基于非侵入式技术的空气源热泵负荷识别与分解

宋一凡，于浩然，尹凯，马骁，李洪涛

(1. 国网北京市电力公司电力科学研究院，北京 100075；

2. 天津求实智源科技有限公司，天津 300384)

0 引 言

近年来需求侧管理政策发展迅速，电力非侵入负荷监测(Non-Intrusive Load Monitoring，NILM)逐渐受到关注[1]。该技术是通过在电力负荷入口处安装传感器，通过采集、处理和分析电力负荷入口处的电压和电流，获取总负荷内部各个/类用电设备的工作状态和耗电功率等信息并形成特征库，用于后续辨识和分解[2]。由于其只需在总口处安装单一的传感器，因此费用低，容易安装，保证不干扰到用户用电，避免纠纷。近年来，国内对于非侵入式电力负荷监测与分解的研究不断增多，识别对象多为居民家庭用电负荷，文献[3]应用NILM技术对家庭主要设备负荷特性进行提取，通过模糊C聚类法实现家庭负荷模型归类，获得设备针对不同电价的转移灵敏度和自灵敏度用电特性，并在此基础上形成家庭负荷特性。文献[4]采用结构熵权法将居民用电行为与有功功率、无功功率和电流谐波特征相结合,确定最终权值,有效提高负荷识别的准确率。文献[5]提取了电热水器、电热水壶、定频空调的辨识特征量组，提出了基于暂稳态混合判据的非侵入负荷辨识算法。随着北方地区大规模推进“煤改电”工程，电采暖设备作为用电侧引入的新兴负荷，其不同原理下的设备负荷特性与煤改电用户的用电行为有强相关性，但数据量样本少且难以获取[6]，非侵入式电力负荷监测技术可以较好解决电采暖负荷数据采集的问题。目前在负荷辨识的性能方面，非侵入式技术仍存在一些结构和工作原理相似的用电设备通常难以区分的问题[2-5]，辨识对象多集中于家庭常见用电负荷，在煤改电负荷上的应用经验较少。结合非侵入负荷辨识流程[7]，针对电采暖设备中最常用的空气源热泵，提出了一种基于负荷事件检测的负荷指纹提取方案以及适用于工程应用的指纹模板库自动生成方法，实际应用证明，该方法所形成的模板库中空气源热泵负荷特征区别于其他家庭负荷的唯一性较好，实用性高，抗干扰性强。

1 空气源热泵负荷指纹提取

用电设备在特定工作模式下所体现的负荷特性被称作该设备的“负荷指纹”[8]，为实现非侵入式对负荷的有效辨识，首先需要提取空气源热泵的负荷指纹，构建唯一特征模式，通过自适应检测将其固化形成空气源热泵指纹模板库，最终完成对负荷的识别与分解。采用一种基于负荷事件检测的非侵入式空气源热泵负荷指纹提取方案。负荷事件是指电器设备发生工作状态的改变，实际中多数情况下每个电器设备都有特定的启动过程及稳态时的电压电流波形，因而可以根据暂态变化或稳态变化来获取负荷事件的特征[9-10]。

实际检测到空气源热泵的负荷功率特征如图1所示，设备启动后运行区域由多个暂态和稳态交替叠加形成，最大功率达到4.5 kW。有功功率作为非侵入式负荷监测中是最为直观的数据，空气源热泵在稳定工作时其有功功率常保持恒定值，因此采用对有功功率的判别来检测空气源热泵负荷事件。

图1 空气源热泵功率特征曲线Fig.1 Power characteristic curves of ASHP

1.1 特征量采集

由于实际采集的信号是离散信号，计算不同谐波的有功功率需要对电压电流采用离散傅里叶变换算法(DFT)进行处理。对空气源热泵电流，采用按时间抽取的快速傅里叶变换(FFT)算法，将一个周期的采样序列分为奇偶两组，分别为I1和I2，为减小算法时间复杂度，又可将I1和I2分别再分为子序列，以此类推，形成多级级联的运算。根据傅里叶分解，总口下原有的稳态电流可以表示为如下形式：

iold(t)=I1,old[cos(ωt+θ1,old)+…+αk,oldcos(kωt+θk,old)+…]

(1)

式中iold(t)表示电气设备处于工作稳态时的电流瞬时值；I1,old为电气设备稳态时电流基波分量幅值；θk,old为相角；αk,old表示电气设备稳态电流第k次谐波幅值与其基波幅值的比值。

当总口下有新的电气设备启动后，并且达到稳态，会产生新的电流：

il,new(t)=Il1,new[cos(ωt+θl1,new)+…+αlk,newcos(kωt+θlk,new)+…]

(2)

式中l表示电气设备；Il1为电气设备稳态时电流基波分量幅值；θlk为相角；αlk表示电气设备稳态电流第k次谐波幅值与其基波幅值的比值；il,new(t)表示在电器l投入使用后在总口下获取的新的稳态电流，则该用电设备的稳态电流变化可以近似使用新稳态电流减去旧稳态电流获得：

Δil(t)=il,new(t)-iold(t)=Il1,new[cos(ωt+θl1,new)+…αlk,newcos(kωt+θlk)+…]-I1,old[cos(ωt+θ1,old)+…+αk,oldcos(kωt+θk,old)+…]=Il1[cos(ωt+θl1)+…+αlkcos(kωt+θl1,new)+…]

(3)

在检测到负荷事件发生后，使用式(3)计算出该负荷事件的基波电流电压的幅值、各次高次谐波的幅值与基波比值，以及相角。因为过高次谐波幅值较小，因此计算时可以只采用11次及以下计算。得到基波与各次高次谐波分解结果后，依次对各正交分量计算有功功率，并做累加得到ΔP。

1.2 过渡事件捕获

设置功率门槛值Pmin，选取方法如下：正常情况下，一天的功率数据点数为83 000～86 000点，计算其当日标准差Sn，其中n为天计数。

如图2所示。选择4天对每日的功率标准差进行平均，得到标准差平均值Savg作为这4天功率波动程度的评价指标。在负荷事件的判定中，应避免波动对事件提取的影响，考虑到波动的极值，因此事件的功率最小门槛值应不小于5倍4天窗口的Savg，其中5倍的选择依据为文中算法经过大量数据评价和验证得到的经验值，即:

图2 事件门槛值计算示意图Fig.2 Illustration of threshold value calculation

Pmin≥5Savg

(4)

该值作为后续4天的事件检测门槛值。继续地，在第5天时，向前迭代3天，再次组成4天窗口期计算标准差平均值并更新Savg作为后续时间段事件检测门槛值。事件最小门槛值根据负荷运行波动情况自动调整，其调整窗口期为4天(负荷辨识算法在云端系统对实时结果回溯修正的时间)。针对于文中提到的环境，经过长期运行期计算每4天门槛值，目前已经稳定在100 W，因此本文中空气源热泵的系统事件门槛值到目前为止被判定为100 W。

获得Pmin后，定义20点功率平均值为μ，20点功率瞬时值为Pi(i=1,2,…,20)，其中事前功率瞬时值为Pai，事后功率瞬时值为Pbi。若满足以下条件：

ΔP≥Pmin

(5)

则认为该事件为过渡事件，以ΔP启动时刻为标准，向前扫描过渡事件起点，即事前最近稳态点。通过监测连续时间序列下功率波动值，计算 20点功率波动值的标准差，若波动值满足以下条件：

(6)

则定义离ΔP过渡状态事前最近的时间序列点为事前稳态点Ta，也即过渡事件的起点；如不满足条件，则抛弃最近时间序列点，继续向前迭代计算。其中20%μ为空气源热泵最低波动判断门槛值，即功率波动程度小于该值时认为达到稳态，判断门槛值过高会过滤掉部分需要采集的事件，过低会造成事件淹没，该参数的取值与设备设置的功率门槛值Pmin相关。其中20%的选择依据同Pmin的选择依据一致，即功率曲线连续20点波动幅值水平不应大于事件不应大于基值的20%。

同样采用上述20点循环的方法以ΔP启动时刻为标准，向后扫描过渡事件终点，即事后稳态点Tb。

计算过渡事件的时间窗长度

ΔT=Tb-Ta

(7)

整个过渡事件捕获流程图如图3所示。

图3 过渡事件捕获流程图Fig.3 Flow chart of transit event capturing

2 空气源热泵辨识判据

通过对大量空气源热泵实际采样波形的分析，其表现出的过渡事件可分为典型的三大类，具体如下:

图4为过渡事件中典型的阶跃事件，其特征为持续时间较短，斜率接近90°，最大功率值与达到稳态时功率接近。

图4 阶跃事件波形图Fig.4 Typical power curve of step event

图5为过渡事件中典型的尖峰事件，其特征为持续时间较短，斜率接近90°，但其最大功率值超过达到稳态时功率10倍以上，且持续时间较短。

图5 尖峰事件波形图Fig.5 Typical power curve of peak event

图6为过渡事件中典型的斜坡事件，其特征为持续时间较长，斜率一般小于75°，但其功率通过过渡时间段慢慢爬升到与稳态功率值一直水平。

图6 斜坡事件示意图Fig.6 Typical power curve of slope event

空气源热泵负荷功率包含了上述三种特性，前文中已经获得过渡事件关键参数ΔT和ΔP，下面通过判断ΔT的长度，以及事前功率、突变功率和事后功率的关系，给出三种过渡事件判决条件如下：

ΔT≤1 s时，若满足Pai+ΔP=Pbi,则认为该过渡事件为阶跃事件；若满足Pai+ΔP=1.5Pbi，则认为该过渡事件为尖峰事件。ΔT≧5 s时，若过渡事件的倾斜度不大于75°，即arctan(ΔP/ΔT)≤75°，则认为该过渡事件为斜坡事件。判定空气源热泵启动需满足以下条件：

过渡事件为斜坡事件

或

或

过渡事件为尖峰事件

其中，Pref值的选定是通过热泵名牌和多此实测值综合评定得来，是阶跃条件下判定热泵启动的重要判据。除以上条件外，其他情况均判定空气源热泵未启动，如图7所示。

图7 空气源热泵辨识流程图Fig.7 Flow chart of ASHP load identification

3 指纹模板自动生成技术

为了解决非侵入式电力负荷监测技术系统电气设备指纹特征库更新和维护不及时，导致监测结果准确性降低的问题，以及高成本、低效率的人工更新和维护方案使得非侵入式电力负荷监测技术的实用性差，有碍其技术推广的问题[11]，采用空气源热泵指纹模板自动生成的技术。辨识系统需要对陌生场景具备一定的自适应能力，根据用电状态监测结果对应的电力负荷指纹估计值和采集到电力负荷指纹实际值之间的偏差大小来判断当前时刻电力负荷中是否存在未知电气设备类型，将监测到的事件模式与上述空气源热泵的唯一特征模式进行比较，积累到一定阈值的时候开始自动启动聚类算法[12]，将唯一特征模式固化为空气源热泵的负荷模板库，具体过程如下。

(8)

式中sn(t)表示时刻t第n种已知电气设备类型的用电状态辨识结果;Xn表示第n种已知电气设备类型的指纹模板，其中，n∈{1，2，3，…，N}，N为电力负荷内部已知电气设备类型的总数量。

若式(9)成立，即目标函数未收敛到合适的数值，则表明在t时刻电力负荷内部存在未知电气设备类型：

(9)

当检测到的未知电气设备的指纹模板样本积累达到一定的数量时，对已经积累的m1(一般m1≥100)个模板样本进行聚类分析[13-15]，为了排除异常值的干扰，认为聚类所得的簇规模大于预设值m2(一般m2≥5)的结果才是有效的。

从图9中可以看到，每一次指纹模板并不是完全相同，因此生成的模板库会产生一个区间值，另外，模板库的形成考虑了运行时刻、时长和频次等宏观信息。系统得到每一次事件的事件标记后，如果该事件标记为空气源热泵，将会对此次事件功率曲线对时间进行积分得到此次运行电量，以此类推，可以计算得到每小时、每天、每月空气源热泵的电量，结果如图10所示。

图8 负荷指纹模板库自动生成方法流程图Fig.8 Flow chart of automatic generation method of load dactylogram library

图9 空气源热泵负荷模板库生成图示界面Fig.9 Illustration of ASHP load pattern library

图10 空气源热泵负荷识别与分解电量结果(单日)界面Fig.10 Electric quantity result of ASHP load (one day)

4 算例分析

为说明文中算法在实际工程中的应用效果，选取北京地区某“煤改电”用户作为研究对象。该用户住宅为一个两进院落，建筑面积365 m2，其中前院安装有两台空气源热泵，功率分别为5.16 kW和4 kW。

为了对比和验证辨识的准确度，在空气源热泵支线处加装了独立的侵入式传感器，采集频率为5 min一次；在前院配电箱总线处安装带有空气源热泵负荷识别算法的非侵入式监测终端，采集频率为1 s一次，通过上文所述的空气源热泵指纹提取方法形成负荷指纹模板库，用于负荷辨识和分解，图11为带有空气源热泵负荷识别的非侵入式原理图。

图11 带有空气源热泵负荷识别的非侵入式原理图Fig.11 Schematic diagram of ASHP identification by NILM technology

测试时间为2019年2月份，该时间段内，用户家中除空气源热泵外，有电热水器、直热式电暖气、日光灯、电热水壶、洗衣机等家用电器运行，其中直热式电暖式和空气源热泵共同为用户多个房间进行供暖。定义状态识别准确率Cs[16-17]来描述辨识性能：

(10)

式中Ts为空气源热泵状态正确识别次数；Ns为采样点总数；Cs越大，说明辨识性能越好。

2019年2月3日4时～7时，传感器采集波形如图12所示，可以看出在该时间段内空气源热泵多次启停，其中需要提到的是由于传感器的数据采集频率为5分钟一次，在某些功率突变时刻会存在漏采集的可能性。通过功率波动情况得出空气源热泵启动和退出的次数和时间如表1所示，可以看出在2月3日4时～7时，两台空气源热泵共启动4次。非侵入装置辨识波形分别如图13所示，与图12对比可知，状态识别准确率Cs为100%。

图13 2月3日4时～7时非侵入式识别热泵功率界面Fig.13 NILM power curve (4 am to 7 am on 3rd Feb.)

表1 非侵入监测和传感器辨识对比(2月3日4时～7时)Tab.1 Identification results comparison between NILM and sensor-measured (4 am to 7 am on 3rd Feb.)

图12 2月3日4时至7时空气源热泵实测功率Fig.12 Sensor-measured power curve of ASHP (4am to 7am on 3rd Feb.)

从2019年2月中任意选取10天对比传感器记录电量和非侵入监测的电量数据，如表2所示。

表2 非侵入监测和传感器采集电量对比Tab.2 Electric quantity comparison results between NILM and sensor-measured

现场测试结果表明，在该时间段内非侵入式辨识空气源热泵启停次数正确，电量归集精度大于84%，分析误差可能由临时性和波动性的小功率负荷造成，同时传感器和非侵入辨识的数据采集频率差别较大，也是产生误差的原因之一。

5 结束语

本文给出了一种以过渡事件检测为判断依据的空气源热泵负荷指纹提取方案，详细描述了过渡事件捕获和空气源热泵负荷辨识流程，提出的指纹模板自动生成方法便于工程应用，提高了非侵入式电力负荷辨识技术的实用性。现场辨识结果表明，该算法可有效辨识出空气源热泵启停次数，区别于其他电采暖装置(直热式电暖器)，唯一性较好，电量归集精度大于84%。由于存在相似特征功率干扰，算法拟合的有功功率结果准确性仍有待进一步改进。此方法为空气源热泵负荷特性数据采集和煤改电用户用电行为监测提供了成本低、易操作的解决途径，可应用于煤改电用户需求侧响应和用户用能建议等相关领域，配合实现煤改电用户负荷管理和预测。