基于IBPSO的非侵入式多负荷投切行为辨识方法*

2018-09-03刘兴杰许月娟

电测与仪表 2018年13期

刘兴杰，许月娟

(华北电力大学(保定)，河北保定 071003)

0 引言

家用负荷是电力用户侧管理的重要组成部分，集中体现了电网的智能化程度，家庭负荷投切行为的辨识是电力需求侧管理的关键技术，通过辨识技术，及时了解用电行为习惯，积极响应节能政策，促进用户合理用电，对未来电力市场的发展具有重要意义[1-4]。

负荷用电信息的监测分为侵入式和非侵入式两种，非侵入式负荷监测技术因成本低，安装方便且维护简单等优点[5-6]，成为近年来研究的重点。目前，国内外学者对家用负荷投切行为的辨识展开了广泛的研究，文章[7]基于智能能源管理系统构架，通过响应资源调制机制对用户用电行为进行了优化。文章[8]通过采集智能电表中的负荷用电数据，挖掘隐藏的用电行为习惯，为电力需求侧响应政策的制定提供了一定的数据支持。对负荷投切行为的特征进行辨识时，选择的特征包括功率、电流谐波、谐波能量等，取得一定的研究成果，但对单一特征的辨识精度仍有待提高。另一方面，对负荷投切行为辨识算法的研究较多，包括人工神经网络[9]、遗传算法[10]、聚类[11]等算法，而与前面所述算法相比，粒子群优化算法(Particle Swarm Optimization，PSO)是一种基于群体的优化工具，更适合科学研究和工程应用[12]，成为研究的焦点。文章[13]对PSO的加速系数和更新速度做了优化，对盲信号分离十分有效。文章[1,14-15]对PSO中的编码模式和适应度函数做了优化，但仍然是在PSO基础上对连续量的研究。最早由Kenned博士和Eberhart博士提出的二进制算法(BPSO)，将PSO中各部分进行二进制处理，在二进制变量空间寻求最优解[16]，该算法在离散优化问题上效果明显。但是，在现有的对家用负荷的研究中，只有对单一家庭的负荷辨识，而从单元或小区的电力服务入口(Electric Service Entrance，ESE)对多个家庭的负荷辨识研究很少。为了全面了解居民用户的用电行为，制定需求侧响应政策，对一个小区或者一栋楼的电力负荷投切行为的辨识是必要的。

因此，提出改进的二进制粒子群优化算法(IBPSO)，融合有功功率和电流谐波作为负荷投切行为的特征，并在IBPSO适应度函数中引入距离测度法，对一个单元中多负荷投切行为进行辨识。该算法可以有效辨识多负荷同时投切行为，为了解居民用电行为和非侵入式负荷监测系统(NILMS)的设计提供科学依据。

1 电力负荷投切行为特征

常见的家用负荷通常可分为两类：线性负荷和非线性负荷。线性负荷即为阻性负荷，主要有白炽灯和各类电热负荷，包括电暖炉、电暖壶、电饭煲等，此类负荷的谐波含量少，且暂态过程平缓；非线性负荷又分为容性负荷和感性负荷，笔记本电脑、液晶电视等为容性负荷；电风扇、吹风机、洗衣机等为感性负荷。这类负荷普遍有启停电源、线圈或电机，部分谐波含量较髙，投切时可能伴有冲击电流现象[17]。

各负荷间的功率和电流谐波含量不完全相同，以二者融合作为负荷投切时的特征，具有较好的可辨识性。

1.1 负荷功率

非侵入式负荷监测系统的ESE采集电压、电流信号，经过功率计算公式计算得到的功率是居民单元某时刻各负荷总的功率消耗。为了便于分析，假定该单元有n个家庭，每个家庭中均选择m个典型负荷，总功率的计算方程为：

式中i表示表示该单元家庭个数；j表示每个家庭中负荷的个数；Pij即第i个家庭，第j个负荷的功率。

1.2 负荷电流谐波特征

根据基尔霍夫电流定律可知，ESE监测的电流由各个出口支路的电流线性叠加得到，即总电流是各个用电设备投切时电流的叠加[16]。采用电流信号的频域表达来构建电流特征，以此作为负荷投切行为特征。在1.1中假设基础上，总的电流表达式为：

式中iij表示第i个家庭中第j个负荷投入时的电流。

快速傅里叶变换(Fast Fourier Transformation，FFT)是离散傅里叶变换(DFT)快速算法，可以将原来难以处理的时域信号转换成了易于分析的频域信号(信号的频谱)，而对非周期性信号的处理得到了广泛的应用[18-19]。DFT的计算方程为：

k=0,1,...,N-1

(3)

FFT利用DFT中的周期性和对称性，按K的奇偶分成两组进行分解，使整个DFT的计算变成一系列迭代运算，可大幅度提高运算速度，计算方程为：

k=0,1,...,N-1

(4)

采用FFT将电流信号变换到频域，此时，每个负荷投入时的电流可用频域内的一组谐波幅值进行表征。以第一个家庭为例，每个负荷的电流为：

式中ω为基波角频率；ijl表示第一个家庭中第j个负荷投入时l次电流谐波；Ijl是ijl各次谐波的幅值。

将每个负荷投切时的电流，进行FFT分解后得到的一组谐波幅值和功率，融合为(k+1)维的数组，作为单一负荷投切时的特征，如公式(6)所示：

S=[IijP]1×(k+1)

(6)

2 IBPSO辨识算法

2.1 BPSO算法

PSO最初用于处理连续优化问题，相关研究也主要集中在连续函数方面，即其速度、加速度等变量都是连续的[12-14,16]。目前已有的研究中，多将PSO用二进制进行编码，再转化为十进制数，实质上仍是连续优化问题。然而，工程实际中，很多问题是离散的，这就需要将基本的PSO在二进制空间进行扩展。因此，将PSO算法中的速度变量、学习因子等都用[0,1]区间的数表示，位置变量用0或1的二进制数表示，并进行优化，且免去了二进制与十进制相互转化的问题。

位置变量的维数由该非侵入式负荷监测系统所包含的用户负荷的种类和数量决定，每一位都用二进制表示。假设该系统由5户，10种负荷组成，位置变量的取值范围为：[0,0,...,0]1×50～[1,1,...,1]1×50，在位置更新过程中，每一位在0和1之间翻转，1表示负荷投入，0表示负荷切除[1,17]。位置变量中每相邻的5位表示5户家庭对该负荷的使用情况，“0,0,0,0,0”表示5户家庭都未开启该负荷，“1,1,1,1,1”表示5户家庭同时开启了该负荷。位置变量与负荷特征数据库信息拟合匹配，进行求解。

2.2 引进随机惯性权值的IBPSO算法

传统BPSO算法通过二进制变量某些位在0与1之间的翻转来实现粒子位置的更新，所提IBPSO算法在此基础上，结合PSO算法在连续区间对惯性常数的改进，引进随机惯性权值w。此时，粒子的更新速度用来表示该二进制变量的翻转概率，迭代方程为：

vid=wvid+φ(pid-xid)+φ(pgd-xid)

(7)

式中xid表示粒子的位置；vid表示粒子位置的变化率；w为随机惯性权值；rand( )用于表示区间[0,1]的随机数；φ是常数，称为学习因子；pid和pgd分别表示粒子的局部最优位置和全局最优位置，pid和pgd都只能是0或1;vid表示概率，其值限制在[0,1]区间。

从PSO算法的位置运动方程可知，粒子更新过程中，其位置还与运动速度有关，但它无法保证迭代后的粒子位置取0或者1。为避免这种情况的发生，IBPSO算法将粒子位置的更新方程进行修改，即：

sig()是一个转换限制函数，保证迭代过程中的每个分量都限制在[0,1]区间。vid越大，粒子的位置取1的概率越大；反之，取0的概率越大。

2.3 适应度函数

距离测度法作为计算两个向量的相似程度的常用方法，主要包括明式测距法、Manhattan测距法、Camberra测距法等，其中欧式测距法在一定程度上放大了较大元素误差在距离测度中的作用，被各个领域广泛应用[20]。欧式测距法的计算方程为：

式中Xi为待分解信号；Yi为待比较信号。

将上述欧式测距法融合到IBPSO算法中的适应度函数中，对电力负荷的投切行为进行辨识。文中用ai表示负荷的投切状态，负荷辨识时的适应度函数为：

适应度函数值越小，相关性越强，因此，非侵入式负荷投切行为的辨识转化为求一组使得目标函数取得最小值的解。

2.4 算法步骤

该算法为了扩展PSO的适用范围，扩展到了二进制变量空间；为加快收敛速度，在最初的BPSO中引入了随机惯性权值，且为了避免粒子在更新过程中出现不为0或1的现象，对粒子位置更新的公式做了修改，具体步骤如下：

(1)初始化种群，包括种群粒子状态，速度和适应度；

(2)计算粒子的适应度值；

(3)对每个粒子，将其所在位置的适应度与其自身经历过的最好位置pid的适应度作比较，优化该粒子的最好位置pid；

(4)对每个粒子，将其pid的适应度值与全局最好位置pgd适应度值作比较，优化种群的最好位置pgd；

(5)根据式(7)～式(9)更新每个粒子的速度和位置；

(6)判断是否符合结束条件，若是，则算法结束；否则返回(2)。

结束条件：达到最大迭代次数或预定目标函数值。

3 仿真分析

为了验证IBPSO算法对多负荷投切行为辨识的有效性，对某小区一单元五户居民常用负荷及其数量做了调研整理，采用7种常用的用电设备：电风扇、电热器、烧水壶、微波炉、电饭煲、台式电脑和电视机，平均功率分别为60 W、600 W、1 200 W、800 W、1 800 W、600 W和120 W，负荷的等效模型参考文献[21]，由单一负荷投切时的电流谐波幅值和功率特征搭建数据库，以便对未知负荷的投切信息进行匹配辨识。单一负荷投切时的特征参考文献[16]，并取电流的10次谐波幅值特征，数据库信息如表1所示。

表1 单一负荷特征数据库Tab.1 Single load feature database

文章针对7种负荷常用的型号电器进行了多次仿真实验分析，采集并保存负荷投切时的电压、电流信息，提取电流谐波和功率特征，在表1数据库的基础上进行了扩充。为了验证该算法对非侵入多负荷投切行为辨识的有效性，设置了三组试验进行分析。试验设置IBPSO算法中，每个粒子的位置由二进制[a1，a2, ...,a35]来表示，种群数量为100，学习因子φ=0.9，最大迭代次数为200次。