基于物联网技术的非常规低压用电监测方法

吴淑珍，上超望

(1. 湖北工程学院，湖北 孝感 432000；2. 华中师范大学，湖北 武汉 430079)

1 引言

据中国消防统计数据可知，最近五年全国学生宿舍发生火灾的次数超过2000次，究其原因在于学生使用违规电器，因此，为了降低事故发生概率，提升校园用电安全性，需要对校园用电安全进行有效监测[1，2]。在监测过程中，可以充分利用智慧校园服务中的智慧校园用电监测系统，该系统可以充分利用智能用电监测设备对校园中的用电线路与设备进行实时监测，但是其主要对常规用电情况进行监测，无法实现对非常规低压用电进行准确监测[3]，因此，需要研究一种针对非常规低压用电的监测方法。

李佳[4]等人提出基于Tikhonov正则化算法的非常规低压用电监测方法，该方法在电力探头以及工频电场的基础上，获取电场非常规低压用电监测参数，利用遗传算法对监测参数进行优化，计算出正则化参数原始值，并将参数原始值视为原始种群，求解出适应度函数值，进而获取子代，重复计算直到获取最优参数，实现非常规低压用电监测，该方法在监测用户用电情况前没有对电力数据进行预处理，导致数据中的噪声过多，加长了监测时间，提高了监测平均延时。曾祥君[5]等人提出基于配电网双端信息融合的非常规低压用电监测方法，该方法通过实时监测电源及负载侧电压和电流信号，可第一时间获取非常规低压用电信息，构建出低压用电识别判据，实现非常规低压用电监测，该方法无法筛选出有效信号进行分析，只能对全部数据进行分析，降低了用电情况的查准率和准确率，从而降低了监测F1和AUC分数，存在泛化性能差的问题。张宇帆[6]等人提出基于特征提取的面向边缘数据中心的非常规低压用电监测方法，该方法首先通过深度卷积生成鉴别器，利用鉴别器提取非常规低压用电特征，并对支持向量机进行训练，在用电特征的基础上将正常用电和非常规低压用电进行区分，实现非常规低压用电监测，该方法在监测非常规低压用电的过程中没有对电力数据进行归一化处理，其中用电量类型过多，加大了监测难度，查准率低下，因此PR曲线过低。

为了解决上述方法中存在的问题，提出基于物联网技术的非常规低压用电监测方法。

2 电力数据预处理

2.1 数据收集

物联网技术的主要思想就是将物与物，物与人全部联系在一起的一种通信网络技术，利用此技术可以将两种不同产物之间的信息进行互换、识别、定位以及跟踪，从而实现完美的用电监测。该技术功能明确，可实现对智慧校园用电的远程监测与管理，在保证高效率工作的同时降低用电监测难度，也可保证工作人员安全。

随着智慧校园用电监测系统采集终端的完善，目前监测平台包含用电信息采集、监控和计量管理等多种功能，可对用电综合数据进行自动采集与监控[7]，当前电力系统中的各个分支都利用数据接口实时共享用电数据，以此获取大量用户用电信息，其中包括N个同类用户的用电负荷数据信息，其表达式为

Xi，j=[xi，j(1)，xi，j(2)，…，xi，j(n)]

(1)

其中，Xi，j表示第i个同类用户的第j天负荷数据，且i=1，2，…，N，j=1，2，…，N。

用户以往的用电负荷数据为

Yi，j=[yi，j(1)，yi，j(2)，…，yi，j(n)]

(2)

其中，Yi，j表示以往第i个同类用户的第j天的负荷数据，且i=1，2，…，N，j=1，2，…，N。

用户考察日的负荷数据为

Z=[z(1)，z(2)，…，z(n)]

(3)

其中，Z表示用户考察日的负荷数据，且每个负荷数据都是一条负荷曲线，i=1，2，…，N。

2.2 电力数据去噪

在采集电力数据信号的过程中，由于外界环境过于复杂，导致数据中干扰数据过多，需要提前滤除数据中的噪声信号，筛选出有效信号并对其进行分析。大部分数据去噪方法对宽带噪声和非平稳信号的局限性过高，无法全面去噪，而小波降噪法有着多尺度奇异性特性，即在不同尺度小波变换环境下，数据噪声会出现不一样的属性，所以选用小波降噪法进行非常规低压用电信号滤波[8]。

假设准备检测的电力信号为

f(t)=s(t)+r(t)

(4)

其中，f(t)表示待测用电信号，s(t)表示重复叠加的服从正态分布N(0，δ2)的电力信号高斯白噪声，r(t)表示初始信号。

通过小波变换独特的能量特性可直接在待测用电信号f(t)中筛选出初始信号r(t)，经过变换后待测信号中的初始信号小波系数数量会直线下降，但幅度会有所升高，反之噪声信号s(t)的小波系数数量增多，幅度就会下降，利用两者间的小波系数可直接划分出初始信号和噪声。当待测信号的维度是一维时，首先要离散采样待测信号，得到点数是N的离散电力信号f(n)，其中n=0，1，…，N-1，则小波变换系数表达式为

(5)

在实际运算过程中，为简化实际操作，可构建双尺度方程，利用小波变换进行递归计算[9]，则双尺度表达式为

(6)

其中，Sf(j，k)表示尺度j的逼近系数，h表示两种函数对应的高通滤波器，l表示两种函数对应的低通滤波器。

则基于双尺度方程式的小波变换表达式为

(7)

待测信号f(t)通过小波变换分解后得到小波系数Wf(j，k)，小波系数中的两种元素分别对应原始信号r(t)以及噪声信号s(t)，可得出下列公式

w=s+r

(8)

其中，w代表小波系数Wf(j，k)，s代表小波系数的组成部分Ws(j，k)，r代表小波系数的另一组成部分Wr(j，k)。

(9)

其中，s表示噪声信号s(t)的小波系数。

2.3 数据归一化

用电负荷数据同类别间的幅动程度相似性极高，但不同类别会导致负荷基数不一样，其中同月份的负荷变化极小，基于以上特点归一化同类别历史负荷数据，并保留原始数值，则归一化表达式为

xi，j(k)=(xi，j(k)-ximin)/(ximax-ximin)

(10)

其中，ximin表示用户负荷数据内的第i个用户的最小值，ximax表示用户负荷数据内的第i个用户的最大值。

3 基于粒子群算法的非常规低压用电监测

将电力数据进行去噪处理后获取“干净”的电力数据，并在双尺度的基础上重构待测信号，对重构后的信号归一化后进行监测。

3.1 基于PSO模式提取

PSO为优化社会群体行为的进化算法，其本质是将所有优化结果转换成搜索空间内的一个“粒子”，空间中的各个粒子都有其专属速度，进而获取其行走方向和行走距离，提取出粒子内的最优粒子，随之所有粒子追随最优粒子方向进行搜索，并统一适应度函数对空间内的全部粒子进行评估，在每次评估的过程中，粒子通过提取合适的个体和全局极值求解出粒子自身和整个种群的最优解，则优化后的表达式为

(11)

其中，w表示粒子群算法中的惯性系数，c表示非负常数，r表示在区间[0，1]中的随机数，v表示粒子的搜索速度，且v∈[-vmin，vmax]，x表示粒子的最优位置即最优解，pid表示粒子的个体极值，pgd表示粒子的全局极值。

在求解曲线时各个粒子的位置即负荷数据曲线，假设粒子编码是P=[p(1)，p(2)，…，p(n)]，可得出适应度函数的曲线距离表达式为

(12)

其中，K表示负荷数据曲线的个数，xk(i)表示第k条负荷数据曲线的负荷数。

根据编码方法、粒子更新运算和评估标准，经多次运算，获取社会群体行为中表示全局极值的负荷向量，即得出在PSO基础上的算法模式，且利用此算法模式得出的用户历史负荷代表模式曲线为

H=[h1，h2，…，hn]

(13)

经过归一化处理后的相同地区和相同类型的用户的负荷模式曲线为

L=[l1，l2，…，ln]

(14)

3.2 负荷模式匹配

求解负荷模式匹配度的前提是归一化用户考察日的负荷曲线，即将曲线U=[u(1)，u(2)，…，u(n)]归一化成U′=[u′(1)，u′(2)，…，u′(n)]。统计量相关系数的相似度求解过程更加倾向于负荷曲线改变幅度的相似性，且用户和同类行业的负荷模式有着一定的关联性，得出负荷曲线及归一化后曲线的匹配度公式为

(15)

其中，m1表示两种曲线的匹配度。

将用户考察日用电负荷和以往负荷模式进行匹配，得出两者之间的变化幅度一样，并且其负荷基数之间也比较相似，则根据平均相对距离求解出的两种曲线的匹配度公式为：

(16)

3.3 非常规低压用电监测

获取用户考察日负荷曲线的两种匹配度后，按照实际用电情况设置两种匹配度的偏好度，将其分别记为ω1和ω2，根据加权求和的方法得出用户的正常用电公式为：

η=m2×ω2+m1×ω1

(17)

其中，η表示用户的正常用电量，m2表示用户考察日负荷曲线与用户以往用电的负荷曲线之间的匹配度，ω1和ω2均表示匹配度的专属偏好度。

根据式(17)评价用电情况，同时根据实际情况设置合适的报警阈值，当用电情况超过报警阈值，显示正常，若低于此阈值，说明用电情况为非常规低压用电，其异常用电次数为Q+1次，同时对此用户进行检测，实现非常规低压用电监测。

4 实验与结果

为了验证所提方法的整体有效性，需在NS2仿真软件中对基于物联网技术的非常规低压用电监测方法、文献[4]方法和文献[5]方法进行平均时延、泛化性能和PR曲线的测试。

4.1 平均时延

监测的平均时延是数据排队时延以及传输时延的总和，利用平均时延对三种用电监测方法进行评估，对比不同方法的监测效果，结果如图1所示。

图1 不同监测方法的平均时延

根据图1可知，所提方法的监测延迟时间虽有所增长但比较稳定，而其它两种方法的监测时间延时随着负载量的增加而急剧上升，这是因为所提方法在监测用户用电情况前对电力数据进行预处理，降低了噪声，以此保证数据清晰，提高监测准确性的同时加快了监测时间，降低了监测平均延时。

4.2 泛化能力

利用5折交叉验证的方法验证所提方法的泛化能力，结果如表1所示。

表1 所提方法的泛化能力

根据表1可知，所提方法的F1分数在区间[0.822，0.853]之间，AUC分数在区间[0.967，0.974]之间，由此可知所提方法的F1分数和AUC分数都处于较高状态，且五组实验显示所提方法性能稳定，没有明显差异，根据两种数据的分布情况看出F1分数波动大于AUC分数，因为F1分数是判决阈值，过大会导致数据过于敏感，经实验后发现所提方法不仅保证数据不会过于敏感，又保证AUC分数全部在0.9以上，因为所提方法利用小波降噪的方式对电力数据进行去噪后再监测用电情况，筛选出有效信号后对其进行分析，提高了查准率和准确率，进而提高F1和AUC分数，从而加强了所提方法的泛化性能。

4.3 PR曲线

PR曲线是用电系统在监测异常用电过程中的重要指标，它是异常用电查准率和查全率之间的比值，即两者之间成反比，不同方法的PR曲线对比结果如图2所示。

图2 不同方法的异常用电PR曲线

由图2可知，所提方法在监测非常规电压过程中具有较大优势，其余两种方法的性能较差，特别是文献[5]方法，其PR曲线较平滑，而所提方法甚至可以将其余两种方法PR曲线直接“包住”，说明其学习能力较强，进而证明所提方法在监测用电异常的过程中更具优势，这是因为所提方法在监测非常规低压用电过程中对电力数据进行归一化处理，减少监测类别，降低监测难度，提高查准率，进而升高PR曲线。

5 结束语

为解决目前方法存在平均时延长、泛化性能差和PR曲线低的问题，提出了基于物联网技术的非常规低压用电监测方法，该方法首先采集电力数据，并对其进行去噪和归一化的预处理，其次通过粒子群算法对信号进行转换，求解出异常用电，最终实现非常规低压用电监测。实验结果表明，该方法解决了平均时延长、泛化性能差和PR曲线低的问题，提高了用电监测精度，能够保证校园用电安全，降低了供电人员工作压力。