【www.zhangdahai.com--其他范文】
李 争，王 泽，冯 威，安国庆，王 强，陈 贺
(1.河北科技大学电气工程学院，河北石家庄 050018；
2.河北省智能配用电装备产业技术研究院(石家庄科林电气股份有限公司)，河北石家庄 050222)
随着科技的发展，中国居民用电量飞速增长，2021年上半年居民用电量占全社会用电量的14.15%左右，居民生活用电量的增长速度曾一度超过了全社会总用电量的增长速度，同时居民用电器也在不断更新[1]。但大部分电能表仅能对居民总用电量进行采集，无法获取居民所用负荷的种类和状态，居民负荷数据的精细性无法保证，不利于电能的管理与电能综合利用率的提升[2]。非侵入式负荷监测(non-intrusive load monitoring,NILM)本质为负荷分解(load disaggregation)，仅需获取单个用户的总用电数据，并对该用电数据进行相关分析处理，即可得到用户所用电器的种类、启停时间、能耗等信息。
非侵入负荷监测的核心是对负荷特征的提取，如负荷的有功功率、无功功率、V-I轨迹、谐波、特征电流等，通过对负荷特征的辨识确定负荷类别[3]。文献[4]通过遗传算法对支持向量机进行改进，以基波功率因数为特征，结合电器的有功功率与无功功率进行负荷识别。但该方法仅提高了低功率的负荷识别率，而家用电器中大功率负荷占比较大。文献[5]通过分析现有负荷特征量的提取方法，发现复杂工况环境下将谐波作为负荷特征量识别精度高，通过极值差量的方法解决了家用电器存在的偶次谐波相角抖动问题，但仅适用于工作模态经常变化的电器。随着深度学习的发展，很多研究人员开始将深度学习应用于非侵入式负荷分解中。2015年，Kelly博士利用深度学习领域的算法构建分解模型进行负荷分解实验，结果优于隐马尔可夫与组合优化等分解方法。这项成果引起了NILM研究人员对深度学习领域的关注。文献[6]通过对不同负荷进行数学建模，建立一个负荷样本库，再利用卷积神经网络(CNN)对样本进行训练和测试，从而提高非侵入式负荷识别的精度。文献[7]以暂态电流幅值为特征，通过卷积神经网络对暂态电流波形相似的负荷进行训练，提高暂态电流波形相似负荷的识别率，但实验电器都为阻性负荷，对空调、冰箱、洗衣机等感性与容性负载的识别率没有说明。文献[8]从高频采样数据提取负荷的电流、电压、功率，利用负荷的稳态电流和电压绘制V-I轨迹，采用FFT提取负荷的功率，通过反向BP神经网络对融合特征进行识别。但该方法对相似特性家用电器的识别精度无法保证。
为了解决上述问题，本文提出一种基于CNN与K-means结合的非侵入式负荷识别方法。首先，利用改进的CUSUM算法记录负荷发生投切事件的时间段；
其次，将滤波后的功率段绘制成的P-Q轨迹图像作为负荷特征库,利用K-means算法对卷积神经网络模型进行改进；
最后，利用改进的卷积神经网络模型对测试集进行负荷辨识。
NILM符合当前电网发展的需求，对智能电网的建设起着重要作用[9]。电力公司可通过对用户用电状况的了解及时调整配电策略，提高用电效率。当用户侧发生用电事故时，电力公司也可以及时排查事故地点和原因[10]。对于用户，NILM可以提供详细的用电信息，包括电器类型、启停时间、用电量等。用户可以根据用电信息合理安排各类家用电器的用量。NILM流程如图1所示。
图1 非侵入式负荷监测流程图 Fig.1 Flow chart of non-intrusive load monitoring
通过用户侧的电表提取用户的总用电信息，当用户开启电器时，总线上的电流I、电压V、有功功率P、无功功率Q等会发生变化，此时NILM系统会将暂态事件标记，作为识别电器类别、投切时间、用电量的特征[11]。将提取到的特征与特征库进行匹配，生成电器信息使用报告，用户和电力公司即可获得详细的用电信息。相对于传统的侵入式负荷监测，不仅节省了安装传感器的成本，一定程度上也保护了用户的隐私。
1.1 CUSUM边沿检测算法
家用电器发生投切事件或者工作模态变化时，伴随着暂态事件的发生。虽然市面上的家用电器功能繁多，结构复杂，但不同类型的家用电器在启动和关闭时具有独特的暂态响应特征。因此，本文主要对电器启停时的电气特性进行分析[12]。
由于家用电器结构复杂、种类繁多，无法构建出特定的数学模型[13]，故本文将传统的CUSUM边沿检测算法进行改进，通过统计家用电器在投切和工作模态变化时的功率变化值Wn，以提高边沿检测的准确率。
基于传统的CUSUM边沿检测算法，本文定义电器边沿检测算法中
(1)
(2)
并且Wn的初始值为0。当Wn>H时，认为电器发生了投切事件或工作模特发生了变化，其中H为功率发生突变的阈值。此时，检测系统开始对该点进行记录，直到Wn 为检验所用算法的有效性，选取6种家用电器进行投切检测实验，通过将空调、吹风机、电磁炉、电饭煲、暖风机、热水壶依次启停，记录电器的功率变化状况，采样频率为6.4 kHz，有功功率变化如图2所示。 图2 边沿检测突变过程Fig.2 Edge detection mutation process 记录发生投切事件的时间段，如表1和表2所示。 表1 电器启动时间段 表2 电器关闭时间段 获取用户总用电数据后，需要对该数据进行预处理，主要原因是用户的用电系统易被气温、负荷的使用情况、线路环境等干扰[14]，导致获取的电器负荷信号含有噪声。这些噪声会影响事件检测的结果，因此对用电数据进行滤波降噪十分重要。滤波去噪主要分为线性和非线性[15]，线性滤波对数据中的高频率噪声滤波效果差，容易造成重要信息的缺失。非线性滤波弥补了线性滤波的缺点，但对部分常见噪声滤波效果不理想。 综合用户家用电器的实际使用情况，采用一种针对家用电器的高斯滤波方法，不仅弥补了传统高斯滤波引起的部分信息缺失，而且对家用电器暂态特征的信息保存效果很好[16]。适用于家用电器的高斯滤波步骤如下。 1)令n=0，迭代次数N=7。 2)计算用户用电负荷信号中的导数 (3) 3)计算用户用电负荷信号在该点的权值，对hn(t)进行加权滤波处理： (4) 式中：gn为高斯滤波权值； 4)判断n=N是否成立，不成立则循环上述步骤，当n=N时结束。 为突出本文所用方法的有效性，在有效电压为220 V、频率为50 Hz的条件下，选取电磁炉启动后的一段功率负荷信号作为原始信号，利用改进的高斯滤波算法对原始信号进行滤波，结果如图3所示。 图3 信号滤波前后的波形图Fig.3 Waveform before and after signal filtering 将电器开启时的暂态功率波形作为负荷印记，负荷辨识问题就转化为对负荷暂态功率波形的图像识别问题[17]。在计算机图像识别领域中，应用较为广泛的网络是CNN[18]。本文使用CNN模型，该网络模型的本质是一种多层前馈网络，核心部由卷积层、池化层、全连接层组成，如图4所示。 图4 CNN结构图Fig.4 CNN structure diagram 卷积层将提取的P-Q轨迹图像按像素分为多个局部块。以局部块为单位，通过卷积核进行卷积计算： (5) 池化层在不影响输入特征信息的条件下，对特征进行降采样，通过减少数据空间，提高计算效率，一定程度上可以防止过拟合。常用的池化方式为最大池化和平均池化，如图5和图6所示。 图5 最大池化层Fig.5 Maximum pooling layer 图6 平均池化层Fig.6 Average pooling layer 全连接层的主要作用是进行特征分类[19]，本质上还是回归，通过对卷积层提取的特征进行整合，利用SoftMax激活函数将图像的特征转化为分类概率，取其中概率最大的为最终结果。SoftMax回归模型为 (6) SoftMax矩阵表达式为 (7) 式中：xi为特征映射； 首先，将采集的用户用电数据进行滤波处理，利用事件检测算法提取电器投切时的暂态功率轨迹波形，将暂态功率波形转化为60×60的像素图像。 其次，将像素图像分为测试集和训练集。为保证算法的运行速度，本文采用经典的LeNet-5结构，通过3个大小分别为3×3，6×6和8×8的卷积核对输入尺寸为60×60的图像进行处理，将得到的特征映射图用reshape函数进行整合，SoftMax作为激活函数进行特征分类。CNN网络训练的关键是参数的初始化，网络参数初始化会对训练效率产生一定的影响。 最后，利用测试集对训练好的卷积神经网络进行验证，并计算电器的识别率。电器识别流程如图7所示。 图7 电器识别流程图Fig.7 Flow chart of electrical appliance identification 本文通过智能电表和7种家用电器搭建电器数据采集平台，采样频率为6.4 kHz，如图8所示。 图8 电器采样平台Fig.8 Appliance sampling platform 采集家用电器数据分别为变频空调、吹风机、电磁炉、电饭煲、微波炉、洗衣机、冰箱的有功功率和无功功率，共采集负荷数据1 280份，其中训练集1 000份，测试集280份，电器识别结果如图9所示。 图9 CNN辨识识别结果Fig.9 CNN identification results 由图9可知，识别结果精度较低的电器为冰箱、变频空调、电磁炉与微波炉。通过对电器启动时P-Q轨迹图所对应的像素矩阵图进行分析，发现电气特性相近的电器对应的像素矩阵图也相似。如图10中编号为1的吹风机与编号为1的电饭煲像素矩阵图相似，编号为3的电饭煲与编号为3的洗衣机的像素矩阵图也相似。因此，识别精度低的原因可能与电器的自身结构有关。为了进一步验证卷积神经网络对电气特性相似的电器难以区分，将相似结构的电器归为一类进行负荷辨识，识别结果如图11所示。通过图11可以看出，电磁炉的识别率从70%提升至90%，而电机类的洗衣机识别率却从85%降至77.5%，这是由于识别过程中特征重叠的原因，因此需要对卷积神经网络进行改进。 图10 不同电器P-Q轨迹图对应的像素图像Fig.10 Pixel images corresponding to P-Q trace diagrams of different electrical appliances 图11 修改类别后的电器识别结果Fig.11 Electrical appliance identification results after category modification K-means算法也称K-均值算法[20]，与卷积神经网络不同，是一种无监督的学习方法，不需要目标属性，核心公式见式(8)。 (8) 式中：Xi为第i个样本数据； 1)提取电器的暂态功率数据，并将数据分为测试集和训练集。 2)绘制P-Q轨迹图像，并将图像转化为60×60的像素矩阵。构建卷积神经网络，并利用训练集进行训练。 3)建立K-means算法模型，根据要识别的电器数量，将K-means算法的输入维度设置为7，输出为电器的类别，其中距离测度参数为sqEulidean,初始质心位置参数为sample，聚类重复次数为7。 4)将训练好的卷积神经网络模型的SoftMax层替换成K-means聚类算法，利用测试集对电器进行负荷辨识。 利用K-means改进后的卷积神经网络负荷辨识流程如图12所示。 图12 改进后的CNN辨识流程Fig.12 Improved CNN identification process 通过实验平台获取变频空调、吹风机、电磁炉、电饭煲、微波炉、洗衣机、冰箱依次启停的负荷数据共1 280份，并将采集到的数据分为训练集和测试集，其中训练集1 000份，测试集280份。绘制功率轨迹图像并将图像转化为60×60的像素矩阵，利用改进后的卷积神经网络模型对测试集进行负荷辨识，辨识结果如图13所示。从辨识结果可以看出，通过K-means改进的卷积神经网络模型增大了相似特性负荷特征之间的差异，有效避免了卷积神经网络容易发生的特征重叠问题，提高了负荷辨识的准确率，辨识率达到了100%。 图13 改进后的电器识别结果Fig.13 Improved electrical appliance identification results 为解决非侵入式负荷辨识中相似特性的家用电器识别率低的问题，采用电器的功率轨迹图作为负荷特征，利用K-means算法对卷积神经网络进行改进，增大相似特性负荷特征之间的区别，提高了负荷辨识的准确率。通过改进CUSUM算法记录负荷启停的时间，将滤波后的功率段绘制成功率轨迹图作为负荷特征库，避免负荷稳定运行时，电气特性相似而不易识别。将卷积神经网络中的SoftMax层替换为K-means模型，有效解决识别过程中特征重叠的问题。通过实验平台测试的数据集进行验证，结果表明该方法能够有效识别家用电器的类别。 本文主要针对电器依次启停状况进行研究，但是实际电器使用中存在多种电器同时启停的状况，未来应结合电器的不同使用场景进行更加深入的研究。
1.2 信号预处理
σ为高斯函数的标准方差。
2.1 CNN原理
bi为偏置；
yi为分类概率。2.2 基于CNN的电器识别流程
2.3 电器特征辨识
3.1 K-means聚类方法
μk为第k个簇，可以看作第k个簇的中心；
J为样本中数据Xi与μk之间距离的累加和。通过将训练好的卷积神经网络模型中的SoftMax层替换为K-means算法实现对卷积神经网络模型的改进。具体步骤如下。
3.2 实验结果与分析
