遗传算法在家居负荷监测中的应用研究

高 洪，林 蔚

（1.厦门理工学院现代工程训练中心，福建 厦门 361024；2.国网厦门供电公司，福建 厦门 361024）

0 引 言

随着经济的发展和生活水平的提高，居民生活用电负荷逐年增加，居民用电量在全社会用电量中占有非常大的比重。目前电网用电数据只能提供用户家庭的总用电量，不能提供具体的用电设备的用电数据，这样的用电数据对指导用户合理地用电、节电显然是不够的。如果能够根据家居用电负荷的特征，将电网提供的用电数据作进一步的分解，匹配到构成用电数据的电器设备信息，从而帮助用户获取电器设备的用电信息，细化用电清单，及时发现不合理的用电情况，从而实现合理用电，节能减排。

1 家居负荷监测的方式

目前对家居负荷的数据监测按照获取方式分为侵入式和非侵入式，市面上的产品都采用的是侵入式的数据监测方法，比如插座式电力监测仪。这些产品的共同特点是直接安装在用电设备的入口，能够准备地记录用电设备的用电数据，但是缺点是你需要在每个用电设备前安装这样一个产品。现代每个家庭用户的用电设备五花八门，即使常用的电器设备也有七八种。如果在每个电器设备前安装一个产品，将大大增加用户的经济成本，显然侵入式的数据监测方式是不可行的。非侵入式的数据监测方法是利用数据采集系统，采集用户家庭的用电总功率、总电流、功率因数等的暂态特征或稳态特征，再根据不同电器设备的负荷特征，通过算法分解出每个时间段电器设备的用电数据，从而在不额外增加监测产品的情况下获取电器设备的电能使用数据[1,2]。本文是利用现有的智能电表数据，获取用户的总功率数据，再根据遗传算法分解出每个电器设备的功率、用电时间。

2 家居负荷的电气参数

非侵入式数据监测方式最大的问题就是要采集尽可能多的家用电器的电气参数，组成一个数据库。因为家用电器的品牌众多，每一种家用电器的功能也不尽相同，所以这个数据库的数据越庞大，越能更好地利用算法识别出不同的电器负荷。本文选取了最常用的4种电器的功率，即热水壶、变频空调、电风扇、洗衣机。为简化实验，只选用一个工作模式或者一个档位，并且工作环境不变。电器基本信息如表1所示。

表1 电器基本信息

利用智能电表获取它们的实时功率，采样周期为30 s，采样时间为30 min。功率曲线如图1所示。

图1 电器功率曲线

3 遗传算法的应用

遗传算法是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法，在电力系统优化、交通运输、自动化控制中得到了广泛的应用[3-5]。将遗传算法用于家居负荷监测，就是通过搜索最优的组合方式，使得每个时刻各个电器的功率拟合值与智能电表的测量值最接近，流程如图2所示。

图2 遗传算法流程

（1）对未知参数进行编码，产生初始种群。只有将问题的解转换成算法能够处理的基因串数据才能进行遗传算法的运算处理。将热水壶、变频空调、电风扇、洗衣机的工作状态分别记为a1、a2、a3、a4，ai=(i=1,2,3,4)有两种工作状态：

因此，四种电器的工作状态可以表示为［a1，a2，a3，a4］。

采样时热水壶、变频空调、电风扇、洗衣机的采样时刻分别记为t1=（t4=1,2,3,…,T1）、t2=（t4=1,2,3,…,T2）、t3=（t4=1,2,3,…,T3）、t4=（t4=1,2,3,…,T4），t1、t2、t3、t4可以用不同位数的二进制编码组成，那么实时 功 率 分 别 为p1=［p1(1),p1(2),p1(3),…,p1(t1)］、p2=［p2(1),p2(2),p2(3),…,p2(t2)］、p3=［p3(1),p3(2),p3(3),…,p3(t3)］、p4=［p4(1),p4(2),p4(3),…,p4(t4)］。

拟合后的总功率为：

（2）根据目标函数f，计算适应值函数F。拟合的总功率p应该接近智能电表测量的总功率P，即目标函数

对于目标函数f求最小值的优化问题，适应值函数F可以设定为

只要选出适应值最大的个体编码，就是找到那个时刻各个电器的工作情况。

（3）选择、交叉与变异，产生新种群。计算出初始种群的适应值并进行排序，采用正比选择策略即每个个体被选中进行遗传运算的概率为该个体的适应值与群体中所有个体适应值总和的比例进行选择和复制；采用单点交叉的方式，取交叉率pc=0.6；变异率定义为种群中变异基因数在总基因数中的百分比，取变异率pm=0.1。判断是否达到设定的最大代数，如果没有，计算新种群的适应值函数。

4 仿真结果分析

为了验证遗传算法在家居负荷监测中的应用效果，本文利用智能电表、热水壶、变频空调、电风扇、洗衣机搭建了一个负荷采集系统，再将智能电表采集到的数据送到MATLAB软件进行算法处理，如图3所示。在本实验中，4种电器可以随机打开，为了验证监测的准确性，设定监测开始时打开空调，同时打开洗衣机，过10 min打开热水壶，再过5 min打开电风扇，采样周期为30 s，采样时间30 min。从图4～图8可以看出，拟合后的总功率曲线与智能电表实时功率曲线几乎重合；热水壶的实时功率曲线和监测功率曲线几乎重合，说明功率较大并且稳定的电器，识别准确率高；变频空调的监测功率曲线与实时功率曲线基本接近；电风扇和洗衣机的监测功率曲线与实时功率曲线相差较大，说明功率较低的电器，识别准备率低，特别是这些电器和功率大的电器同时使用时，功率较低的电器的负荷特征会被掩盖和削弱。

图3 负荷采集系统

图4 实时总功率

图5 变频空调实时功率

图6 热水壶实时功率

图7 电风扇实时功率

图8 洗衣机实时功率

5 结 论

将智能电表采集到的家居负荷的实时总功率，运用遗传算法匹配出采样时刻各个电器的使用情况，从而得到各个电器的电量消耗数据。实验证明了遗传算法在家居负荷监测的可行性，但是在小功率和功率特征不明显的电器上准确性不够高，需要在算法上做进一步的改进。