基于双通道多特征融合的电力负荷智能感知方法

郇嘉嘉，汪超群，洪海峰，隋 宇，余梦泽，潘险险

(1. 广东电网有限责任公司电网规划研究中心，广州 510080； 2. 浙江大学电气工程学院，杭州 310007)

非侵入式负荷监测(non-intrusive load moni-toring，NILM)是一种在不侵入用户内部的情况下，通过安装于总关口的用能分析设备实现用户用电行为自动感知的方法[1-3]。NILM一般用于能效监测、故障诊断以及需求响应等领域[4]，其提供的用电信息对于用户了解自身能耗构成、引导其调整用能方式，进而实现节能降损具有重要价值[5]。相较于侵入式负荷监测，NILM无需深入用户内部为每台电器设备配置分析工具，具有经济性好、灵活性高以及维护简单等优点[6]。因此，近年来中外研究机构和团队对NILM进行了深入探索，并取得了大量研究成果[7-8]。

目前，NILM的主要做法是通过事先提取和学习各类电器设备电压或电流信号中所蕴含的基本特征来进行用能识别。常用的电气特征包括数值特征和图像特征[9]两类。其中数值特征分为有功、无功、谐波和电流，图像特征则主要指电压-电流(V-I)轨迹及对应网格化后的图像[10]。文献[11]将电器稳态运行时的电流作为负荷特征，建立了负荷总电流与各电器电流关系的数学模型，并采用差分进化算法求得各电器开启系数，成功实现了居民用户的负荷分解。文献[12]通过对各类电器设备的功率数据进行聚类分析，提出了以聚类中心为功率特征的负荷识别方法。但是该方法对于功率相近的设备难以做到有效区分。文献[13]基于离散傅里叶变换提取了电流的奇次谐波特征，并从识别精度、训练时间、抗噪性能等方面对比了4种负荷分类模型。计算结果显示，将谐波特征用于负荷分类，可以对各类非线性负载起到较好的分类效果，但是谐波无法反映设备的阻抗特性，对于多状态负荷的识别效果较差[9]。文献[14]采用二维电压-电流轨迹来表征家用电器的负荷特征，其主要做法是根据V-I轨迹呈现的形状特点，从中提取8种形状参数作为区分不同类别电器设备的依据。考虑到形状参数的提取过程较为复杂，且降维后的形状参数相对原始轨迹难免有所失真，因此文献[15]在文献[14]的基础上，将V-I轨迹直接映射为具有一定分辨率的二值网格图像，在尽可能保留原始轨迹信息的同时提高了负荷识别的精度。虽然二值图像相比形状参数的保真度更高，但是归一化处理和较低的图像分辨率导致其无法反映设备的高频和功率等信息。

针对以上研究不足，现提出一种基于双通道多特征融合的负荷智能感知方法。其主要思想是结合数值特征与图像特征各自的优势，分别将其送入两个通道进行高级特征提取。通过利用主成分分析-神经网络(principal component analysis-back propagation，PCA-BP)算法和卷积神经网络算法[16]对数值和图像的强大学习能力实现两类特征在高维空间的深度融合。最后借助于Softmax分类算法对融合后的高维特征进行训练学习，以期实现各类电器设备的准确辨识。以PLAID数据集为例对上述方法进行测试，通过研究训练次数对负荷识别精度的影响，确定算法的最佳迭代次数；然后，研究不同特征方案下负荷识别方法的优劣，并与其他文献中的方法进行比较，以验证本文方法的有效性。

1 多特征融合负荷识别方法

所提出的NILM方法分为数据采集、特征提取、模型训练以及用能识别等环节。其中，数据采集环节负责对各类电器设备的运行数据进行采样和存储；特征提取环节则利用信号分析和电路理论从采集的信息中提炼出有价值的数据和指标，用以区分不同类别的电器设备；模型训练的作用是基于人工神经网络方法对提取到的特征进行反复学习，从而逐步掌握识别各类电器的能力；用能识别环节则借助训练好的神经网络对用户用能行为进行在线感知。

1.1 数据采集

数据采集的主要功能是利用电流钳、电压探针、高频示波器组成的采集系统对各类家用电器(包括冰箱、空调、热水器、白炽灯等)的电压和电流波形进行采样和存储。某型号冰箱的运行采样数据如图 1所示。该数据包括设备启用前后的暂态信号和稳态信号。由于暂态分析方法对采样频率要求很高，在实际应用中存在各种限制。因此，主要截取稳态信号进行特征提取和用能分析。

图 1 某台冰箱运行采样数据Fig.1 Sampling data of a refrigerator

1.2 特征提取

1.2.1V-I轨迹特征

V-I轨迹是指设备稳态运行时，根据其电压和电流波形绘制而成的二维轨迹。该轨迹对于多数不同工作原理的设备表现出独特的形状。因此，可利用形状之间的差异作为负荷分类依据。传统的V-I轨迹法将二维轨迹转化为一维形状指标进行分类辨识，不仅提取过程复杂，而且降维后难以全面反映其原始特征[9]。对此，一种有效的解决方案是将原V-I轨迹映射为具有一定分辨率的二维图像矩阵，在简化计算的同时尽可能保留其原始特征。采用该方法构造二值网格图像，具体如下。

图 2 各类电器设备的V-I轨迹图像Fig.2 Binary image of V-I trajectory of various electrical equipment

(1)根据单个电器启用前后的电压和电流差值提取出电器稳态运行时的电压和电流波形。

(2)假设一个周期内有N个采样点，当图像的分辨率为M×M时，将电压和电流采样值线性映射为0～M内的整数，即

(1)

(2)

式中：n=1，2，…，N；vn、in分别为第n个采样点的电压和电流值；v′n、i′n为转化后的电压和电流值；vmin、vmax分别为所有采样点中电压的最小和最大值；imin、imax分别为所有采样点中电流的最小和最大值；⎣·」为向下取整。

(3)构造维度为M×M的零矩阵，然后从第一个采样点开始，逐一取出所有样本点的值，并将矩阵中第i′n行第v′n列元素置1，直至最后一个样本点。所得到的M阶矩阵即为二维V-I轨迹的像素矩阵。

根据上述方法，对11类常用电器设备的V-I轨迹和图像进行构造，结果如图 2所示。可见，大部分设备的V-I轨迹差异明显，但仍有少数设备的轨迹相似(如吹风机和白炽灯，空调和电风扇等)。考虑到V-I图像的分辨率较低(一般远小于采样频率)，且电压、电流经过了缩放，导致其无法反映设备的高频和功率等信息。因此，为了提高负荷识别的准确率，可将多种特征包括V-I轨迹、原始电流波形、谐波以及有/无功功率进行融合扩展，以增强分类算法的学习和辨识能力。

1.2.2 电流特征

电流特征为一个稳态周期内设备电流的采样波形。在构造电流特征的过程中，要求所有设备的电流波形统一从0(或接近于0的数)开始增加，以便于后续进行训练和识别。此外，为了降低噪声和坏数据的影响，可将多个稳态周期内的电流值对应相加取平均，从而得到一个周期内的平均电流采样值。依据以上方法，可得到归一化后上述11类电器设备的电流波形，如图 3所示。可以看到，各类设备的电流波形区别明显，特别是荧光灯、计算机和洗衣机等设备的波形出现了明显的畸变。

1.2.3 谐波特征

通常，电力电子元件在各类家用电器中普遍存在，导致相应设备在整体上表现为一个非线性的负载。在正弦电压的作用下，非线性负载会产生大量的谐波电流。对于不同类别的电器设备，各次谐波电流的含有率差异较大。为说明该现象，给出了11类电器设备的谐波电流分布，具体如图 4所示。由图4可知，微波炉的3次和5次谐波较为严重，计算机的3、5、7、9次谐波含量均较大，而空调、白炽灯、加热器等设备的各次谐波含量较少。

图 5 各类电器设备的功率分布Fig.5 Power distribution of various electrical equipment

图 4 各类电器设备的谐波分布Fig.4 Harmonic distribution of various electrical equipment

采用离散傅里叶变换(discrete Fourier transform，DFT)提取电流和电压信号的谐波特征。DFT是数字信号处理领域最基本的方法之一，它可以根据一系列的离散数据采样点获取原始信号的时域和频域特征。对于某个稳态周期内的离散电流采样值，采用傅里叶变换可得到其k阶频域信号X(k)及对应的幅值|X(k)|和相角arg[X(k)]，即

(3)

(4)

arg[X(k)]=arctan(bk/ak)

(5)

式中：ak、bk分别为X(k)的实部和虚部，具体为

(6)

(7)

|X(k)|即为k次谐波特征。进一步地，电流信号的时域形式可表示为

表 1 神经网络参数设置Table1 Neural network parameter settings

(8)

各次谐波电流的有效值、相角与其k阶频域信号的关系为

(9)

(10)

(11)

电压信号的时域形式同样可以通过上述方法得到。

1.2.4 功率特征

功率特征分为有功功率和无功功率两种。其中有功特征反映了电器设备的能耗大小。利用该特征可以对能耗相差较大的设备进行有效区分。无功特征则体现了设备的阻抗特性。利用该特征能够对具有不同阻抗特性(电阻型、电感型、电容型)的电器设备起到较好的分类效果。

考虑到谐波分量的存在，可根据设备电压和电流的时域形式计算其有功和无功功率，即

(12)

(13)

利用式(12)和式(13)对各类设备的运行功率进行计算，每类设备随机选取5个样本，得到其功率分布如图 5所示。由图5可知，白炽灯、荧光灯和计算机的功率较小，且分布相对集中；洗衣机的有功和无功耗量均较大，其用能呈现出明显的阻-感特性；吹风机和加热器主要消耗有功，无功耗量非常小，因此可将其归类为电阻型负载；相对其他设备，空调的功率分布较为分散，在0.1～2.5kW均有分布，这是因为空调可以在多种工作模式下运行(例如设置不同的制冷/制热温度)，是一类典型的变工况设备。

1.3 模型训练

1.3.1 网络训练

在上述4种特征中，二维V-I轨迹为图像特征，其余均为一维化的数值特征。这两类特征从不同的角度展示了设备之间的属性差异，若能将其加以融合则可以显著增强算法的负荷识别能力。近年来，卷积神经网络在图像识别领域取得了巨大的成功，而传统BP神经网络算法对一维数据的拟合效果较好。故此，可采用双通道的思想，将图像特征和数值特征以不同的通道在高维空间进行融合，则能更加全面、立体地揭示各类设备的本质特征。

基于上述思想，采用卷积和BP神经网络算法构建了一种双通道多特征融合模型，其基本结构如图 6所示。其中，BP神经网络作为通道1，通过隐含层提取功率、电流、谐波等输入信息中所蕴含的高级抽象特征；而卷积神经网络(convolutional neural network，CNN)作为通道2，其通过卷积层和池化层从V-I轨迹中学习复杂的形状参数。两个通道独立提取电器设备的不同属性特征，然后将这些特征向量进行拼接融合，最后通过全连接层和Softmax函数实现不同类别电器设备的有效辨识。

图 6 双通道多特征融合负荷识别Fig.6 Multi feature fusion structure with dual channel

BP、CNN与Softmax算法的相关参数设置如表 1所示。通道1的输入为524个初级特征，它包括500个电流、22个谐波以及2个功率特征；通道2的输入为28×28的二维V-I轨迹图像；分类算法采用单隐含层的Softmax分类，其输入为通道1和通道2形成的融合特征，总维数为384。通道1、通道2以及Softmax分类的输出层维度均为11，它表示该算法可以区分11类电器设备。

1.3.2 数据降维

由于通道1的输入特征维数较大，容易导致过拟合与训练时间长的现象产生。针对该问题，采用主成分分析(principal components analysis，PCA)方法，在保留主要信息(如99.9%的有效信息)的同时通过剔除冗余数据以实现特征降维。PCA方法的流程如下。

(1)已知m个n维特征S:x(1)，x(2)，…，x(m)，其中第i个样本x(i)∈Rn×1有n个特征。

(3)计算m个样本的协方差矩阵XXT，然后对矩阵XXT进行特征值分解，得到n个特征值和特征向量。

(4)将n个特征值由大到小排列，然后选取前n′个特征值(λ1，λ2，…，λn′)及对应的特征向量(w1，w2，…，wn′)，使得式(14)成立。

(14)

(5)将n′个特征向量标准化，以形成特征矩阵W。

(6)对n维空间样本集中的每一个x(i)，转换为n′维空间内新的样本，即z(i)=WTx(i)。样本集S′:z(1)，z(2)，…，z(m)即为降维后的样本集合。

1.3.3 训练方法

选取交叉熵函数作为最小损失函数，优化方法为随机梯度下降法，学习速率取1.0×10-4，丢弃率为0.2，批次数量为100。具体训练步骤如下。

(1)根据1.1和1.2节中的方法，提取V-I图像特征和电流、谐波、功率等数值特征，并对数值特征进行归一化和PCA降维处理。

(2)构建双通道网络，将数值特征、图像特征分别送入对应的通道，然后以电器类别为标签进行有监督地训练。

(3)训练完成后，将通道1的隐含层输出和通道2的全连接层输出合并为一维向量，得到由图像和数值组成的复合特征。

(4)以复合特征为输入，以电器类别为标签，训练Softmax分类网络进行正确负荷识别。

2 算例测试及分析

2.1 算例说明

采用PLAID数据集[17]对本文方法进行测试。PLAID数据集覆盖11类共235台独立设备的电压-电流波形数据，采样频率为30kHz，总样本数为1 074 组。考虑到PLAID数据集中不同类别电器的样本数相差较大，若直接进行训练识别可能导致部分设备的辨识效果不佳。为此，采用Borderline1-SMOTE[18]过采样技术对少数类样本进行合成扩充，扩充后的总样本数为1 925。随机从扩充的样本集中选取220个样本组成测试集(每类设备测试20个)，剩余1 705个样本作为训练集。

在开始训练之前，定义负荷识别准确率(精度)指标ε，该指标表示分类正确的样本数ntrue与总测试样本数ntest之比，即

(15)

2.2 结果分析

为定量分析训练次数对算法性能的影响，绘制了识别精度和损失值随训练次数的变化曲线，如图 7所示。可以看到，在迭代初期，随着训练次数增加，损失函数值逐渐减小，训练集和测试集的识别精度也随之不断增加。当迭代次数超过200 次时，无论是损失函数还是训练集和测试集的识别精度均趋于稳定，Softmax分类算法的识别性能将不会发生大的变化。基于以上分析，可将训练次数设置为200 次，即可获得较为满意的识别效果。

图 7 训练次数对算法性能的影响Fig.7 Influence of training times on algorithm performance

考虑到电流、谐波、功率等数值特征的总维数较大，影响了BP算法的训练速度。为此，采用主成分分析方法对输入通道1的数值特征进行了降维处理。降维后，数值特征的总维数由524减少为120，对应测试集的精度仅下降了1.36%，而训练速度则提升了90%以上。降维后的二维电流和谐波分布如图 8所示。

图 8 降维后电流和谐波特征的二维分布Fig.8 Distribution of current and harmonic characteristics after dimensionality reduction

负荷识别的精度与分类算法的输入特征有关。对3种特征方案进行了测试，得到识别结果如图 9所示。具体地，图 9(a)、图9(b)分别为采用数值特征和图像特征进行识别时得到的混淆矩阵，图 9(c)为采用数值与图像复合特征得到的混淆矩阵。单元格中的数字表示设备的数量，横坐标表示设备的预测类别标签，纵坐标表示电器的真实类别标签。矩阵中的每一行之和代表测试集中该类别电器的样本数量；每一列之和代表被预测为该类别电器的样本数量。

图 9 不同特征方案下的混淆矩阵Fig.9 Confusion matrix under different feature schemes

表 2 不同方法的负荷识别精度对比Table2 Comparison of load identification accuracy of different methods

表 3 不同方法的设备识别精度Table3 Equipment identification accuracy of different methods

由图 9可知，仅使用数值特征进行负荷识别时的准确率为84.09%，使用V-I图像特征进行负荷识别的准确率为87.27%，而采用数值与图像复合特征识别的准确率则高达94.55%。对比图 9(a)和图 9(b)，两种测试场景的负荷识别结果呈现一定的互补性。具体表现在：单独采用数值特征进行负荷识别时被错误分类的吸尘器和洗衣机能够在使用图像特征时被正确识别；单独采用图像特征进行负荷识别时被错误分类的电风扇和加热器也能在使用数值特征时被正确识别。相对于使用单一数值特征或图像特征，将两种特征进行融合识别可以减少错误分类数，提高辨识的准确率。例如，图 9(c)中冰箱和吹风机的分类正确数较之使用单一特征时有所上升。以上测试结果表明，基于双通道多特征融合的电力负荷识别方法可以充分利用各类特征之间的互补性，有效克服单一特征无法全面反映设备自身属性的缺点，从而显著增强负荷分类算法的识别能力。

负荷识别的精度还与算法的自身性质有关。随机森林选取了4种常见负荷分类算法，并与本文方法进行对比，结果如表 2所示。表2中，KNN、SVM和随机森林分别为K近邻、支持向量机以及随机森林算法。由表2可知，当使用数值特征或图像特征进行负荷识别时，Softmax、随机森林和KNN算法的识别性能较好。当采用复合特征进行识别时，Softmax、随机森林、SVM和贝叶斯算法的识别精度均有所提高，而K近邻算法的识别精度低于单一特征识别时的精度，说明该方法不适用于多特征融合。无论采用单一特征还是复合特征，Softmax分类算法的识别性能均优于其他方法，该结果充分说明了Softmax算法的强大学习和分类能力。

为进一步说明本文方法的优势，将设备识别结果与其他文献中的结果进行比较，具体如表 3所示。其中文献[19]采用奇次谐波特征进行负荷分类，分类算法为多层感知器模型；文献[20-21]均采用随机森林算法，负荷特征分别为经过简化的V-I轨迹和采用缩减技术形成的有效特征集；文献[22]则采用由暂态和稳态指标组成的复合特征，分类算法为PCA分类辨识算法。分析表 3可知，5种方法对于空调、电风扇和冰箱的识别精度均较低，这是因为上述三类设备可以在不同运行状态之间切换，导致其电气特性复杂，进而影响了分类算法的辨识效果。考虑到文献[19]仅采用谐波特征进行负荷分类，而文献[20]的V-I轨迹经过了大幅简化，因此两者的识别效果均较差。文献[21-22]在一定程度上利用了特征之间的互补性，其设备的识别精度高于文献[19-20]。但由于所采用的分类算法无法在高维空间中挖掘设备的本质属性，导致文献[21-22]的精度仍低于本文方法。以上结果进一步验证了提出的双通道多特征融合负荷识别方法所具备的突出优势。

3 结论

提出了一种基于双通道多特征融合的负荷智能感知方法。该方法充分利用了各类特征之间的互补性，通过PCA-BP神经网络算法对电流、谐波和功率等数值特征进行了高级特征提取，同时利用卷积神经网络算法对V-I图像特征进行了高效学习。两个通道独立提取和学习电器设备的不同属性特征，然后将其进行扩展融合，最后采用Softmax分类算法实现了用电负荷的有效辨识。

采用PLAID数据集对本文方法进行测试，并与其他分类方法进行了比较。算例测试结果表明，相对于传统使用单一特征的负荷识别方法，基于双通道多特征融合的负荷识别可以更全面地反映电器设备的本质属性，有效克服单一特征所造成的设备区分率差的问题，从而显著增强了算法的负荷识别能力。在后续工作中，将进一步研究本文算法在嵌入式设备中进行集成应用的问题，以检验算法的在线识别效果。