基于稳态波形分解与神经网络的负荷识别方法

陈伟伟，洪彬倬

(1.广东电网有限责任公司河源供电局，广东 河源 517000；2.广东电网有限责任公司阳江供电局，广东 阳江 529500)

电力是当今社会中应用最为广泛的能源之一。为了给用户提供更加可靠、绿色的电能和减缓全球变暖及气候改变所带来的影响，家庭用户用电负荷细节监测是实现智能用电的重要环节，负荷监测通过对用户的用电行为进行采样、分析与记录，监测用户侧的每一种电器的使用状况，以获得电力用户每种电器的电量消耗情况和用电行为等具体数据信息。以前，家庭用户负荷监测通常是采集用户侧的总负荷数据，若能分别对每种电器设备运行状态进行监测，就能更加有利于智能电网的建设。在智能电网中，非侵入式负荷监测(NILM)系统具有广泛的应用前景，能为用户、电力公司等多方面带来效益[1-4]。家庭用户是智能用电的主要研究对象，用电负荷具有数量多、电器状况多变的特点，家庭用户对NILM的要求比工商业用户的技术要求要高。NILM是指利用安装在电力入口处的监测设备，分析并处理总负荷数据，从而得到系统内部用电设备状态[5]。NILM技术对用户的总用电负荷数据的分析和判定，得到精确的用户负荷分类与电器使用状态数据，是解决智能用电负荷数据监测困难的有效途径。非侵入式负荷监测主要有两类方案：一类方案在每个用户电表出口处加装具有数据采样、监测与判断功能的NILM装置，直接在用户侧实现非侵入式的用电负荷监测，再经过通信通道将采集到的负荷状况信息传输至电网；另一个方案是仅依靠现有的用电负荷信息采集系统中的信息采集设备和电网通讯网络，采用高级的智能通讯技术获取精确细分的家庭用电负荷设备信息，再利用云端运行先进的负荷判别算法，实现NILM。NILM对于用户来说可以实时获取家庭用电设备状态，实现合理规划用电，减少用电开支[6-8]。对于电力部门来说，可以使决策者了解电力系统内部各类负荷的含量和状态，以及每类负荷的用电量与用电时间，从而帮助决策者科学安排负荷投切，实现电力系统高效、稳定运行[9]。近来有国内外不少学者对NILM方法开展研究，用于解决智能用电家庭负荷数据的采样和上传、负荷特征的确定与判断以及用电行为分析等技术研究难题，提高了用电负荷采样的效率和监测的精确度，为电能合理分配与电量定价等服务提供技术支持。文献[10]采用了差分进化算法，利用功率实现负荷识别，对大功率负荷有着较好的效果，但对于功率较小的负荷识别效果差。文献[11]采用了差量特征提取与模糊聚类算法对负荷类型进行识别，却无法解决多种类型符合同时开启的问题。文献[12]利用动态实现弯曲(DTW)算法对负荷进行识别，利用稳态波形分解得到的波形与数据库的波形进行匹配，该算法计算量较大，识别效率较低，不适合在线运行。针对上述问题，本文提出一种基于稳态波形分解的BP神经网络识别方法，该方法首先利用采集单个用电器的谐波特征进行网络训练得出神经网络的权值和阈值。然后再在线运行时利用稳态电流分解，得到新投入用电器的谐波特征，而后结合训练好的神经网络的权值和阈值实现对负荷的识别。该方法具有识别精度高，运算量小的特点，硬件设备简单易于实现等特点，特别适用于在线识别。

1 基本原理

1.1 BP算法

神经网络作为一种快速发展的人工智能技术，具有独特的优势，神经网络的结构和生物神经网络的结构相类似，都是通过大量的神经元相互作用连接，从而形成一个庞大，复杂的神经网络系统。因为神经元的连接，系统具有强大的非线性映射能力，可以处理复杂的非线性和预测稳态。BP神经网络是一种多层前馈神经网络，该网络的主要特点是信号向前传递，误差反向传递。在向前传递中，输入信号从输入层隐含层逐层处理，直至输出层。每一层的神经元状态只影响下一层神经元状态。如果输出层得不到期望输出，则转入反向传播，根据预测误差调整网络权值和阈值，从而使BP神经网络预测输出不断逼近期望输出[13-17]。只包含一个隐含层的BP神经网络的拓扑结构如图1所示。

图1中，X1，X2…Xn是BP神经网络的输入值，Y1，Y2…Ym是BP神经网络的预测值，ωjk，ωij是BP神经网络的权值。该网络的各层之间都是采用全连接的方式，单层内的神经元不相连接。当输入需要学习的样本输入向量后，向量进行正向传送的过程。数据通过传递函数、求和单元从输入层经过隐含层最后传递至输出层，然后得到输出。在这个传输过程中权值和阈值是恒定的，每一层的神经元只会使得相邻层的神经元状态发生变化。然后比较这一过程得到的输出结果和预想的输出结果，若达不到预期的误差内，至进行误差反向传播。在反向传播过程中，将以梯度下降的方法进行传送，计算梯度然后修正权值和阈值，然后进行反复的循环，权值和阈值进行不断的修正，等到输出结果和预想的输出结果误差低于设定值，迭代结束，BP神经网络模型建立完成。从图1可以看出，BP神经网络可以看成一个非线性函数，网络输入值和预测值分别为该函数的自变量和因变量[18-20]。当输入节点数为n，输出节点数为m时，BP神经网络就表达了从n个自变量到m个因变量的函数映射关系。BP算法的优势是具有一定的反向传播能力，不断与期望值逼近，常常用于模式判别、图像处理等场景。

1.2 波形分解

并联电路中，电路的总电流等于各支路电流之和。家庭用电负荷基本采用并联接线，每个负荷独立且不互相影响，最后家庭电源总进线的电流等于各个用电负荷的电流之和。由于家庭用电负荷的并联接线，因此满足叠加定理。我国的供电采用220 V，50 HZ周期供电电压，假设电网的电压频率ω保持稳定不变，因此家庭电源总进线的电流等于各个用电设备电流的线性叠加。因此只需获得新用电器投入使用前后的稳态波形，利用波形的叠加定理即可分解得出新用电器的稳态波形[15]。

2 装置实现

非侵入式电力监控相较于侵入式电力监控有着安装简单，实现成本低等优势，非侵入式电力监控系统如图2所示。电流传感器安装在了电源进线处，实现对某一用电区域电流波形的获取。

此方法的实现过程分成两个部分：

(1)网络训练。首先通过硬件采集单个用电器的电流波形，得到谐波特征。然后搭建神经网络对数据进行训练，得出权值，阈值。

(2)在线识别。通过在线读取电流波形，对波形进行分解，提取谐波特征，结合以及获取的权值，阈值进行运算，最终实现用电器在线识别。实现过程如图3所示。

2.1 负载信息的获取

不同种类的负载由于其功能不同，因此其电流波形也具有一定差异。此方法利用了这一特点，通过研究不同负载电流波形的差异，实现了负载识别。由于电流波形难以量化，难以用数值形式表征负载电流波形的差异。根据信号原理，任何满足狄利克雷条件的波形序列都可以用不同频率的正弦波叠加得到，因此本文采用电流谐波含量的差异量化了不同负载波形的差异。理论上负载电流波形需要用无限多次谐波叠加得到，因此完全表征负载电流特征需要无限多次谐波信号。然而，负载的谐波次数越高谐波幅值越小，其受噪声的影响也较明显。另外，谐波次数越高神经网络的维度也更大，相应的算法运算量也越大。通过权衡了算法的准确性与快速性，最后选择了2-10次谐波以表征不同负载的电流波形特征。

2.2 神经网络算法的训练过程

(1)采集单个用电器波形。通过搭建好的硬件，对5种用电器单独进行谐波特征提取。得出以下数据，如表1所示。

表1 用电器谐波含量

(2)BP神经网络搭建。本文采用9-4-5的网络结构，输入节点节点数为9个，代表电流基波有效值，以及2-10次谐波含量，用矩阵表X={X1，X2…X9}表示。上节提到隐含层节点数为4个，输出层节点数为5个，分别代表5类用电器投入使用的概率用矩阵Y={Y1，Y2…Y5}表示。

隐含层激活函数采用对数S型转移函数

(5)

因为函数f(x)的值域为[0，1]所以，在训练数据之前必须把数据归一化到[0，1]之间，归一化公式为：

(6)

y代表归一化后的数据，x代表归一化前的数据，min代表不同组间同类数据的最小值，max代表不同组间同类数据的最大值。训练函数采用梯度下降自适应学习率训练函数traingdx。经过1 637代的训练，精度达到0.000 96。

(3)得到训练好的网络的权值，阈值。利用查看指令可以在matlab界面查看网络的权值，阈值。输入层到隐含层权值用ωjk表示，输入层到隐含层阈值用b1表示，隐含层到输出层权值用ωij表示，隐含层到输出层阈值用b2表示。

2.3 装置的在线识别方法

在线识别系统通过硬件系统在家庭电源入口出采集电流信号，而后进行波形分解，提取特征值，结合神经网络的权值，阈值，进行运算。硬件系统主要由三部分组成，分别为信号采样调理部分，A/D转换部分，数据处理部分。信号调理电路由电流采样电路、电压跟随电路和巴特沃斯二阶低通滤波电路构成。A/D转换电路我们采用的是以AD7607芯片为核心的A/D转换电路。数据处理部分采用以STM32F407为核心的嵌入式系统。STM32F407系统自带FPU浮点运算单元以及DSP数字信号处理模块加快了数字信号处理的速度。数据处理部分主要分成三部分：

(1)波形拆分。当用电器增加减少时，处理器对波形进行拆分。由于用电器启动存在短暂的电流暂态波形，所以当系统检查到电流波动超过波动容许值If后三秒开始进行电流波形采样。If的取值根据经验为：

If=Ia.min/3

(7)

Ia.min为家庭最小额定功率用电器的额定电流。把新得到的序列减去上一次的的序列就可以得到新开启或关闭的负荷的电流波形。

(2)对拆分出来的波形进行FFT变换，STM32F407 DSP单元提供了基-4，1024点的FFT库函数，因此调用此库函数这可以得到各次谐波幅值，进而得到各次谐波含量。

(3)把谐波特征结合神经网络训练得到的传递系数进行运算。利用训练好的神经网络，可以得出网络的传递系数，在在线运行的时候只需把特征值跟传递系数进行数学运算就可以得出结果。运算的公式如下：

(8)

X为特征输出矩阵，Y为输出矩阵，ωij为输入层到隐含层的权值，ωjk为隐含层到输出层的权值，b1为输入层到隐含层的阈值，b2为隐含层到输出层的阈值，函数f1(x)为隐含层激活函数，f2(x)为输出层激活函数。

3 实验调试

本文用电热水壶、电风扇、冰箱、液晶显示器、日光灯5个电器设备的投切使用或者状态改变，模拟出家庭用户的用电行为场景，然后使用基于稳态波形分析和BP神经网络的嵌入式设备对电器设备进行监测，从而验证本文提出方法的可行性。为了方便实验数据的统计分析，嵌入式设备监测所得的数据通过设备的蓝牙模块传送至电脑端，便于保存、使用。

本实验的具体步骤为分别随机开启一个用电器500次，嵌入式设备将监测期间所采样的数据传输至电脑端，分析实验过程得到的数据，得到嵌入式设备监测识别用电负荷的结果，并将识别准确率记录。实验监测过程如图4所示，识别准确率如表2所示。

表2 实测识别准确率

由实验结果可以看出实测精度基本与理论分析时，所提出方法能达到的识别精度相一致。其中，电热水壶谐波特征最明显，所以识别精度达到了100%；显示屏和电风扇也基本达到了全识别；日光灯和冰箱因为其谐波特征较不明显，所以精度稍差，但是还是能达到智能用电对负荷识别精度的要求。从实验结果可以证明，本文所提出的方法能正确的判别家庭用电负荷。

4 结论

针对家庭用户的用电负荷投切或者状态改变时具有的谐波特性以及非侵入式负荷识别问题，提出了一种基于稳态波形分解与BP算法的方法，利用稳态电流波形分解，提取单个用电器的谐波特征，结合BP神经网络，通过嵌入式系统进行分析判断，以此来判别用电负荷的类别，实现非侵入式负荷识别。通过构建的家庭用电行为平台进行装置监测测试，验证了提出方法的有效性。该方法是基于嵌入式装置实现的，相比与其他非侵入式负荷识别方法，不需要通过电力网云端进行分析判断，且装置硬件简单，结构简单，运算速度快，可靠性高、识别精度高等特点。