基于贝叶斯的非侵入式负荷监测冲击波形分类方法

张 博 梁 凯

基于贝叶斯的非侵入式负荷监测冲击波形分类方法

张 博1梁 凯2

（1. 国网江苏省电力有限公司徐州供电分公司，江苏 徐州 221006； 2. 国网江苏省电力有限公司无锡供电分公司，江苏 无锡 214002）

针对非侵入式负荷监测中冲击类负荷类型辨识问题，提出基于贝叶斯分类器的冲击波形分类方法。首先，定义电流冲击波形的冲击幅值、上升时间、跌落幅值和跌落时间四个特征量，用于建立多特征贝叶斯分类模型。然后，将采集的不同电器的电流冲击样本分为多组，用多组样本特征值的均值作为贝叶斯分类模型的参数。最后，在单相电能表硬件平台上实现分类算法，在实验室场景下对定频空调和变频空调进行分类测试。结果表明，本文所提方法可有效识别两种类型冲击，验证了所提方法的可行性。

非侵入式负荷监测；贝叶斯分类器；负荷冲击电流；智能电能表

0 引言

随着我国经济的发展，全社会电力消耗显著增长，城镇居民家用电器种类和保有量逐年攀升，电费支出成倍增加，对用电详情查询、节电建议获取、安全用电信息等个性化、智能化、互动化服务的需求有上升趋势[1-3]。为了提供上述服务，需要采用技术手段获得各电器的工作状态和运行功率水平，一般有入户式和非入户式两种。入户式方案为每类电器单独安装采集传感器，需对户内电路进行改造，硬件成本高，运行维护资源消耗大，且停电安装影响用户正常用电。非入户式方法也称为非侵入式负荷监测（non-intrusive load monitoring, NILM），最早由美国麻省理工学院Hart教授提出[4]。该方法基于电力负荷入口处的电压、电流及功率的变化信息，应用信号分析和机器学习算法，提取波形特征信息，实现电器类型辨识和负荷分解，得出电器的启停时间、能耗水平等基础数据。在此基础上，进行高级分析，从而为居民提供更丰富的用电服务信息。作为居民用电负荷监测的重要方法之一，NILM技术研究与应用近年来成为国内外热点。

世界各国的学者对NILM相关问题进行了非常多的研究，包括事件检测、特征提取、电器分类、能量分解等。D. Luo提出基于对数似然的事件检测方法，用于对暖通空调开关事件的检测[5]。周东国等提出基于状态特征聚类的非侵入式负荷事件检测方法[6]。E. S. Page教授提出来的累积和（cumulative sum, CUSUM）算法是目前应用广泛的方法之一，S. Zhang和 Z. Zhu等在其工作中均采用了此算法[7-8]。牛卢璐对CUSUM算法进行改进，称为双边CUSUM，本文采用这种算法检测负荷事件[9]。负荷分类的关键在于特征，特征也被称为负荷印记，相关研究较多[10-13]。对于电器分类，文献[4]在提出NILM技术时，基于二维有功-无功复平面，依据点的距离对负荷进行分类；文献[14]增加电压和电流特征，实际上是在4维空间计算距离。文献[15-18]研究机器学习算法在NILM领域的应用，分别用隐马尔可夫模型（hidden Markov model, HMM）方法、深度置信网络、关联规则挖掘、遗传算法等方法解决负荷分解问题。

在现有研究中，针对高频冲击特征的研究很少。在大部分公开数据集中，数据的采样频率为Hz级，这些数据不包含冲击特征，故鲜有专门研究电流冲击特征的报道。文献[19]采用功率冲击系数p识别冲击特征。电流冲击特征是空调、吸尘器、微波炉等电器的重要负荷特征，对提高对这些电器的辨识准确度具有显著作用。本文研究的算法应用于智能电表，数据源来自智能电表计量芯片输出，采样频率为1.6kHz，包含电器开启瞬间产生的冲击电流特征。本文聚焦电器开启时产生的短时冲击，定义四个冲击特征量，设计均值参数贝叶斯分类器，对电流冲击波形进行区分。测试结果表明，本文所提方法可有效识别不同类型的电流冲击。

1 冲击特征量定义

不同电器在开启时产生的冲击波形差异很大。为了区分冲击波形，首先需要对冲击波形的特征进行量化表征。本文定义四个特征量，分别为冲击幅值、上升时间、跌落幅值、跌落时间。图1所示为一个典型的变频空调冲击波形。以图1为例，详细描述四个特征量的计算公式。

图1 典型的变频空调冲击波形

第一个特征参数是冲击幅值，反映当前脉冲的绝对高度，其计算公式为

第二个特征参数是上升时间，反映上升速度和脉冲电流存在的时间长度，其计算公式为

第三个特征参数是跌落幅值，反映冲击电流下降的幅度，其计算公式为

第四个特征参数是跌落时间，反映下降速度和脉冲电流存在的时间长度，其计算公式为

2 基于贝叶斯的分类方法

2.1 贝叶斯分类器原理

贝叶斯方法是一种数理统计手段，被广泛应用于数据融合和机器学习任务[20-21]。贝叶斯分类器的基本原理是在先验概率已知的情况下计算后验概率。其中，先验概率可以通过观察大量样本来估计。计算样本属于每个类别的概率，最大概率对应的类别为分类结果。本文采用朴素贝叶斯分类器，假设特征属性相互独立。

2.2 联合分布概率估计

2.3 构建均值参数贝叶斯分类器

为了简洁，本文以区分定频空调和变频空调为例，对本文所提的方法进行说明。在离线情况下对这两类电器各进行100次启动录波，即定频空调和变频空调各录100次，得到200个冲击电流波形样本集。根据中心极限定理，独立同分布的样本均值更接近正态分布。因此，将两类训练样本在类间随机分为5组，计算每组样本属性均值，最终得到两类共10个样本的参数均值。计算属性平均值后的训练样本集见表1。

表1 计算属性平均值后的训练样本集

表2 贝叶斯分类模型参数

2.4 分类计算示例

3 测试结果及分析

3.1 负荷辨识电能表实现

为了测试本文所提的方法，研制了基于多芯模组化结构的带负荷辨识功能电能表，由计量芯、负荷辨识芯、功能芯组成，符合IR46设计原则。三芯模组化负荷辨识电能表功能框图如图2所示。

图2 三芯模组化负荷辨识电能表功能框图

图2中，负荷辨识芯采用32位ARM处理器STM32F412，计量芯采用单相计量芯片RN8209，两者之间采用单向外设接口（serial peripheral interface, SPI）通信，确保计量功能不受任何影响。

3.2 测试方案及结果分析

按照典型家庭电器配置建成实验场景，实际分类测试场景如图3所示。

图3 实际分类测试场景

在图3中，右边为定频空调，左边为变频空调，均不在训练样本中，即属于未知待分类样本。测试分三种工况：①无任何电器工作；②热水器和冰箱工作；③洗衣机工作。

为了确保空调冷机起动，每次空调开启3min，从关闭到下一次开启时间间隔设置为5min。定频空调和变频空调在上述三种工况下均开启20次，将本文所提的均值参数贝叶斯分类方法和文献[19]中采用功率冲击系数的识别方法进行比较，测试结果见表3。

表3 测试结果

从表3可以看出，本文所提方法仅在洗衣机工作时出现分类错误，其他情况下均能正确识别冲击类型，而文献[19]方法在洗衣机和冰箱工作时，错误率均较高。进一步研究表明，洗衣机在工作时存在大量冲击，与空调冲击相似，若仅以冲击系数为特征，在测试过程中很容易出现错误识别的情况。在文献[19]中，空调的功率冲击系数取5，实际测量结果表明，同一台空调的功率冲击系数方差约为0.2，当包含因子为2时，文献[19]方法对空调冲击辨识的理论准确度大约是95%，与本文测试结果相符。本文提出的分类方法基于结构化风险最小，定义了4个冲击特征量，使对空调冲击分类的理论准确度达到了100%，在理论上比文献[19]方法更优。

4 结论

针对空调等电器开启时产生的冲击电流，定义了4个可以描述冲击波形特征的参数，构建了均值化贝叶斯分类器。以智能电表为硬件基础实现了本文所提方法，在实验室进行了变频空调和定频空调冲击波形分类测试。结果表明，与文献[19]方法相比，本文所提方法具有更优的分类效果。

下一步，将冲击特征与其他特征融合，以进一步提高负荷辨识准确度。同时，增加更多冲击负荷类型，以二分类器为基础，构建多分类器，实现对多种冲击类电器的辨识。本文工作可为研制具有非侵入式负荷辨识功能的电能表提供参考。

[1] 王宏飞, 周鑫, 徐哲壮, 等. 基于云平台的工业用电分析与预测[J]. 电气技术, 2020, 21(12): 6-11.

[2] 郝朝, 张浩然, 张晓崎, 等. 北京郊区电网冬季典型日“煤改电”负荷特性分析[J]. 电气技术, 2021, 22(10): 17-21, 33.

[3] 张敏, 钱霜秋, 吴仲麒, 等. 基于数据挖掘技术的中长期负荷预测方法[J]. 电气技术, 2021, 22(6): 43-48.

[4] HART G W. Non-instructive appliance load moni- toring[J]. Proceedings of the IEEE, 1992, 80(12): 1870-1891.

[5] LUO Dong, NORFORD L K, SHAW S R, et al. Monitoring HVAC equipment electrical loads from a centralized location-methods and field test results[J]. ASHRAE Transactions, 2002, 108(1): 841-857.

[6] 周东国, 张恒, 周洪, 等. 基于状态特征聚类的非侵入式负荷事件检测方法[J]. 电工技术学报, 2020, 35(21): 4565-4575.

[7] ZHANG Shuai, ZHU Zhicheng, YIN Bo, et al. Event detection methods for nonintrusive load monitoring in smart metering using the improved CUSUM algo- rithm[C]//2018 International Conference on Sensing, Diagnostics, Prognostics, and Control, Xi’an, China, 2018.

[8] ZHU Zhicheng, WEI Zhiqiang, YIN Bo, et al. A novel approach for event detection in non-intrusive load monitoring[C]//2017 IEEE Conference on Energy Internet and Energy System Integration, Beijing, China, 2017.

[9] 牛卢璐, 贾宏杰. 一种适用于非侵入式负荷监测的暂态事件检测算法[J]. 电力系统自动化, 2011, 35(9): 35-40.

[10] BOUHOURAS A S, MILIOUDIS A N, ANDREOU G T, et al. Load signatures improvement through the determination of a spectral distribution coefficient for load identification[C]//9th International Conference on the European Energy Market, Florance, Italy, 2012.

[11] LIN Yu-Hsiu, TSAI Men-Shen. A novel feature extra- ction method for the development of nonintrusive load monitoring system based on BP-ANN[C]//3CA Inter- national Symposium, Taiwan, China, 2010: 215-218.

[12] YANG Hong-Tzer, CHANG Hsueh-Hsien, LIN Ching- Lung. Design a neural network for features selection in non-intrusive monitoring of industrial monitoring electrical loads[C]//2007 11th International Con- ference on Computer Supported Cooperative Work in Design, Melbourne, VIC, Australia, 2007: 1022-1027.

[13] NG S K K, LIANG Jian, CHENG J W M. Automatic appliance load signature identification by statistical clustering[C]//8th International Conference on Advances in Power System Control, Operation and Management (APSCOM 2009), Hong Kong, China, 2009.

[14] HONG Yingyi, CHOU Jinghan. Non-intrusive energy monitoring for micro-grids using hybrid self- organizing feature-mapping networks[J]. Energies, 2012, 5(7): 2578-2593.

[15] 陈鸿川, 刘博, 栾文鹏, 等. 用于非侵入式电力负荷监测的改进Viterbi算法[J]. 电力系统及其自动化学报, 2017, 29(2): 84-88.

[16] 徐春华, 陈克绪, 马建, 等. 基于深度置信网络的电力负荷识别[J]. 电工技术学报, 2019, 34(19): 4135- 4142.

[17] 王孝慈, 董树锋, 王莉, 等. 基于电器状态关联分析的民可平移负荷辨识[J]. 电工技术学报, 2020, 35(23): 4961-4970.

[18] 雷怡琴, 孙兆龙, 叶志浩, 等. 电力系统负荷非侵入式监测方法研究[J]. 电工技术学报, 2021, 36(11): 2288-2297.

[19] 李永昆. 非侵入式多户居民负荷辨识装置开发及应用研究[D]. 南京: 东南大学, 2017.

[20] 廉永乐. 空管供配电系统可靠性分析[J]. 电气技术, 2021, 22(5): 89-96.

[21] 路军, 王梓耀, 余涛. 基于朴素贝叶斯和D-S证据理论的多时空数据融合[J]. 电气技术, 2019, 20(11): 27-32, 45.

A Bayesian-based classification method of impulse waveforms for non-intrusive load monitoring application

ZHANG Bo1LIANG Kai2

(1. Xuzhou Power Supply Company of State Grid Jiangsu Electric Power Co., Ltd, Xuzhou, Jiangsu 221006;2. Wuxi Power Supply Company of State Grid Jiangsu Electric Power Co., Ltd, Wuxi, Jiangsu 214002)

Aiming at the problem of impact load type identification in non-intrusive load monitoring, an impact waveform classification method based on Bayesian classifier is proposed. Firstly, the characteristic parameters of an impulse current waveform such as impulse amplitude, rising time, dropping amplitude, and falling time are defined to establish a multi-feature Bayesian classification model. Secondly, the current impulse waveform samples of different appliances are divided into several groups, and the mean values of the characteristic values of the samples are used as the parameters of the classification model. Finally, the classification algorithm is implemented on the hardware platform of single-phase watt hour meter. The classification tests of fixed frequency air conditioner and variable frequency air conditioner are carried out in the laboratory scene. The results show that the proposed method can effectively identify two types of impulse waveforms, which verifies the feasibility of the proposed method.

non-intrusive load monitoring; Bayesian classifier; load impulse current; smart electricity meter

2021-10-29

2021-12-30

张 博（1990—），男，江苏省徐州市人，硕士，工程师，从事智能用电技术、用电管理、电能计量相关技术研究工作。