基于功率轨迹的非侵入式负荷监测方法研究

冯 威 李 争*, 王 泽 安国庆 李 峥 王 强 陈 贺

（1.河北科技大学电气工程学院 石家庄 050018；2.河北省智能配用电装备产业技术研究院，石家庄科林电气股份有限公司 石家庄 050222）

引言

随着风能、太阳能、潮汐能等可再生能源发电技术的快速发展，电力能源的调度和稳定运行面临着巨大的挑战。增强电力系统的供需平衡已经成为解决可再生能源消纳问题的必行之路。而非侵入式负荷检测设备可以了解用户电力能源消耗，实现电力能源的精准调度。同时可以使用户合理调节用电时间，实时检测用电设备的耗电量，有效减少能源浪费的现象。并且可以在保护隐私的条件下深度挖掘用户用电习惯和用电方式，有计划性的推送节电措施的提示[1,2]。

非侵入式负荷监测由Hart教授于1982年提出[3]。该方法仅需要在用户在电力入户处安装设备即可检测到用户用电信息，通过对用电数据进行分析就可以实现用电设备的检测相对于侵入式负荷监测极大的节约了成本、缩小了部署的设备的难度、减少了统计数量[4,5]。随着技术的发展，非侵入监测系统可以分为无监督式和有监督式两大类别[6-8]。 无监督式算法中的K-means聚类算法[9]由于其方法简单、速度快、效果好等优点成为了最简便的算法。 但该算法需要事先指定分类的数量，主观决定性较强，故该方法具有一定的局限性。AP聚类算法可以很大限度的克服以上缺点[10,11]，可以对不同的功率进行准确的分类处理，具有很高的准确性。有监督式算法主要通过暂态和稳态来对负荷进行识别。基于暂态的主要有DTW算法、根据峰值和标准差来进行分辨的方法，这种方法有一定的正确率，但评判相似度的目标函数具有一定的主观性。

文献[12]基于VI曲线对负荷进行辨识，是基于稳态的有监督式学习算法。该算法通过该曲线的斜率、旋转的方向、与自身交点个数等进行分析，形成独立的设备标签。最终通过实验验证了VI曲线分析的有效性。文献[13]在前者的基础上将VI曲线进行标准化后进行添加颜色处理，通过卷积神经网络对图像进行识别，辨识出负荷特征，由于增加了其他辨别特征所以其准确率和分辨的类别进一步增强，利用AlexNet神经网络实现迁移学习，使得最终结果更加快速、准确。

本文通过传统的复合滑动窗CUSUM对功率变化处的曲线进行提取，将总线上的有功功率作为x轴，无功功率作为y轴绘制二维暂态功率曲线，为了防止曲线断点造成分辨准确率的降低，利用拉格朗日插值法对功率轨迹进行插值操作。最后利用卷积神经网络对暂态功率进行曲线训练与辨识，通过结果分析可知本文所用方法辨识出的结果具有一定的准确性，能够成功将两种不同类别的用电器进行分离。

1 负荷特征分析

负荷特征的检测需要通过进线端的电压和电流进行检测和分析，根据不同的负荷特征来进行负荷辨识，该方法是辨识负荷的主要依据。随着微处理器的普及与发展使得高频率电流与电压能够轻易的获取。这使得利用暂态特征进行辨识成为可能。通过对进线端上的电压和电流进行提取及其运算可以得到总的有功和无功功率。假设有n 个用电器，总有功、无功功率的计算方程式如式（1）、（2）所示：

式中：

UK和IK—第k 个用电器瞬态电压、电流的有效值；

JK—第k 个用电器的状态；

P、Q—电表测出的总的有功、无功功率；

e1、e2—干扰信号。

1.1 信号的提取

信号的提取分为三个阶段：信号检测、信号分割和滤波处理。

1.1.1.信号检测

先通过CUSUM算法检测到数据中变化区间的位置[14]，之后检测过渡时期的时间段，为后续准确的识别负荷种类提供数据。CUSUM算法如下式所示：

式中：

μ0—滑动窗所在数据段前的平均值；

β—干扰所产生的噪声值；

1.1.2.信号分割

对于功率信号变化超过一定时间低于变化阈值的区段，就认为该用电器已经完成设备的启停。那么就将其开始到结束这一区段进行信号的分割。认为在这一段时间内完成了电器的启停操作。下一步对该区段进行识别处理。

1.1.3.滤波处理

为了监测数据段是否在该区域真实出现了功率的变化，需要对干扰进行过滤处理。通过发生暂态事件到结束变化的时间段和功率变化的大小可以大致判断，如果前后功率变化过小并且时间相差不大，那么可以认为是较大的信号干扰，会自动将其滤除。

1.2 信号的处理

如果单独考虑有功功率可能会忽视无功功率造成辨识精度不高的现象。但如果只是分开考虑有功、无功功率与时间的关系不仅会忽视二者之间的联系还会增加卷积神经网络中神经元的数量。为了提高辨识的准确率和减轻处理器的工作量，本文提出基于P、Q曲线进行二维图像的绘制，对该图像进行辨识以确定用电器的类型。该方法的优点如下：

1）对数据段提取不敏感。由于稳定时有功、无功的值近乎不变，即使提取的数据段较为宽泛也不影响最终图像的形状和辨识结果。

2）有较强的可移植性。即使之前没有经过用电器的实验与测试，也可以大致描述出电器所属的种类。通过该特征可以移植到不同用户的电表上，与其他方法相比具有一定的普适性。

3）具有较快的速度。本文仅涉及了黑白两种颜色（黑为1，白为0），神经网络也是基于简单的lenet-5。所以具有简单的结构较快的速度。

2 图像的提取

2.1 处理数据

为了提取足够大小的图像，对图像进行了归一化操作。为了减小因提取频率小而导致的曲线断续问题，本文采用插值方法对两个数据段进行处理，处理步骤如下所示：

Step1：计算像素点所占的功率长度，分别用有功、无功功率的最大值分别减去其对应的最小值除以其对应的像素点数，得到一个像素点的长和宽。

Step2：用其所在位置的值减去最小值再除以其像素所占的长度即可得到该像素落在那个像素点上，对所落在的像素点进行标黑处理。像素点的计算如式（5）、（6）所示：

式中：

X′和Y′—在图像上标注点的横、纵坐标；

X、Y—该用电设备的实际有功、无功功率；

d1、d2—横、纵坐标窗格的像素数；

max（X）—有功功率的最大值；

min（X）—有功功率的最小值。

Step3：为了避免因提取时间不同而产生像素点分布的不同，进而导致卷积最终结果的差异。对数据进行插值操作。条件为如果两点之间存在不连续的像素点，那么就对曲线进行插值操作。选取像素中心点，对落在该点的像素进行标黑处理（数值为1），没有标黑即为白色（数值为0）。

考虑到曲线会出现回折现象，本文采用拉格朗日分段插值法对间断数据点进行简单的插值操作。对给定的n个插值点x1,x2,x3…,xn;及其对应的函数值y1,y2,y3,…,yn;利用构造的n-1次Lagrange插值多项式，则对插值区间内任意x的函数值y可通过式（7）求得

式中：

X—有功功率；

Y—无功功率；

y（x）—与有功功率对应的无功功率值。

对两点之间缺少的像素点中间的值作为x进行插值，求取所对应的像素点的高度。为了极大程度上简化运算，每三个点为一组对中间的值进行求取，依次循环直到画完整条曲线为止。如果中间有回折区间段，造成x数值不是单调递增的现象，自动调整数据点的顺序以确保x的数值递增。对X轴插值完成后，将x，y进行对调，再对Y轴进行插值操作直到每相邻的两点之间没有间隔点为止。

通过图1两个图进行对比可以看出所得插值之后的结果，曲线没有间断点，变得连续。

图1 插值前后的曲线图

2.2 模型的训练

采用卷积神经网络（CNN）模型，对经典的LeNet-5进行了大致修改，增加了输入的像素数和神经网络节点的个数。由于LeNet-5结构简单运算速度较快，因此基于此算法的结构也具有较快的运算速度。传统的LeNet-5是由Yann LeCun设计，用于识别手写和机器打印字符的卷积神经网络。于1998 年提出了该模型并做出了网络架构介绍。该模型具有7 层（不包含输入层），有卷积层、池化层和全连接层，其输入图像为32×32。本文对现有的结构进行了修改，输入图像的大小为50×50，分别采用3×3、7×7和5×5不同大小的卷积核矩阵对矩阵进行处理，并且每个卷积层后都会有RELU激活层和批规范化BN（Batch Normalization）层。由于本文参与训练数据较少，为了防止发生过拟合现象，本文还另外增加了dropout算法，即随机让一部分神经元“失活”进而避免在训练中出现过拟合的现象。通过池化层加快了矩阵减小的速度，最后通过全连接层对结果进行分类以获取最终结果。生成的网络基本构架如图2所示。

图2 网络结构图

由上文可知，因其需要尽可能的把图像放大到最大，所以在图像边缘也包含大量有用信息。故在第一次卷积时增加了padding操作，目的是尽可能提取到边缘的像素点以保留原始特征。本文所使用算法的流程图如图3所示。

图3 负荷辨识流程图

3 仿真验证与分析

对微波炉、洗衣机、变频空调、热水器、冰箱和电磁炉6 种常见的家用电器，根据前文所述利用有功、无功曲线进行了二维图像的绘制工作（有功功率为横轴，无功功率为纵轴），图像如图4所示。

图4 六种家用电器的有功、无功曲线

由热水器和洗衣机瞬态功率可以看出，前期呈现出大致相同的曲线性质，这是根据电机的工作特性而来的。在刚通电时，由于电机没有初始速度，机械速度的上升需要一定时间，而通电后电流的上升速度要远远快于机械上升的速度，所以刚开始电机相当于处于堵转状态，随着机械速度的上升功率会逐渐下降直到稳定到额定的功率为止。

电磁炉与洗衣机的曲线也较为相似但通过功率的测试可以发现电磁炉无功功率为负值而洗衣机无功功率为正值，另外洗衣机的有功是先增大后缩小有峰值，而电磁炉一直在增加没有峰值。所以区分时较为方便。

3.1 训练参数

首先利用已知的用电器图像进行卷积网络的训练，训练的进度和损失值随迭代次数的变化，趋势如图5所示。

图5 卷积神经网络的训练进度

从图中可以看出前40 次迭代中识别精度快速增加并且损失值快速减少，在迭代次数达到40 次之后精准率和损失值趋于平稳。训练最高识别验证精度能达到92.65 %，损失值最低为0.402。

3.2 实验结果

本文模拟家庭用户的用电器做出了近一周的检测，通过上述方法进行了检测。检测结果如图6所示，纵坐标为真实的用电器名称，横坐标为辨识出的用电器名称。

图6 卷积神经网络分类的矩阵

评价指标使用Fscore值衡量模型检测结果的准确性[15]，其含义如下式所示：

式中：

TP—该用电器开启并且能正确检测出来的次数；

FP—其他用电器开启但预测为该用电器开启的次数；

FN—该用电器开启但预测为其他用电器开启的次数。

计算结果如表1所示。从表中的数据可以看出六种不同类别的用电器辨识精度较高，均能达到90 %以上。热水器和电磁炉的辨识率相对较低。这是由于在提取过程中二者前期大量的轨迹曲线较为类似，当区分二者的曲线段较短或不明显时二者容易被混淆。而洗衣机与热水器虽然有相似的曲线段，但能将二者区分的特征曲线较长很容易将其分为两类。故二者难以混淆。

表1 用电器的评价分数（%）

4 结论

本文提出了一种基于有功、无功功率曲线的负荷辨识技术，利用拉格朗日插值算法对中间的间断点进行插补运算，通过卷积神经网络对图像进行分类，并证明了该算法的有效性。通过仿真验证了所提的方法在检测准确率上可以满足实际需求，且稳定性较高。并且利用迁移算法可以充分发挥出其准确、高效的优势。适合部署在智能电网的辨识控制器中，为非侵入式负荷监测算法在实际中的应用提供了新的思路。