一种非侵入式电力负荷监测系统的设计与实现

2019-11-06王爱囡丁长波曹高杨

西安理工大学学报 2019年3期

王爱囡，袁麓，丁长波，曹高杨，高鹏

(1.合肥工业大学电子科学与应用物理学院, 安徽合肥 230009; 2.亿江(北京)信息科技有限公司，北京 100176; 3.西安理工大学自动化与信息工程学院，陕西西安 710048)

随着智能电网的快速发展，电网的应变能力和交互能力的智能化水平不断提高，使需求侧管理越来越重要。电力负荷监测是获取用户用电详细数据的有效方法和手段，正逐渐从研究领域走向应用。

电力负荷监测分为直接的侵入式监测和非侵入方式，直接方式是利用具有物联网功能的新型电器或智能插座获取负荷的用电信息，实施成本高，对用户影响大[1-2]。非侵入式电力负荷检测(non-intrusive load monitoring，NILM)是在电力供给的入口处采集线上电流、电压、功率等电力信号特征，进行电器辨识和电能量测，实现对用户用电情况的精确获取。具有不打扰用户，后期加装方便，成本低的特点。

在众多的非侵入式电力负荷识别研究工作中，研究者大多采用瞬态的事件检测方法。基于瞬态的负荷识别方法是在负荷投入和切除的瞬间，采集多种特征值进行负荷识别，如利用负荷瞬态时的功率[3-4]、Minkowski距离[5]等。但此类研究存在一些缺陷，负荷的瞬态特征量不具备线性叠加性，仅适用于单个负荷投切发生的情形识别，多个负荷同时或者时间接近发生时则不适用。而稳态负荷识别方法[6]，如基于数学规划组合优化算法[7]，是对已知的负荷进行优化组合，从而得出所有负荷的用电状态。这种方法要求已知负荷的种类和数量，当负荷数量增加时，组合的数量很大，对仅有开、关两种状态的20种负荷来说，组合种类达1 048 576种组合。而且对硬件性能要求很高，非常不利于大规模推广使用。其他，如人工神经网络法[8]，算法学习训练时间较长，辨识效率不高；聚类分析方法[9]、整数划归方法[10]等，可识别多种负荷，但降低了识别的准确率，并且也需已知所有负荷种类和特征。

在实际应用中，此前算法研究对涉及小功率电器辨识精度提高方面研究和论述较少。此外，在多种非线性类电器同时或间隔很近投切的叠加情况时，如何提高辨识分辨率，是此类研究的一个难点。由此，本文提出一种非侵入电力负荷监测系统的设计方法，综合瞬态与稳态监测技术的优势，采用改进的基于滑动窗的双边CUSUM算法实现事件检测，对负荷事件进行在线实时检测，响应速度快，能够区分事件的暂态区和稳态区，并且分辨出真正的负荷事件和负荷本身的波动，具有突出的抗干扰能力。在负荷分解与辨识方法上，加入多种电流谐波相关的稳态特征值，结合基于TOPSIS的相似度匹配算法，多负荷叠加辨识效率高，小功率负荷辨识稳定精确，负载特征值样本库在线收集新的负荷类型，无需训练数学模型。在系统设计方面，采用分布式边缘计算的技术架构，应用于密集的集群用户，易于实现产品化设计，性价比高。具有较高的实用性，易于推广。

1 系统总体设计

系统总体结构见图1，主要包括设备层、量测层、辨识传输层、主站层以及显示设备。设备层是在线监测对象，即电力线路和线上负荷。量测层实时采集负荷辨识以及负荷计量所需数据，包括负荷采集终端、电压互感器、电流互感器等设备。辨识传输层接收多路负荷采集终端数据，进行负荷分解、辨识等算法处理，当有事件切除时，计算能耗信息，这些数据处理结果通过4G方式传输到后台服务器。辨识传输层主要设备是集中器。主站层主要是服务器和显示设备，安装有平台软件和数据库，主站层下发对辨识传输层、量测层设备的数据指令以及前端软件的升级指令、更新负载特征值样本数据库升级包。显示设备如手机APP或者PC浏览器，可以查看用户电器运行状态以及各电器的分项、分时段能耗统计报表。

图1 系统总体结构图

系统设计为实时在线监测系统，数据采集、负荷事件处理为连续工作方式，对硬件处理能力要求高，传输数据量巨大，因此系统采用在用户侧实现边缘计算的分布式系统架构，负荷分解与辨识的处理过程由集中器完成，这样的系统设计可以实现海量用户数的电力负荷实时监测，提升系统效率，减轻云端负荷。

2 系统硬件设计

2.1 负荷采集终端

电力线端的电流、电压和功率信号在线采集、存储、预处理由负荷监测终端实现。其设计见图2，由计量芯片ATT7053BU、ARM处理器STM32F407、串口芯片ADM2587和互感器等组成。ATT7053BU具有 SPI，UART 通讯接口，内部含三路19 bit sigma-delta ADC模块，支持2 000∶1的动态范围，可以同时得到两路计量通道的有功功率、无功功率等电能计量参数，最高采样频率高达14.4 KHz。ARM处理器通过高速SPI接口实时将ATT7053BU采样计算到的电能计量参数读取出来，经过数据过滤处理，进行事件检测算法进行判断，最终提取出特征数据，通过UART接口转换为RS485通信方式发送给数据集器模块。用户侧的负荷监测终端部署多个，每户电表对应一个，见图1。

图2 负荷采集终端硬件结构图

2.2 集中器

集中器连接负荷采集终端和后端数据平台，具有较强的处理能力和通信能力，负荷分解与辨识计算过程在集中器完成，最后辨识结果数据发送到主站服务器数据库。这种边缘计算的设计在大规模部署时非常重要。见图3所示，由ARM处理器STM32F407、LTE-4G通信模块、FLASH存储器W29N02GV、串口芯片等组成。负荷特征识别由ARM处理器接收特征值数据，通过与负荷特征值数据库中的数据进行比对，判断最终识别结果，然后通过LTE-4G通信模块发送给平台软件。

图3 集中器硬件结构图

这些数据包括负载辨识结果、总功耗分解结果、窃电行为等，上传至主站服务器数据库；并将来自服务器对数据采集终端的升级指令及升级软件包下发至各数据采集分析终端，实现软件远程升级。集中器可连接多个数据采集分析终端，缺省支持12个终端。

3 系统算法实现

3.1 数据采集与数据缓存

系统的工作过程见图4，首先是数据采集与缓存。负荷采集终端在电力线上实时采集数据，包括电流瞬时值i、功率瞬时值p。

负荷识别时采用的特征值有电流谐波幅值，谐波总畸变率THD等，最高谐波次数为21次等，根据Nyquist定律，采样频率Fs最小应为2 100 Hz，实际应用采样频率Fs设置为3 000 Hz。

3.2 事件检测算法

采集完成后采用CUSUM算法进行事件检测，这是一种变点检测算法，在很多场合都有使用，例如在机器故障的检测以及各种信号突变的监测等[11]。CUSUM算法优势在于将整个过程小偏移累加起来，起到放大作用，提高小偏移的灵敏度。本系统采用改进的基于滑动窗双边CUSUM算法[12]实现电流有效值瞬态变化的较为灵敏的检测，用于判断负荷事件的投切，具有一定的优势。其实现过程如下。

见图4，从数据缓存中获取一包波形数据，包括电流瞬时值和功率瞬时值。与文献[12]提到的算法不同，本文采用电流有效值检测与三个数据子窗口的方式，电流有效值的使用非常重要，电流有效值延迟了突变，又能兼顾到前后段数据。根据大量测试数据，电流有效值的使用有效的增强了小功率负荷事件检测的稳定性，提高了抗干扰能力。

图4 系统工作流程图

(1)

(2)

式中：λ为外界引入的噪声水平。当xn的变化量大于λ时才认为有可能有事件的投入或切除。

文献[12]算法在事件检测之后，当有事件发生未检测到时，滑动窗向前移动的策略为p=p+Ld-d，而当Ld等于检测延迟d时，窗口将不再向前移动，陷入死循环。本文为了解决这一问题，在滑动窗向前移动时，首先判断Ld是否等于d，当不等于时，p=p+Ld-d，当等于时p=p+ 1。

图5 滑动窗双边CUSUM算法的演进过程

关于上述参数λ和阈值Z的选择问题，文献[12]提供了一种思路。确定累积和阈值Z的方法见图6(以投入事件为例)。图6中，X0是均值计算窗口中计算出的均值，hmin指的是系统能检测出的最小变化幅度，tn是事件发生的时刻，Tmax是设定的检测事件需经过最长的时间。阴影部分的面积即代表阈值Z的大小。

图6 推算Z的方法

由图6可得，阴影部分面积为：

Z=(hmin-λ)Tmax

(3)

而在离散采样系统中：

Z=(hmin-λ)NmaxTs

(4)

式(4)中Nmax为系统允许的最大延迟采样点数，Ts为采样间隔。由于实际电力系统中很多设备在启动过程中并非瞬时启动，上述阴影部分不一定是一个矩形，噪声水平也比较难以确定。因此引入系数β1和系数β2来进行修正，其中β1≤1，β2≥1。式(4)可进一步改进为：

Z=β1(hmin-β2λ)NmaxTs

(5)

在实际系统中根据对检测精度的具体要求选择适当的hmin及Tmax对阈值Z进行初始化。

3.3 负荷分解与辨识算法

事件检测出结果后，对引起此次检测事件的负荷波形分离处理。采用电流瞬时值在波形叠加时进行波形分离比功率瞬时值具有更稳定优势。图7和图8分别为单个典型负荷的电流瞬时值波形。图9为多个典型负荷的电流瞬时值以及电流有效值波形叠加，电流有效值可以对事件发生的节点做有效的判断。即使是小负荷情况下，比如低于100 W，电流有效值也可以对事件发生做准确的检测，见图10。

当为负荷投入事件时，分离出的波形由事件后稳态波形减去事件前稳态波形；负荷切除事件时，分离出的波形由事件前稳态波形减去事件后稳态波形。事件前后相减的波形相位差要为0。波形数据分离后，提取各个稳态特征值。与采用单个特征值的负荷辨识相比，本系统选择具有较好指证性的参数，如电流谐波幅值，将主要针对非线性负荷的辨识。系统采用多个(缺省为8个)特征值是大幅度提高负荷识别率的重要措施。这种方式将会带来巨大的运算工作量，因此，算法的效率尤为重要。

提取的电流数据特征值包括：有效值、峰值、波峰系数、基波幅值、3次谐波幅值、5次谐波幅值、7次谐波幅值和电流总谐波畸变率THD[13]。其中有效值、峰值、波峰系数由电流时域波形计算，电流瞬时值计算各次谐波，最高谐波次数为21次。

图7 各电器波形图(时域)

图8 各电器波形图(频域)

图9 电流波形与有效值

图10 电流波形与有效值(小负荷)

各个特征值的计算如下。

1)电流有效值Irms:

(6)

式中：ik是采集的电流电流瞬时值序列；N为每周期点数，N=FS/F0，其中FS是采样频率，F0是工频50 Hz。

2)电流峰值Ip：

Ip=max(ik),0≤k≤N

(7)

3)波峰系数ICF：

(8)

4)电流总谐波畸变率THDi：

(9)

式中：Ih为第h次谐波电流，I1为基波电流，IH为谐波电流含量。

系统采用TOPSIS (Technique for Order Preference by Similarity to an Ideal Solution )算法[14]进行负荷辨识，借助多特征问题的正理想解和负理想解对各个事件进行评价，具有识别效率高，避免训练数学模型的特点。

1)根据各个特征值构造判断矩阵：

(10)

式中：aij(i∈K,j∈M)(K为“负载样本特征值数据库”中的样本数，M为特征值参数的种类数)表示接收到的事件特征值样本的第j个特征参数与“负载样本特征值数据库”中第i个样本的第j个特征参数的相似度，其值由下式计算：

(11)

式中：d0是此次事件的特征值样本，dm是“负载样本特征值数据库”中的样本，a与b是包括d0和dm所有样本的特征值参数的最大值和最小值，皆为1行n列的矩阵，n为特征值样本的参数个数。

(12)

vij=ωj·rij,(i∈K,j∈M)

(13)

式中：ωj是第j个特征值样本的权重，由以下a)～d)步骤完成。

a)数据平移：rij=rij+1。

b)计算j个属性下第i个样本的值在此属性中所占的比重：

(14)

式中：i=1，2，…，n；j=1，2，…，m。

c)计算第j个属性的熵值：

(15)

式中：k>0，k=1/ln(m)；ej≥0。

d)计算第j个属性的权重：

(16)

4)计算理想解x*和负理想解x-：

(17)

5)计算各负载匹配样本到理想解和负理想解的距离。

a)理想解的距离s*：

(18)

b)负理想解的距离s-：

(19)

6)计算各负载匹配样本对理想解的相对接近度指数Di：

(20)

可见，0≤Di≤1，各负载匹配样本到理想解的距离越小，Di越大，特征值样本与负载匹配样本Ci越相似。

7)求出具有最大接近度指数的负载匹配样本：

Dmax=max(Di)

(21)

Dmax对应样本的负载类型即就是识别出的引起此次事件发生的负载。

当Dmax大于等于设定的阈值时，表示负载识别成功。当Dmax小于设定的阈值时，表示负载未识别，将此次事件推送到终端显示，由用户进行标注，并存入“负荷样本特征值数据库”，当此负载再次出现时，就能够成功识别。

当此次事件为负荷投入事件时，将识别结果存入负荷监测数据库。当此次事件为负荷切除事件时，匹配上一次同负载的负荷投入事件，利用负载运行时间，计算该负载消耗的电能，将辨识结果与电能计算的结果一并存入负荷监测数据库。

4 系统测试与分析

与其它文献通过算例仿真来验证算法的有效性不同，本系统经过试点测试，在居民小区为典型应用的场景下，进行事件检测、特征值提取以及负荷辨识。以某小区为例，现场设备与居民楼道电表箱并列安装，每户电表的进线端安装互感器采集数据，试点结果数据通过居民用户电能app软件进行电器确认，中间测试数据的抽样验证通过电能质量分析仪在线采集。30天后，后台负荷监测数据库得到3.47万条有效数据结果。其中，在事件检测系统中，事件发生的累积和阈值Z设定为60，最小辨识负荷为100 W。以居民家中典型的5种电器为例，得到的部分现场数据见表1～3。表1为典型样本库数据，表2为实际测量数据的举例，表3为事件检测及负荷辨识结果的统计。表4是与文献[12]中算法事件检测结果对比统计。表5是与应用文献[15]K-means聚类算法的电器负载识别结果对比统计。

表1 典型电器样本库举例

表2 测试数据举例

表3 事件检测及负荷辨识结果统计

表5 电器负载识别结果对比统计

由以上数据可以看出，本文改进的事件监测算法对常见家用电器的识别率达到90%以上或接近。空调与电视机识别率相对较低，是因为空调在启动时波形波动较大，导致提取的特征值不稳定。而液晶电视机属于小功率电器，当整体电路中存在开启的空调或者微波炉时，电视机事件容易被大功率电器的波动淹没，导致事件检测不到。后续工作将不断完善负荷样本特征值数据库，解决由于特征值不稳定导致识别率低的问题。