基于矩阵特征重构的深度学习负荷监测方法

缪巍巍，曾 锃，王传君，李世豪，曾文浩

（1.国网江苏省电力公司信息通信分公司，江苏 南京 210024；2.南京工程学院，江苏 南京 211167）

在未来泛在电力物联网的建设中，非侵入式负荷分析能够提供极大的便利。通过利用该方法，电网管理人员能够准确有效地获取用电用户的用电行为分析，为电网的智能化管理奠定坚实的基础。同时，非侵入式负荷监测实施成本低且对用户干扰小，通过非侵入式负荷监测，电网公司能够预测各类负荷曲线，协助电网调度工作，而用电用户也可通过非侵入式负荷监测，详细掌握工厂或家庭的用电情况，提升用电的智能程度，因此具有广泛的应用前景[1]。

深度学习作为一种广泛使用的人工智能技术，以其较强的泛用性和较高的准确率，获得了各领域学者的重点关注[2-3]。目前，深度学习发展迅速，并带动了各类智能化技术的突破[4]。另外，不少研究单位致力于将深度学习实用化的工作，且取得了显著的成果。与传统人工智能技术只能以CPU为载体不同，深度学习能够通过使用GPU、FPGA等载体来多线程操作，极大地提高了深度学习的性能[5-7]。使用GPU实现深度学习，一是能够提高算法的运行速度，二是可以一定程度地降低功耗，且具有较短的技术研发周期，在深度学习的工程化、实用化方面具有极大的优势[8]。

传统的非侵入式负荷监测方法，是通过模式识别的方法对负荷特征进行学习和训练，过程繁琐，需要的样本也较大，存在着模型难以求解、准确识别所需的完备负荷特征库在实际中难以获得、部分特征往往不满足叠加或进行数学运算的问题[9-12]。

1 基于奇异值特征矩阵重构的深度学习负荷监测

为了解决负荷特征学习和训练模型难以求解、识别准确率不高的问题，提出一种基于奇异值特征矩阵重构的深度学习非侵入式负荷监测方法。本方法使用基于奇异值特征矩阵重构的方法对信号进行预处理，能够有效剔除信号中的噪声与其他干扰信息，并保留信号的特征信息；利用卷积神经网络算法对重构的特征矩阵进行深度学习，实现负荷特征的获取与识别，能够有效提高识别的效率和准确率。

本方法首先使用奇异值分解对采集到的混合信号进行负荷分离；其次根据信号奇异值的大小和特征，设定奇异值的门限；在此基础上，保留通过门限的奇异值，及对应的左右奇异值向量；再次，由左右奇异值向量构建对应矩阵，并求对应的克罗内克积，实现信号的特征矩阵重构；最后将大量典型家电的运行电流数据转换成数据特征图的形式，并使用卷积神经网络模型进行训练，进而建立能够处理重构特征矩阵数据的卷积神经网络模型，从重构的特征矩阵中提取独立负荷特征。

本方法的思想是利用奇异值分解和信号的结构特征，将大量典型家电的运行电流数据转换成重构特征矩阵，并建立能够处理重构特征矩阵数据的卷积神经网络模型，实现辨识负荷特征的目的。本发明的方法主要包含的步骤如图1所示。

图1 非侵入式负荷检测流程图

首先根据采集到的电流信号的频率、电流和电压等特征，对数据进行分包，并完成数据标准化等操作，将采集到的数据形成标准化的数据矩阵。

然后，利用奇异值分解算法对标准化的数据矩阵进行负荷分离，即：

其中，X（t）为处理前信号，Σ为奇异值对角向量矩阵，U为左奇异值向量矩阵，V为右奇异值向量。

接着，根据信号奇异值的大小及电流信号的频率、电流、电压等特征，以及信号的实际状态，设定奇异值的门限。

其中，η为常数，根据信号特征确定。

保留通过门限K的奇异值，构建对应的对角矩阵Σk，并获取对应的左奇异值向量矩阵Uk，右奇异值向量矩阵Vk。

求左右奇异值向量矩阵Uk、Vk对应的克罗内克积实现信号的特征矩阵重构

然后对卷积神经网络模型进行训练，完成网络的权值初始化，并将重构的特征矩阵作为卷积神经网络的输入。卷积神经网络输出的结果是分类的结果，即输入的信号包含哪几种负荷特征，具体种类的数量由训练集的种类数量决定。

2 卷积神经网络的配置

经过6个卷积层、2个池化层和3个全连接层的向前传播得到输出值。

求出网络的输出值与目标值之间的误差，当误差大于设定的期望值时，将误差传回网络中，依次求得全连接层、下采样层和卷积层的误差。各层的误差可以理解为对于网络的总误差，网络应承担多少；当误差等于或小于设定的期望值时，结束训练。误差函数为：

其中，m为样本个数，i为第i个样本，x(i)为第i个系统输入，hθ（x(i)）为通过卷积网络后的输出即预测值，y(i)为理想输出即训练集的实际种类。通过随机梯度下降算法来减小误差，逼近分类目标。

根据求得误差进行权值更新，并从重构的特征矩阵中提取独立负荷特征，进而建立能够处理重构特征矩阵数据的卷积神经网络模型。

基于该模型进行提取数据特征，从而达到辨识负荷特征的目的。

3 实验仿真验证

本实验使用MTK团队提供的REDD数据集，REDD数据集中包含6个不同家庭数周的电力数据，以及其中两个家庭主电源的高频电流/电压数据。数据本身和用于收集数据的硬件文献中有更详细的描述。

本实验选取第3户用户在2011年5月30日前的用电数据作为训练数据，用2011年6月1日的用电数据作为测试数据。该用户主要使用的电器类型有：照明、燃气设备、手机电子设备、冰箱、处置、洗碗机、炉、照明、洗衣机、烘干机、微波炉和个烟雾报警器等，为了实验简便，只显示用电占比前3的电器。某段时间内的具体检测结果如图2所示。

在图2中，CE appliance代表燃气设备，Washer dryer代表带烘干功能的洗衣机，Fridge代表冰箱。从图2中可以看出，本文算法能够有效地在复杂数据中分析出用户的具体用电行为，并且获得每种电器的能量分解。

图2 用电行为检测结果

4 结束语

本文提出了一种基于奇异值特征矩阵重构的深度学习非侵入式负荷监测方法，通过利用矩阵特征重构的方法，将大量典型家电的运行电流数据转换成重构特征矩阵的形式，并使用卷积神经网络模型进行训练，从重构的特征矩阵中提取独立负荷特征，解决了负荷特征学习和训练模型难以求解、识别准确率不高的问题，从而达到有效辨识负荷特征的目的。