部分，分别是训练和测试。训练过程中，通过谐波分析求取特征参数矩阵上幅值函数的谐波相位角；测量部分过程中，对计算得出的电力系统终端的电压进行单一负载分析。非侵入式电力负荷数据分解流程如图2 所示。

图2 非侵入式电力负荷数据分解流程

在进行训练时，需要计算供电系统中每个类别的负载独立运行后的稳态电压波形，对每个单相负载的稳态电压波形加以谐波分析，从而得出负载电压的基波和谐波的频率、相位等数据，将得到的负荷幅值和相位值填入特征参数矩阵[11-12]。

依靠非侵入式电力负荷分解算法建立电力负荷分解数学模型，当供电电压达到国家标准规定时，供电负荷为正常工作状况下的稳态电压，包含基波和各次谐波，具有一定的统计规律[13-14]。根据傅里叶分析理论，单个负荷工作时的电流可以表示为电流基波和次波的叠加如式（3）所示：

其中，In表示电流基波；i表示单次叠加电流；w表示叠加次数；θ表示电流基波的最初相位角；t表示电流中基波的幅值。通过标幺值的方式表示输出的各次谐波传动分量间的联系[15]。叠加电流基波后得到式（4）：

其中，an表示电流基波叠加前后的比例关系，式（4）为完整的非侵入式电力负荷数据的分解数学模型，其目的是将单独一种或者一类负荷电流分解成为不同电流基波和各次谐波含量的叠加。当电力系统内只有一种或者一类负荷工作时，可以通过比对不同种类负荷的电流基波和各次谐波参数，构建特征空间，识别正在工作的负荷种类。

3 非侵入式电力负荷数据分类

通过分析分解后的数据对非侵入式电力负荷数据进行分类，基于大数据分析的k 均值聚类法与随机森林算法对非侵入式电力负荷数据进行分类，分类过程如图3 所示。

图3 负荷数据分类过程

根据图3 可知，负荷数据分类通过聚类分析划分分解后的非侵入式电力负荷数据，将其分割成多个互斥的簇，通过随机森林算法对电力负荷数据进行分类。

3.1 相似性度量

采用欧氏距离法对非侵入式电力负荷数据的相似性进行分类，由于电力负荷数据的相似性度量具有特殊性，作为相似性测量的电力负荷信号需要有很大的信噪比，因此必须做好去噪平滑工作。利用相似性度量方法进行比较处理，通过测量电力负荷参数的相似性确定运算距离。

两种电力负荷数据间的距离是非负的，当且仅当两个时间序列完全相同时，距离为0。满足对称性，如式（5）所示：

其中，m表示电力负荷数据在欧氏距离中的坐标；x、y分别为横坐标与纵坐标。

根据对称性分析建立三角不等式，如式（6）所示：

基于以上假设，将电力负荷数据数值作为相似性的表示方式，用对应时间点之间的欧氏距离之和作为距离，完成对电力负荷数据的相似性度量。

3.2 非侵入式电力负荷数据分类

完成相似性度量后，便可利用随机森林算法对非侵入式电力负荷数据进行分类。采用k 均值聚类方法进行聚类，假定所有电力负荷数据集的平均数为X，而标准差为，则X的标准化因子如式（7）所示：

其中，Xan表示电流基波叠加前后的平均数，Xn表示X的标准化因子。标准化变量的数学期望值为0，而方差则为1[16]。通过简单推理，可以得出元素间的标准化欧氏距离的方法，如式（8）所示：

根据式（8）确定样本空间中标准欧氏距离最大的k个样本，针对样本进行分类：采用标准欧氏距离计算电力负荷数据集矩阵中元素之间的距离，输出最大的距离及其样本的下标，记录距离最大的两个样本作为聚类中心，计算矩阵中各个样本之间的距离，生成聚类中心，利用随机森林算法对生成的聚类中心进行分类，以此完成对非侵入式电力负荷数据的分类。

4 实验研究

为了验证提出的基于大数据分析的非侵入式电力负荷数据分类方法的有效性，选用某大数据平台作为实验对象进行实验。设定实验过程中的额定电压为200 V，额定功率为1 000 W，选择的功率因数为0.60。实验环境如图4 所示。

图4 实验环境

根据图4 可知，实验的数据集主要来自数据库，通过FIFO 技术完成中断和读写工作，同时设定拦截器进行信息拦截，利用采集器、显示器、变压器和处理器同时处理输入信号。

利用上述实验数据检测电力负荷数据特征，分别得到暂态电力负荷数据特征和稳态电力负荷数据特征，如图5 所示。

图5 负荷数据特征

在分析电力负荷数据特征后，利用上述实验环境，同时选用所提方法和文献[1]方法、文献[2]方法进行实验对比，比较电力负荷的分类误差，误差计算公式如下：

其中，Z表示分类误差；F表示分类的错误电力负荷数据；T表示分类的正确电力负荷数据。

设定10 次实验，得到的误差分类结果如表1 和表2 所示。

表1 暂态电力负荷数据误差率实验结果

表2 稳态电力负荷数据误差率实验结果

根据表1 可知，由于暂态电力负荷数据具有极强的不稳定性，文献[1]方法的误差率基本在14%以上，文献[2]方法误差率始终在20%以上，在完成分类后，仍需要花费大量时间进行筛选，难以达到用户要求。而所提方法具有很强的分类结果，误差率始终低于5%，因此实际应用效果更好。

根据表2 可知，由于稳态电力负荷数据具备一定的稳定性，所提方法的分类误差最小，始终低于0.30%，而文献[1]方法和文献[2]方法的误差始终在5%附近波动，后续仍然花费一定时间进行筛选，消耗成本相对较高。

综上所述，所提方法对于暂态和稳态电力负荷数据都有较好的分类效果，能够很好地减少后续筛选时间，降低分类工作成本。

5 结束语

非侵入式电力负荷数据分类能够提高用户的用电体验，并实时监测用电情况，减少经济成本。并引入大数据分析技术深入分析数据特点，通过实验证明，所提方法的分类效果较好，可满足电力负荷数据的分类要求。