基于智能电表的电器用电量分类计量方法研究

2020-03-16蔡高琰骆德汉梁炳基

网络安全与数据管理 2020年2期

梅凯，蔡高琰，骆德汉，梁炳基

(1.广东工业大学信息工程学院，广东广州 510006；2.广东浩迪创新科技有限公司，广东佛山 528200)

0 引言

智能电表是智能电网建设的基石,也是各家各户用电计量终端及用电信息中转站[1-2]，为实现需求侧管理[3-4]提供了重要保障。当前，智能电表已经实现分时计量策略[5]，即按高峰用电和低谷用电分别计算电费，但提供的信息有限，虽能在一定程度上规范用户合理用电，但还未实现家用电器用电的分类计量，不能向电力管理部门及用户提供各类用电器的用电明细。

目前家用负荷分类监测计量方法分为侵入式及非侵入式两种[6]。侵入式负荷分类计量方法是在需要进行单独电量计量的各个用电器上单独安装仪表实施计量监测，费用较高且操作复杂；非侵入式负荷分类计量是在电力线入口处安装仪表，从而对电路中的电器总特征进行采集分析，通过信号处理、模式识别、人工神经网络[7-9]等复杂处理方法来辨别出用电器类别，再实施各类负荷的分类计量[10-11]，该类方法具有一定的优越性，但是面对复杂多样且功率变化大的家庭用电状况，分类计量和数据识别的难度较大，加上用电环境及电气特点，给数据识别和分类计量提出了更高的要求，所以特地针对这一场景去开发这种复杂的负荷识别装置实际价值不高。

因此，本文从实用性及经济效益角度分析，将通用智能电表的功能扩大化[12]，即借助电表的数据采集及分析、数据传输、电量计量等基本功能，结合非侵入式负荷识别技术，并通过SVM分类模型及分类计量策略，实现了家用电器的用电量分类计量。

1 电表端——用电器特征参数获取

通常用电设备正常工作稳态电流存在一定的统计规律特性，而且根据基尔霍夫电流定律，一个入口节点的电流由各个出口支路的电流线性叠加得到。但是，在时域上并不是简单的幅值相加，还需要考虑到各个用电设备的相位。如果仅仅根据时域上的电流电压等电能参数来进行用电器识别，识别准确率较低，因此为提高用电器识别准确率，这里引入信号的频域表达理论，将电流信号用一组谐波特征进行表征，以此作为用电设备特征，具体实现流程如图1所示。

图1 电表端功能结构图

本方法中使用FFT(快速傅里叶变换)来实现电流的时域到频域的转换，考虑到通用智能电表的功能局限性和经济成本，同时又能满足波形失真的要求，此处计算到10谐波特征即可。

根据傅里叶级数性质，无论电流波形多复杂，都可以将其解构成一系列简单的正弦曲线，这些正弦曲线以基频的整数倍频率出现：假设任意形状电流波形I(ωt)的周期为T=2π/ω，可将其分解为：

(1)

其中，a0、an、bn称为傅里叶级数的系数，a0为直流分量，n对应n次谐波。求解过程如下：

(2)

(3)

(4)

由上面10次谐波特征的要求，依次把n从0到9取值代入，计算得出电流10谐波特征矩阵f。

设置功率波动阈值为30 W，即当功率波动在30 W范围内，视为电路中正常波动，不做进一步处理，当电表检测到电路中产生功率波动超过波动阈值，即视为电路中有用电器被操作。

ΔΡ=|Ρt2-Ρt1|

(5)

其中，Ρt1表示功率波动前电路中的总功率，Ρt2表示产生功率波动后的电路总功率，当ΔΡ大于30 W时，通过功率波动前后的两个电流10谐波特征矩阵相减取绝对值，得到导致产生功率波动的用电器特征矩阵，即：

f用电器=|ft2-ft1|

(6)

同时，记录10次谐波的增减情况，当ft2的基波大于ft1的基波，此时电路中电流增大，表明有新用电器接入；当ft2的基波小于ft1的基波，此时电路中电流减小，表明电路中有用电器移除。以此来判定产生的功率告警是用电器的接入还是移除。

最后将增量FFT数据、10次谐波增减标识、告警时间等相关电能参数进行信息组帧后上报至后台服务器。

2 服务端——SVM识别模型的训练与建立

使用电表对各类用电器进行数据采集并进行人为标记，建立用电器特征信息库，然后使用SVM分类器进行分类训练，选取最优模型参数，建立识别模型，具体流程如图2所示。

其中，核支持向量机(SVM)是非常强大的模型，它允许决策边界很复杂，即使数据只有几个特征，它在低维数据和高维数据上的表现也都很好。

图2 识别模型建立流程

基于SVM的负荷识别本质，即通过选择核函数，将训练样本映射到高维特征空间，再利用SVM在样本特征空间中找出各类别的特征样本与其他特征样本的最优分类超平面，从而得到代表各样本特征的支持向量集。核SVM的重要参数是正则化参数C、核的选择以及与核相关的参数，本方法中主要使用的是RBF核，RBF核只有一个参数gamma,它是高斯核宽度的倒数，gamma和C控制的都是模型的复杂度，较大的值都对应更为复杂的模型，因此，这两个参数的设定通常是强烈相关的，应该同时调节，此处通过网格遍历法选出最优参数组合，如图3所示。

图3 不同的C和gamma参数对应精度变化

由图3可知，当C=100、gamma=100时，未出现过拟合或欠拟合的情况，训练精度与测试精度均为99%，故将此作为最优参数组合配置到模型中，完成识别模型建立。

3 用电器分类计量策略设计

通过电表上传的告警信息与预先建立的SVM模型进行用电器判别，将识别结果、用户操作及告警时间存入数据库，再通过数据库查询联合计量策略来实现各类用电器的单独耗能量计算，流程如图4所示。

图4 分类计量流程

通过上述步骤已经能够判定在规定时间段内，各类用电器的投切情况，如果能够获取在该时间段内各种用电器的工作功率及工作总时间，即可实现分类计量。

其中用电器在工作过程中，实际功率不一定等于额定功率，主要包括以下原因：

(1)额定功率是厂家根据产品设计参数提供的一个最合理的参考值，产品生产的不一致性本身就会造成不同产品个体有误差和偏离。

(2)实际功率是由外加电压作用于用电器产生的，外加电压本身就可能偏离电器的额定电压，也会造成实际功率的偏离。

(3)额定功率是产品在指定工作条件下的参考值，如果工作条件发生变化，就会造成实际功率的变化。

基于以上原因，本方案选取该功率波动范围内的平均值作为该用电器的实际运行功率。设某用电器在波动范围内最大功率为Pmax,最小功率为Pmin,则该用电器的运行功率Pa由下式可得：

(7)

通过查找数据库能够获取待查时间段内的各用电器的投切情况，由此可求各类用电器的运行时间t。以某一用电器为例，实际情况下待查时间段内该用电器投切有多种类型，具体包括以下5种：

(1)在时间段T内，该用电器投切记录完全匹配，即此用电器在时间段T内的插入次数与移除次数相同，且依次先出现插入后移除，投切情况如图5所示。

图5中用电器1在0～t8时间段内，发生两次投切，且每次接入用电器1后，一段时间后就会移除。图5只对T时间段进行部分描叙，从t8时刻往后，投切情况与之前相似。假设在整个T时间段内，用电器1的完整投切次数为n,则该用电器在T内的运行总时间应该是每次投切时间段的叠加，即：

(8)

其中，ti_e表示该用电器在时间段T内第i次从电路中移除时间点，ti_s表示该用电器第i次接入电路时间点。

(2)在时间段T内，该用电器插入次数与移除次数相同，但第一次记录出现为移除该用电器，最后一次记录为插入该用电器，中间依次先出现插入后再移除，设投切匹配数为n，此时该用电器工作总时间t总满足：

图5 用电器投切记录

(9)

(3)在时间段T内，该用电器接入电路次数大于该用电器移除次数，即表明该用电器的最后一次记录为接入电路，前面满足投切匹配，当投切匹配数为n,则t总满足：

(10)

(4)在时间段T内，该用电器移除次数大于用电器接入次数，即表明该用电器的首次记录为从点中移除，后面满足投切匹配，当投切匹配数为n，则t总满足：

(11)

(5)在时间段T内，该用电器无任何记录，表明该用电器在时间段T内没有工作，则t总满足：

t总=0

(12)

由上可得单一用电器实际运行功率Pa及运行总时间，则时间段T内单一用电器的耗能量W为：

W=Pa×t总

(13)

4 数据验证

采用具有上述用电器特征获取功能的智能电表及服务端SVM识别模型进行实例验证，选取5类常用家庭用电器，具体包括空调、热水壶、电吹风、电热棒、电风扇，其中电吹风含有2个挡位，对应不同功率，因此识别及计算过程中，对不同挡位进行区分。各类用电器运行功率如表1所示，现针对用电器分类计量策略中出现情况依次展开实验，为保证实验精确度高，将每次实验时间段定为1 h，利用分类计量后的各用电器耗能累加和W预测总与实际耗能量W实际总进行对比分析，其中实际耗能量W实际总可由电表直接读出，观察误差结果，并进行原因分析。