电力系统内部电器的智能识别与负荷分解

张林林 莫琦 古栋笙 莫松颖 林建宏

摘要：家庭智能用電中基于非侵入式监测的电器分类识别及分解有助于用户实时获取用电信息及电网公司进行电力供需平衡。本文提出以累积和极差平方检测暂态功率事件，采用BP神经网络识别电器种类，以及使用基于波形拟合的遗传优化方法进行负荷分解。

关键词：非侵入式监测;神经网络;遗传优化

中图分类号：TM7 文献标识码：A 文章编号：1007-9416（2019）09-0101-02

0 引言

基于目前各个领域均致力于智能化发展的现状，智能电网技术已然成为了全球的电力领域的研究热点。随着城乡居民的生活水平的提高，日常生活对于电能的需求愈发增加，电能浪费现象及用电安全问题一直备受关注，为了减轻电网的负担且减少电能浪费的现象，电网公司需要获得更加详细的用户内部负荷用电情况，足够准确的负荷信息有助于供电单位对实际的电能进行合理的调控分配以达到相应的供需平衡，也利于提高电网的可靠性和安全性。本文提出一种基于短时高频数据的非侵入式负荷监测技术对电气总线内部用电设备进行实时切投检测及分类识别和分解。

1 基于高频数据的NILM实施框架

通过基于高频采样的NILM实现对电力用户内部用电设备的实时切投检测以及负荷识别和分解主要分为以下4个部分。

（1）高频数据采集：在电力入口处采用10kHz的采样频率对电力总线上的电压电流进行采样。以单个市电周期即20ms计算一次有功功率点。

（2）暂态事件检测及负荷特征生成：在发生电器状态转换时，捕获暂态功率信息，提取暂态负荷特征，并且结合稳态负荷特征建立负荷特征库。

（3）负荷识别：在捕获到有暂态负荷事件发生时，则立即提取负荷特征送入已经训练好的BP神经网络模式识别得到电器的启停状态或其余工作状态。

（4）负荷分解：在电力总线端处于稳态时，每隔一定周期进行一次负荷分解计算。在发生暂态负荷事件时则立即进行一次负荷分解。根据分解后得到的各个接入电器的用电信息进行消耗电能计算，则分别得到各个电器的能耗信息。

非侵入式负荷监测的整体实施框架如图1所示。

2 暂态事件检测及负荷特征提取

采用20ms间隔计算功率点的方式连续监测电力总线的功率变化。对采集的有功功率序列取长度为的滑动窗，本文取，滑动步长为1。设滑动窗内的均值为，则累积和计算通式：，累积和极差：。本文以累积和极差平方来判断当前滑动窗内功率是否发生突变。当功率发生阶跃变化时，则，在功率处于相对稳态时，即以为条件判断功率是否发生突变。

负荷特征包括暂态和稳态特征，暂态特征由捕获的有功和无功功率波形计算得到：

为暂态功率前后的稳态功率差，和分别为暂态有功和无功功率波形的均值，和为暂态有功和无功功率的极差，为暂态功率持续时间。稳态特征可以表示为：

为稳态电流的峰值，、、分别为基波的有功功率、无功功率、视在功率，为基波电压电流相位差，为前5次奇次谐波电流的幅值。

3 负荷辨识

本文以BP神经网络对用电设备所处的运行状态进行模式识别。[1]由于电器类型包含二状态类型和多状态类型。则需要将电器的状态进行编码作为网络的目标输出。二状态设备的目标输出仅用一位二进制位表示，1和0分别代表该电器设备的开和关。而对于多状态设备，设其启动后的工作状态为个，则输出二进制位个数为。电器状态差个数可以表示为：，电器对应网络的目标输出编码个数为：。以电器状态为例，其具体编码形式如图2所示。

本文实验电器包括节能吊扇、LED灯、手机、笔记本电脑、美的坐扇（含三个档位）、电热水杯。分别对5种电器单独进行负荷特征采样计算，共获2623份样本，分别取70%为训练样本，30%为测试样本。经过迭代16次后获得满足目标最小误差的性能指标为0.0084025。实际测试样本经过最终生成的网络模型计算得出预测值，将预测值与目标值进行对比，其识别结果如表1所示。

4 基于遗传优化的负荷分解

本文提出一种基于波形拟合为目标函数的遗传算法对总线功率进行负荷分解寻优得到最优的电器状态组合，从而实现负荷状态监测的目的。首先对个体进行编码，对总线内所有已知的电器状态进行遗传算法的种群个体编码后得到状态开关向量作为个体的染色体。对所有电器状态的稳态电流进行采样得到电流矩阵：，，为所有电器状态的个数，为单个周期内电流采样点数，设某时刻在电力总线上采样得到的稳态电流序列为，则此时有一最优解满足：，则遗传算法的适应度函数如下所示：

其寻优目标函数为，即求解种群中所有的个体通过电流矩阵拟合出的电流序列与总线采样电流序列之间的误差总和的最小值。其中[2]，为种群个体数。确定好适应度函数后，需要对种群个体进行选择、交叉、变异三个步骤，将子代中适应度较好的替换掉父代中适应度较差的个体，得到新种群，循环以上操作，直到达到设定的遗传代数停止繁衍，在最终获得最优个体。本文进行负荷分解的实验场景中包含的电器有节能吊扇、12W LED、手机、笔记本电脑、美的坐扇、电热水杯5种。已知某时刻正在运行的设备为：节能吊扇、12W LED、手机。此时的总线电流进行采样得到。设置种群个体数为30，最大遗传代数为20，代沟为0.9。选择算子采用随机遍历抽样法，交叉算子采用两点交叉法，交叉概率设置为0.7，变异算子采用离散变异算子，变异概率设置为0.02。遗传结果如图3所示。

5 结语

本文提出以累积和极差平方检测暂态功率事件，采用BP神经网络识别电器种类，以及使用基于波形拟合的遗传优化方法进行负荷分解， 有助于电网公司获得详细的用户内部负荷用电情况，可以对实际的电能进行合理的调控分配以达到相应的供需平衡，有利于提高电网的可靠性和安全性。

参考文献

[1] 耿赫男，刘莉，庞新富.基于人工神经网络的非侵入式居民用电负荷识别方法[J].沈阳工程学院学报（自然科学版），2019，15（03）：236-240.

[2] 孙毅，崔灿，陆俊，等.基于遗传优化的非侵入式家居负荷分解方法[J].电网技术，2016，40（12）：3912-3917.

Abstract：Classification， identification and decomposition of electrical appliances based on non-intrusive monitoring in smart household electricity use can help users obtain real-time electricity information and power grid companies balance power supply and demand. In this paper， cumulative sum range square is used to detect transient power events， BP neural network is used to identify electrical appliances， and genetic optimization method based on waveform fitting is used to decompose loads.

Key words：NILM;neural network;genetic optimization