基于非侵入式负荷监测的用户行为精细化分析

王 琳，郭志鹏，张郁静

（国网天津市电力公司东丽供电分公司，天津 300300）

随着非侵入式电力负荷监测的发展，如何利用收集到的用户负荷用电细节信息分析用户用电行为特征成为重要的研究方向[1-2]。通过统计分析挖掘用户用电行为的规律，为电力公司客户个性化能效服务等多项增值业务提供数据支撑。

用户用电行为分析及应用是配电网中的重要环节，许多学者对居民的用电行为进行了大量研究。从研究内容的角度来看，主要集中在3个方面：①分析影响居民用电行为的主要因素，包括家庭特征、社会经济因素、社会心理因素和相关的环境行为理论；②通过电力消耗数据的统计分析，发现常规的用电模式；③干预策略的研究。

在用户用电模式分析方面，目前国内外关于居民用户用能行为分析研究的文献都以居民用户家庭总负荷作为研究对象，并未充分利用现有数据采集技术的优势[3-7]。随着非侵入式负荷监测NILM（non-intrusive load monitoring）技术的发展，借助NILM得到的用户电器设备级的用电信息，可以更深入地研究居民用户的用电行为[8-9]。此外，在用户设备级的用电信息基础上，用户需求响应潜力评估作为一项新技术的应用，对于电力用户、电力公司和全社会都有着重要的作用。例如，实现基于用户自我调节的机能，提高安全指数、用户服务质量和用户黏性，实现安全隐患监测和预警等。

基于此，本文提出了基于NILM的用户行为精细化分析方法，根据NILM数据建立用户行为特性指标，提出基于因子分析法与支持向量机的用户分类模型。在此基础上，建立基于精细化负荷数据的用户需求响应潜力评估指标。算例结果表明，本文所研究内容可以准确分析用户行为，为电力公司实行需求侧管理提供科学指导。

1 用户行为精细化分析

1.1 NILM技术

NILM技术是一种通过分析总线处的用电数据来获取用户内部每个设备能耗信息的技术，其基本原理如图1所示。

图1 NILM技术基本原理Fig.1 Basic principles for non-intrusive load monitoring technology

NILM技术具有硬件设备简单、易于应用等优点，受到了学者的广泛关注。随着智能电网的发展，如何利用NILM技术获得精细化负荷用电数据分析用户行为，为电力公司实行需求侧管理提供科学指导，具有重要意义。

文献[10]将单台电能表得到的总负荷数据分解为家用电器的精细负荷消耗数据，非侵入式负荷分解算法如图2所示，详细步骤如下。

图2 非侵入式负荷分解算法Fig.2 Non-intrusive load decomposition algorithm

步骤1对每个家庭的电压和电流进行采样。

步骤2根据电压、电流采样结果，可以得到各住户的功率特性和谐波特性，并进行归一化处理。

步骤3建立NILM的目标函数，其表达式为

式中：P(t)为t时刻某个家庭的聚合功率特性；H(t)为t时刻某个家庭的聚合谐波特性；Si为所考虑的第i个家用电器，i=1，2，…，M，Si∈（0，1）；Pi、Hi分别为第i个家用电器的功率特性和谐波特性；λ为权重因子。

步骤4通过遗传算法求解目标函数，得到不同负荷分量的能耗信息。

本文引入上述非侵入式负荷分解算法，获取不同家庭的详细用电数据。

1.2 基于NILM的用户行为特征挖掘

文献[8]结合居民用电数据与电价数据，初步建立了用户行为特征库，但是该文献对NILM数据的分析不够深入，没有充分挖掘基于NILM下的用户行为特征。因此，本文在文献[8]的基础上，分别从用电时间、用电功率、用电量3方面进一步建立用户行为特征，为精细化分析用户行为奠定基础。

1.2.1 基于用电时间的用户行为特征

利用NILM数据，结合不同用电器的启停时间得出用电时间的用户行为特征R1，其计算公式为

1.2.2 基于用电功率的用户行为特征

利用NILM数据，结合不同电器的实时用电功率得出用电功率的用户行为特征R2，其计算公式为

1.2.3 基于用电量的用户行为特征

利用NILM数据，并结合不同电器的用电量及电费情况，探究基于用电量的用户行为特征及不同电费结构对用户用电影响R3，其计算公式为

1.3 基于NILM与特征挖掘的用户聚类

NILM技术可以提供家庭用户总用电量及各电器设备的用电量，利用NILM的研究成果，可以有效提炼基于用电时间的用户行为特征、基于用电功率的用户行为特征、基于用电量的用户行为特征，并根据行为特征对用户分类，用户聚类的总体流程如图3所示。

图3 用户聚类的总体流程Fig.3 Overall process for user clustering

以因子分析与支持向量机算法为基础，对用户群体进行分类，具体方法如下。

步骤1获取数据并建立用户行为特征。用户行为特征可分为基于用电时间的用户行为特征、基于用电功率的用户行为特征、基于用电量的用户行为特征，共包含22个具体特征。

步骤2分类标准定义选取。用户分类可以从多个标准入手，针对每个标准分别对用户从不同的角度进行分类。

步骤3因子分析。因子分析法是一种通过降维技术来化简多维向量的数据特征提取方法，属于主成分分析的推广，其基本思想是通过分析多变量数据的相关关系，找到支配这种相关关系的少数几个相关独立的潜在因子，达到简化观测数据，用少数变量解释研究复杂问题的目的[10-11]。

针对某一分类标准的特征向量R，其因子分析的一般模型为

在因子分析法中，求解因子模型的关键是估计因子载荷阵A，A可表示为

式中：λ为样本协方差矩阵的特征向量，λ=[λ1,λ2,…,λr]；e为单位向量，e=[e1,e2,…,er]；r为公共因子个数，其计算公式为

式中，R为向量R中的元素个数

在计算出因子载荷矩阵后，可以根据特征向量及协方差矩阵求公共因子向量Fd为

式中，S为协方差矩阵。

步骤4用户分类。支持向量机是一类按监督学习方式对数据进行分类的广义线性分类器，它的目的是寻找一个超平面来对样本进行分割，分割的原则是间隔最大化，最终转化为一个凸二次规划问题来求解。

支持向量机的优化模型可表示为

式中：w为目标函数表示的分类边界之间的距离；X为自变量数据；b为距离因子。

2 用户需求响应潜力指标

2.1 电器聚类

在不考虑自然因素和突发事件的前提下，通过分析人类活动与人类生产生活的活动规律，可以有助于评估需求响应潜力。随着NILM技术的发展，可以获取用户针对不同类型电器的历史用电数据，更加准确地分析用户的用电习惯。

基于非侵入式负荷分解结果，可将常见负荷分为固定性负荷与波动性负荷。其中，固定性负荷也叫典型负荷分量，主要包括制冷电器、声像电器、厨房电器、照明电器、洗浴电器，该类负荷总体用电量较为平稳，波动较小。波动性负荷主要包括空调器、清洁电器、整容保健电器，该类负荷整体波动情况较为复杂。

为了进一步分析不同用户针对各个电器的用电波动情况，建立负荷波动特性指标，即

式中：i为家庭编号；j为电器编号；P为设备的功率；D为用电记录数；a为单条用电记录。在式（11）的基础上，将1户家庭的总负荷P∑分别聚类为固定负荷和波动负荷。

2.2 需求响应潜力指标

由于固定性负荷是由居民的长期生活习惯决定的，该部分负荷无法有效参与电网的需求响应过程。而波动性负荷具有很大的灵活性，可以有效参与电网的需求响应过程。因此，针对每个用户的波动性负荷分量，可确定个体用户的需求响应潜力指标，实现用户用电灵活性分析，用户需求响应潜力指标流程如图4所示。

图4 用户需求响应潜力指标流程Fig.4 Process for Demand response potential index of users

用户需求响应潜力指标α的表达式为

式中：Cflu为波动性负荷总用电容量；Call为用户总用电容量。

3 算例分析

3.1 用户行为精细化分析

3.1.1 用户行为特征

选取10户居民，对部分用户行为特性指标进行分析，其结果如表1所示。

表1 用户特性指标计算结果Tab.1 Calculation results of user characteristic indexes

3.1.2 用户聚类

在用户行为精细化分析阶段，本文建立了4个分类标准，对用户从不同的角度进行分类。分类标准及不同标准下的用户类别如表2所示。根据用电习惯，可将用户分为单峰型、两峰型、多峰型、持续型4类；根据能源消耗，可将用户分为高能耗、中能耗、低能耗3类；根据新能源汽车，可将用户分为有、无两类；根据用电模式，可将用户分为标准模式、经济模式、外出模式3类。

表2 分类标准Tab.2 Classification criteria

结合NILM数据，以用户的用电习惯为标准对用户分类，如图5所示。图5展示了典型的单峰型用电、两峰型用电、多峰型用电、持续型用电居民的用电负荷曲线，其中，单峰型指居民用电高峰时间集中在09：00—18：00之间的用电特征模式；两峰型指居民用电高峰时间集中在09：00—12：00、14：00—18：30之间的用电特征模式；多峰型指居民用电高峰时间集中在09：00—12：00、14：00—18：00、20：00—22：00之间的用电特征模式；持续型指无用电高峰，居民用电时间均匀分布在各个时段。

图5 基于用电习惯的用户分类Fig.5 User classification based on electricity consumption habit

以能源消耗的分类结果为例，结合NILM数据分析不同用户的能源消耗水平，从而实现用户分类，其聚类结果如图6所示。

图6 基于用户的能源消耗水平的用户分类1Fig.6 User classification 1 based on energy consumption level of users

为了同时验证因子分析的有效性，图7为同时利用最大负荷小时数、负荷最大值、负荷平均值进行聚类的结果。

图7 基于用户的能源消耗水平的用户分类2Fig.7 User classification 2 based on energy consumption level of users

3.2 需求响应潜力评估

根据NILM技术，可将每个用户的总体负荷分为固定性负荷与波动性负荷。其中，固定性负荷是由居民的长期生活习惯决定的，该部分负荷无法有效参与电网的需求响应过程；而波动性负荷具有很大的灵活性，可以有效参与电网的需求响应过程。因此，针对每个用户的波动性负荷分量（可调控负荷容量），确定个体用户的需求响应能力，其分析结果如图8所示。

图8 用户需求响应潜力Fig.8 Response potential of user demand

从图8可以看出，个体用户的需求响应潜力在10：00—12：00、00：00—05：00、17：00—24：00 较高。这说明在考虑固定性负荷与波动性负荷的情况下，个体用户的需求响应潜力的变化情况受到用户日常生活习惯的影响，当用户用电量增加时，其参与需求响应的潜力也随之增加。

4 结语

本文提出了基于NILM的用户行为精细化分析方法，根据用户行为特性指标实现用户聚类，并建立了基于精细化负荷数据的用户需求响应潜力评估指标。算例结果表明，本文研究内容可以准确分析用户行为，为电力公司实行需求侧管理提供科学指导。