基于HOG和SVM的非侵入式负荷识别

程丽娟

(岭南师范学院 数学与统计学院，广东 湛江 524048)

智能电网时代，准确高效的居民用电负荷评估对改善和调节电力网络的传输结构至关重要。非侵入式电力负荷监测技术通过采集用户用电的各类特征参数，对用户负荷运行规律进行预测。

对非侵入式负荷监测的研究，Srinivasan[1]、蔡高成[2]和周任飞等[3]给出了基于机器学习的非侵入式负荷识别方法，王爱囡等[4]和Cominola[5]使用基于滑动窗的算法对负荷进行检测和分解，并基于TOPSIS的匹配算法实现负荷的辨识，Parson[6]、Welikala[7]、Piscitelli[8]和Devlin[9]提出了非侵入式负荷识别的检测与分类及预测方法。本文使用HOG对负荷数据进行特征提取，根据SVM分类器进行负荷识别,并提出改进的负荷识别方案，识别效果较好。

1 基于HOG和SVM的分类识别模型

方向梯度直方图(HOG)主要对图像进行特征提取，根据构建梯度方向的直方图来提取特征。

1.1 图像归一化

图像归一化思想是根据图像的不变矩找到一组参数，以消除其它的变换函数对图像变换产生影响。

1.2 梯度的计算

图像中像素点(x,y)的梯度为

Gx(x,y)=H(x+1,y)-H(x-1,y)，Gy(x,y)=H(x,y+1)-H(x,y-1)

Gx(x,y)、Gy(x,y)、H(x,y)分别表示输入像素点(x,y)处的水平方向梯度、垂直方向梯度和像素值。

使用一维离散微分模板分别在水平和垂直方向上进行图像处理，以去除图像中色彩变化剧烈的数据，得到像素点的梯度幅值和梯度方向。

1.3 构建梯度方向的直方图

构建梯度方向的直方图进行检测，通过比较，得到块为3×3单元格，且单元格为6×6象素时，检测效果较好。本文主要去除区域中的噪点，以降低边缘像素点的权重。

1.4 HOG特征向量归一化

对block块内HOG特征向量进行归一化处理。通过归一化处理可以使特征向量对边缘变化、阴影和光照等具有鲁棒性。对每一个block进行归一化处理，可以增强区域的相关性。

1.5 得出HOG最终的特征向量

根据以上步骤，得到β×ζ×η的高维向量，其中β表示每个cell中的方向单元个数，ζ表示block的个数，η表示一个block中的cell的个数。从而，生成HOG对图像的描述向量。

1.6 SVM分类

支持向量机的主要思想是建立一个基于分类的超平面，并将其作为决策曲面，使得类和类之间的间隔边缘最大化，从而使得因预测误差所造成的损失的期望风险最小。

在特征空间H中构造最优超平面中，训练算法仅使用空间中的点积，即<Φ(Xi),Φ(Xj)>，而没有单独的Φ(Xi)出现。因此，如果能找到一个函数K，使得k(Xi,Xj)=<Φ(Xi),Φ(Xj)>。只要核函数k(Xi,Xj)满足Mercer条件，它就对应某一变换空间中的内积。SVM分类的关键是核函数的选择，不同的核函数，对应不同的分类函数。SVM的体系结构如图1所示。

对使用上述方法得到HOG最终的特征向量，本文使用径向基核函数对负荷数据特征进行分类。

2 实证分析

2.1 特征分析参数提取与分析

本文使用的数据来源是按照0.02秒一个周期，使用非侵入式电力负荷监测与分解装置对各个电器负荷进行测量，采集其上的128个时间点上的数据。

使用非侵入式电力负荷监测与分解装置，对各个电器负荷的数据进行采集,得到11种常见的家用电器的特征数据,其有功和无功功率数据可视化图如图2所示。

由图2可知，大多数电器的有功功率和无功功率较为接近，而大功率电器差别较大，因此，对负荷特征进行识别时，不能只使用有功功率和无功功率，还应该考虑其它的数据特征。

对比5种家用电器的谐波幅值及其对应的方差，结果如图3所示。

图3 谐波电流幅值

由图3可知，空调等大功率电器的谐波电流幅值较大,而电视机等低功率电器的谐波电流的差异较小。

由于本次识别的电器，低功率负荷将近一半，为了提高负荷识别准确率，因此，本文将低功率电器的方差最大的三次谐波电流幅值选入谐波电流特征。谐波电流的描述性统计分析如表1所示。

表1 谐波电流的描述性统计分析表

根据表1，第3次谐波含有率、第5次谐波含有率以及第7次谐波含有率的方差较大。因此，选取第3次谐波含有率、第5次谐波含有率以及第7次谐波含有率作为谐波电流特征数据进行特征分析。

2.2 数据预处理

2.2.1 缺失值处理 由于某些电荷的某个时间段变化幅度很小，可能没有被机器储存，因此，使用MATLAB对采集的数据进行缺失值处理，结果如图4所示。

图4 缺失值处理结果图Fig.4 Diagram of missing value processing result

由图4可知，采集的数据没有缺失值。

2.2.2 异常值处理

考虑到不同设备不同状态的差异较大，把每个设备的不同状态分开后，再进行异常值处理。使用3σ准则，将标准化后的数据低于-3或高于3的原数据看成是异常值。部分数据的结果如图3所示，其中，标红部分为异常值。

由图5可知，原始数据中有异常值，使用原数据的均值替代异常值。

图5 异常值处理图

2.2.3 数据归一化处理 由于采集的数据具有不同的量纲，为消除量纲对提取的负荷特征量的影响，对经过上述步骤处理后的数据进行归一化处理。

使用MATLAB对数据进行归一化处理，部分结果如图6所示

图6 数据归一化处理图Fig.6 Diagram of normalization processing result

2.3 数据去噪

由于处理后的数据中含有噪声，对图像进行小波包去噪，去噪效果不太显著。进一步使用基于对偶树复小波变换对图像重新降噪处理，结果如图7所示。

图7 小波包处理与对偶树复小波变换的图像对比

由图7可知，使用对偶树复小波变换的方法降噪比小波包方法效果更好。

2.4 基于HOG和SVM的分类识别模型

使用MATLAB把数据绘制成三维立体图，把用电器的设备数据中的电流、有功功率、谐波电流投影到xoz平面和yoz平面中，图像去噪前后的视觉对比效果不明显。因此把三维数据图投影到xoy平面进行识别，能有效去除图像噪声的同时，还能够保持图像细节的清晰度和对比度，如8图所示。

2.5 图像识别

基于HOG和SVM的分类识别模型对待识别数据图像进行识别，结果如图9。

图9 设备1和设备2预测结果

由图9可知，设备1为电器YD8，设备2为电器YD9。这与实际用电器结果吻合，这说明使用该模型识别效果较好。

3 总结

利用MATLAB对采集的数据进行缺失值、异常值、归一化、去噪和变换等处理。基于对偶树复小波变换对图像去噪，提取电流、有功功率、无功功率、功率因数、第三次谐波电流、第五次谐波电流、第七次谐波电流七个特征进行分析。建立基于HOG和SVM的分类识别模型，对待识别负荷进行了识别，通过比较得到使用该模型识别效果较好。

用电负荷的高效评估需要实时准确地收集居民家中各类电器的类型和数量，由于居民家中电器组合和使用偏好的多样性，导致传统的调查分析方法给出的评估结果误差较大。非侵入式电力负荷监测技术通过采集用户用电的各类特征参数，对用户负荷运行规律进行预测。非侵入式负荷识别不仅可以极大地降低数据收集和分析成本，还能实现对居民使用电器类型和数量的实时监测，为准确估算居民用电载荷提供可靠依据，对完善用电信息采集系统和智能用电系统有着重要意义。