李如意，王曉換，胡美璇，周 洪，胡文山

(1.河南許繼儀表有限公司，河南 許昌 461000; 2.武漢大學(xué)發(fā)電控制與電網(wǎng)智能化技術(shù)研究所，湖北 武漢 430072)

RPROP神經(jīng)網(wǎng)絡(luò)在非侵入式負(fù)荷分解中的應(yīng)用

李如意1，王曉換1，胡美璇2，周 洪2，胡文山2

(1.河南許繼儀表有限公司，河南 許昌 461000; 2.武漢大學(xué)發(fā)電控制與電網(wǎng)智能化技術(shù)研究所，湖北 武漢 430072)

為了解決常用家電設(shè)備投切狀態(tài)辨識(shí)問(wèn)題，提出一種以神經(jīng)網(wǎng)絡(luò)為辨識(shí)模型的方法，增強(qiáng)其快速辨識(shí)能力。首先，從負(fù)荷印記出發(fā)，針對(duì)各用電設(shè)備的穩(wěn)態(tài)電流諧波特性，建立用電設(shè)備特征標(biāo)簽。然后，采用彈性BP(Resilient back propagation，RPROP)神經(jīng)網(wǎng)絡(luò)，將輸入數(shù)據(jù)特征向輸出層非線(xiàn)性映射，實(shí)現(xiàn)快速收斂至全局最優(yōu)點(diǎn)。訓(xùn)練中采用多種設(shè)備組合方式，進(jìn)行用電設(shè)備特征辨識(shí)。最終，以五類(lèi)常用用電設(shè)備進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明該算法能夠有效地識(shí)別家用設(shè)備的工作狀態(tài)組合，且對(duì)功率相近、諧波具有較小差異的用電設(shè)備工作狀態(tài)也具有很好的辨識(shí)能力。

非侵入式；負(fù)荷分解；神經(jīng)網(wǎng)絡(luò)；RPROP算法；系統(tǒng)架構(gòu)

0 引言

近年來(lái)，智能用電技術(shù)[1]、需求側(cè)管理技術(shù)[2-3]等受到國(guó)內(nèi)外電力系統(tǒng)領(lǐng)域?qū)＜覍W(xué)者的廣泛關(guān)注。其中，負(fù)荷監(jiān)測(cè)與分解技術(shù)使電力用戶(hù)可獲知負(fù)荷內(nèi)部各用電設(shè)備的耗能信息，從而根據(jù)耗能信息、電能質(zhì)量、分時(shí)電價(jià)、電能計(jì)量等綜合信息，電力用戶(hù)可采取有效措施來(lái)減少耗能[4]，例如調(diào)整用電時(shí)段或購(gòu)買(mǎi)節(jié)能電器、智能電器[5]等。因此，電力負(fù)荷監(jiān)測(cè)與分解是鼓勵(lì)電力用戶(hù)參與優(yōu)化電力系統(tǒng)運(yùn)行調(diào)度和協(xié)調(diào)管理的一項(xiàng)重要技術(shù)。負(fù)荷監(jiān)測(cè)研究分為非侵入式[6]和侵入式兩大類(lèi)。侵入式方法需在用電設(shè)備內(nèi)部安裝傳感器，耗費(fèi)大量資金，因此不適合推廣。目前，非侵入式負(fù)荷監(jiān)測(cè)與分解(Nonintrusive Load Monitoring and Decomposition, NILMD)技術(shù)是研究的熱點(diǎn)。

通常而言，一個(gè)優(yōu)良的系統(tǒng)架構(gòu)能夠有利于明確各功能模塊之間的關(guān)系，同時(shí)，有利于系統(tǒng)的搭建。為了有效實(shí)現(xiàn)負(fù)荷監(jiān)測(cè)與分解，文獻(xiàn)[7]提出并構(gòu)建了基于多智能體(Agent)技術(shù)[8]的NILMD系統(tǒng)架構(gòu)，并對(duì)不同層次的Agent的功能進(jìn)行了詳細(xì)說(shuō)明。在該框架中，開(kāi)發(fā)非侵入負(fù)荷分解算法是最為重要的一部分。近年來(lái)，國(guó)內(nèi)外專(zhuān)家學(xué)者已提出了很多關(guān)于電力負(fù)荷用電設(shè)備工作狀態(tài)的識(shí)別方法，例如支持向量機(jī)[9]、整數(shù)規(guī)劃[10]及貝葉斯算法[11]等。人工神經(jīng)網(wǎng)絡(luò)起源于對(duì)神經(jīng)元的模仿，具有自適應(yīng)學(xué)習(xí)能力，因此是一種高效辨識(shí)方法，適合應(yīng)用在NILMD系統(tǒng)中[12-14]。文獻(xiàn)[12]研究了3種基于神經(jīng)網(wǎng)絡(luò)的分類(lèi)模型—多層感知器、徑向基函數(shù)網(wǎng)絡(luò)[15]和支持向量機(jī)對(duì)組合用電設(shè)備的辨識(shí)效果，比較計(jì)算量和辨識(shí)準(zhǔn)確率，得出多層感知器是這3種分類(lèi)器中性能最優(yōu)的模型。

然而，文獻(xiàn)[12-14]的研究未涉及到對(duì)具有相似特性的用電設(shè)備的辨識(shí)，特別是功率相近的用電設(shè)備。另外，目前相關(guān)的研究未將非侵入式負(fù)荷分解算法融入到NILMD系統(tǒng)架構(gòu)中，導(dǎo)致NILMD系統(tǒng)不具有較強(qiáng)的實(shí)用性。

為此，本文在基于多Agent技術(shù)的NILMD系統(tǒng)架構(gòu)的基礎(chǔ)上，將非侵入式負(fù)荷分解算法嵌入到NILMD系統(tǒng)架構(gòu)的監(jiān)測(cè)分解層，并說(shuō)明基于負(fù)荷分解算法的NILMD系統(tǒng)的工作流程。進(jìn)一步地，本文提出基于RPROP神經(jīng)網(wǎng)絡(luò)的非侵入式負(fù)荷分解算法。首先，考慮到噪聲和誤差，構(gòu)建非線(xiàn)性負(fù)荷分解模型。同時(shí)，以穩(wěn)態(tài)電流諧波分量為負(fù)荷印記，對(duì)相似特性的用電設(shè)備穩(wěn)態(tài)電流進(jìn)行快速傅立葉變換[16]，得到各諧波分量。采用多層神經(jīng)網(wǎng)絡(luò)將差距較小的穩(wěn)態(tài)電流諧波特征作為輸入，非線(xiàn)性映射到輸出層，得到恰當(dāng)?shù)姆诸?lèi)面，從而有效辨識(shí)相似的用電設(shè)備。最后，實(shí)例驗(yàn)證基于RPROP神經(jīng)網(wǎng)絡(luò)的非侵入式負(fù)荷分解算法的高辨識(shí)能力。

1 NILMD系統(tǒng)架構(gòu)

NILMD系統(tǒng)的監(jiān)測(cè)分解層由終端監(jiān)測(cè)單元、模型庫(kù)管理單元和方法庫(kù)管理單元組成，負(fù)荷統(tǒng)計(jì)單元和數(shù)據(jù)庫(kù)管理單元位于地區(qū)統(tǒng)計(jì)層，這些單元結(jié)構(gòu)上具有多層次、分布式、交互性等特點(diǎn)。因此，可將多Agent技術(shù)應(yīng)用到NILMD系統(tǒng)[7]。本文將非侵入式負(fù)荷分解算法嵌入到NILMD系統(tǒng)中，如圖1所示。

NILMD系統(tǒng)的主要功能是實(shí)現(xiàn)負(fù)荷分解。本文以基于神經(jīng)網(wǎng)絡(luò)的非侵入式負(fù)荷分解算法為例，說(shuō)明NILMD系統(tǒng)的工作流程如下：

(1) 確定負(fù)荷內(nèi)部用電設(shè)備的種類(lèi)。

(2) 不同負(fù)荷事件重疊時(shí)，終端監(jiān)測(cè)Agent離線(xiàn)統(tǒng)計(jì)得到負(fù)荷內(nèi)部不同用電設(shè)備工作狀態(tài)組合所對(duì)應(yīng)的負(fù)荷電源入口處穩(wěn)態(tài)電流。

(3) 模型庫(kù)管理Agent與終端監(jiān)測(cè)Agent交互信息，下載得到穩(wěn)態(tài)電流數(shù)據(jù)，并將其作為組合負(fù)荷印記。與此同時(shí)，模型庫(kù)管理Agent對(duì)電流數(shù)據(jù)進(jìn)行快速傅立葉變換等處理后，得到穩(wěn)態(tài)電流的諧波分量，并將諧波分量的幅值數(shù)據(jù)作為訓(xùn)練樣本存儲(chǔ)在用電設(shè)備庫(kù)中。

圖1 基于負(fù)荷分解算法的系統(tǒng)架構(gòu)Fig. 1 System architecture based on load decomposition algorithm

(4) 終端監(jiān)測(cè)Agent下載得到不同用電設(shè)備工作狀態(tài)組合所對(duì)應(yīng)的訓(xùn)練樣本，并將其上傳至方法庫(kù)管理Agent中。

(5) 針對(duì)多組訓(xùn)練樣本，方法管理庫(kù)Agent可訓(xùn)練得到不同的網(wǎng)絡(luò)。訓(xùn)練結(jié)果與各用電設(shè)備實(shí)際的工作狀態(tài)對(duì)比，當(dāng)均方誤差在規(guī)定值以?xún)?nèi)時(shí)，訓(xùn)練結(jié)束。方法管理庫(kù)Agent將訓(xùn)練好的網(wǎng)絡(luò)保存，并貼上標(biāo)識(shí)(時(shí)間、用戶(hù)信息編碼等)。

(6) 終端監(jiān)測(cè)Agent從方法庫(kù)管理Agent下載得到訓(xùn)練好的網(wǎng)絡(luò)，從而將實(shí)時(shí)監(jiān)測(cè)的穩(wěn)態(tài)電流信號(hào)經(jīng)過(guò)數(shù)字化、規(guī)范化等處理后，作為非侵入式負(fù)荷分解算法的負(fù)荷特征輸入。根據(jù)網(wǎng)絡(luò)的輸出，可得到相應(yīng)的負(fù)荷分解結(jié)果。

(7) 將負(fù)荷分解結(jié)果上傳至負(fù)荷統(tǒng)計(jì)Agent，并在數(shù)據(jù)庫(kù)管理Agent中建立電力用戶(hù)用電信息庫(kù)，更新和存儲(chǔ)各用電設(shè)備的耗能信息。

因此，根據(jù)上述流程，能為RPROP神經(jīng)網(wǎng)絡(luò)提供一個(gè)辨識(shí)的系統(tǒng)框架。在該框架中，NILMD系統(tǒng)學(xué)習(xí)基于RPROP神經(jīng)網(wǎng)絡(luò)的負(fù)荷分解算法的能力尤為重要。

2 負(fù)荷分解模型

2.1 負(fù)荷印記

用電設(shè)備從開(kāi)啟到關(guān)停通常會(huì)經(jīng)歷若干個(gè)過(guò)渡區(qū)段和穩(wěn)態(tài)區(qū)段。當(dāng)過(guò)渡區(qū)段的負(fù)荷特征作為負(fù)荷分解依據(jù)時(shí)，“混疊特征”的出現(xiàn)會(huì)導(dǎo)致單個(gè)用電設(shè)備的數(shù)據(jù)特征受到其他用電設(shè)備的干擾，從而辨識(shí)失效。另一方面，在實(shí)際工作過(guò)程中，過(guò)渡區(qū)段很短暫，用電設(shè)備長(zhǎng)期工作在穩(wěn)態(tài)區(qū)段。因此，本文利用用電設(shè)備的穩(wěn)態(tài)區(qū)段特征作為辨識(shí)負(fù)荷內(nèi)部用電設(shè)備狀態(tài)的依據(jù)。其中，穩(wěn)態(tài)功率波形、電流波形和電壓波形都能可靠標(biāo)志用電設(shè)備的工作狀態(tài)。通常能較好地標(biāo)記用電設(shè)備的工作狀態(tài)，在此，稱(chēng)之為負(fù)荷印記。

用電設(shè)備接入到家用電源線(xiàn)路中，由于并聯(lián)特性，一般可以認(rèn)為各用電設(shè)備的電壓是一致的。為此，將一個(gè)電壓周期內(nèi)的穩(wěn)態(tài)電流波形作為負(fù)荷印記。

2.2 分解模型

在某一穩(wěn)態(tài)區(qū)段內(nèi)，負(fù)荷總電流按用電設(shè)備組成分解為如下模型。

負(fù)荷分解模型通常是具有非線(xiàn)性特性的復(fù)雜函數(shù)。當(dāng)負(fù)荷內(nèi)部含有相似特性的用電設(shè)備時(shí)，一般識(shí)別方法很難準(zhǔn)確辨識(shí)。本文考慮輸入與輸出間復(fù)雜的非線(xiàn)性映射關(guān)系，提出采用多層架構(gòu)，辨識(shí)具有相似特性的用電設(shè)備。

3 基于RPROP神經(jīng)網(wǎng)絡(luò)的負(fù)荷分解算法

3.1 分解負(fù)荷模型輸入變量的選擇

在負(fù)荷分解模型中，負(fù)荷電源入口處可監(jiān)測(cè)得到總電流，而負(fù)荷內(nèi)部各用電設(shè)備的工作狀態(tài)是未知的所求值。通常用電設(shè)備具有投切特性，以投切二狀態(tài)為例，則M(h)=2。當(dāng)負(fù)荷內(nèi)部具有N類(lèi)用電設(shè)備時(shí)，則所有工作狀態(tài)組合有2N種。在對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的階段，需要選取合適的訓(xùn)練樣本。神經(jīng)網(wǎng)絡(luò)作為分類(lèi)器運(yùn)用在NILMD系統(tǒng)中，要求訓(xùn)練樣本至少包含2N種，才能完整地包含負(fù)荷內(nèi)部用電設(shè)備的工作狀態(tài)組合。

對(duì)于工作在穩(wěn)態(tài)區(qū)段的不同用電設(shè)備，即使是具有相似特性的用電設(shè)備，其各次諧波也表現(xiàn)出一定的差異。因此，在負(fù)荷工作的某一穩(wěn)態(tài)區(qū)段內(nèi)，對(duì)已知的負(fù)荷總電流進(jìn)行快速傅立葉變換得到其諧波分量，選取總電流的諧波分量[17]作為神經(jīng)網(wǎng)絡(luò)的輸入變量。

3.2 神經(jīng)網(wǎng)絡(luò)

多層神經(jīng)網(wǎng)絡(luò)將輸入向輸出非線(xiàn)性映射，逼近非線(xiàn)性負(fù)荷分解模型，從而實(shí)現(xiàn)將具有相似特征的樣本數(shù)據(jù)盡可能準(zhǔn)確地分類(lèi)。因此，將多層神經(jīng)網(wǎng)絡(luò)應(yīng)用到非侵入式負(fù)荷分解智能算法的研究中，可以為解決不同用電設(shè)備處于各工作狀態(tài)的分類(lèi)問(wèn)題奠定基礎(chǔ)。

3.2.1 輸入層

以家庭電力負(fù)荷的常見(jiàn)5類(lèi)用電設(shè)備：微波爐、燒水壺、電腦、風(fēng)扇、電熱器為例進(jìn)行研究與分析，通常用電設(shè)備具有投切特性，控制用電設(shè)備的二狀態(tài)組合，監(jiān)測(cè)每一種組合電源入口處電力負(fù)荷的總對(duì)其進(jìn)行快速傅立葉變換，一般地，16次諧波分量足以完整表達(dá)諧波信號(hào)的特征

式中：L,kI表示電力負(fù)荷電源入口處總電流的k次諧波分量的幅值；表示穩(wěn)態(tài)電流中基波分量的角頻率；表示k次諧波分量的初相角。

設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)的輸入層的神經(jīng)元為25個(gè)，輸入

3.2.2 輸出層

本文設(shè)計(jì)的多層神經(jīng)網(wǎng)絡(luò)分類(lèi)器輸出層的神經(jīng)元為25個(gè)，輸出變量設(shè)計(jì)如表1。

表1 負(fù)荷分解模型輸出層定義Table 1 Output of load decomposition model

3.2.3 隱含層

據(jù)研究，三層神經(jīng)網(wǎng)絡(luò)基本可以逼近非線(xiàn)性負(fù)荷分解模型[18]，因此，本文設(shè)計(jì)的多層神經(jīng)網(wǎng)絡(luò)為三層。通常，神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層組成，如圖2所示。

圖2 三層神經(jīng)網(wǎng)絡(luò)Fig. 2 Three-layer neural network

一般地，隱含層的神經(jīng)元個(gè)數(shù)設(shè)計(jì)為4到60個(gè)之間。經(jīng)過(guò)多次訓(xùn)練，并根據(jù)經(jīng)驗(yàn)確定隱含層神經(jīng)元個(gè)數(shù)為40個(gè)。

隱含層的傳輸函數(shù)需滿(mǎn)足處處可微的條件，一般選擇對(duì)數(shù)Sigmoid函數(shù)。同樣地，輸出層神經(jīng)元傳輸函數(shù)也選擇對(duì)數(shù)Sigmoid函數(shù)。

綜上所述，本文設(shè)計(jì)的多層神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為32-40-32，即輸入層有32個(gè)節(jié)點(diǎn)，隱含層有40個(gè)節(jié)點(diǎn)，輸出層有32個(gè)節(jié)點(diǎn)。

3.3 學(xué)習(xí)算法

BP算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)的過(guò)程主要是通過(guò)調(diào)整每層神經(jīng)元的狀態(tài)，即權(quán)值和閥值，從而使誤差函數(shù)趨于最小值。然而，當(dāng)訓(xùn)練次數(shù)很多時(shí)，其學(xué)習(xí)效率低，收斂速度較慢。另外，誤差函數(shù)容易達(dá)到局部極小值而達(dá)不到全局最優(yōu)值[19]。

因此，本文采用RPROP算法來(lái)訓(xùn)練多層前饋神經(jīng)網(wǎng)絡(luò)。RPROP算法采用啟發(fā)式的訓(xùn)練模式，根據(jù)誤差偏導(dǎo)的符號(hào)信息調(diào)整網(wǎng)絡(luò)的權(quán)值大小，從而可避免網(wǎng)絡(luò)處于局部極小值或誤差曲面的平坦區(qū)，并加快網(wǎng)絡(luò)收斂的速度。

3.4 負(fù)荷分解算法

基于RPROP神經(jīng)網(wǎng)絡(luò)的負(fù)荷分解算法主要分為兩個(gè)過(guò)程：訓(xùn)練和辨識(shí)。NILMD系統(tǒng)采集到負(fù)荷電源入口處的總電流，對(duì)總電流進(jìn)行快速傅立葉變換，可以得到穩(wěn)態(tài)電流諧波分量，從而將其作為多層前饋網(wǎng)絡(luò)的輸入，利用RPROP算法快速訓(xùn)練神經(jīng)網(wǎng)絡(luò)，一旦達(dá)到訓(xùn)練目標(biāo)，訓(xùn)練過(guò)程即結(jié)束。將測(cè)試數(shù)據(jù)導(dǎo)入訓(xùn)練好的網(wǎng)絡(luò)，根據(jù)辨識(shí)輸出可以得到有效的負(fù)荷分解結(jié)果。該智能算法的流程圖如圖3所示。

4 實(shí)例驗(yàn)證

4.1 用電設(shè)備運(yùn)行情況

圖3 非侵入式負(fù)荷分解智能算法流程圖Fig. 3 Flowchart of non-intrusive load decomposition intelligent algorithm

圖4 非侵入式負(fù)荷特征采集裝置Fig. 4 Non-intrusive load characteristic acquisition device

本文研究五類(lèi)用電設(shè)備投切狀態(tài)的辨識(shí)，由圖4所示的裝置采集得到400組樣本數(shù)據(jù)，其中，每組樣本數(shù)據(jù)均包含各用電設(shè)備的32種工作狀態(tài)組合。由于電腦處于待機(jī)狀態(tài)時(shí)與風(fēng)扇處于運(yùn)行狀態(tài)時(shí)的輸出特征相似，因此電腦和風(fēng)扇是一組具有相似特性的用電設(shè)備，其功率變化曲線(xiàn)如圖5所示。圖5(a)描述了只有電腦和風(fēng)扇工作時(shí)的功率曲線(xiàn)，可見(jiàn)具有相似特性的用電設(shè)備的功率曲線(xiàn)幾乎重合。相應(yīng)地，相似用電設(shè)備的組合會(huì)產(chǎn)生更多相似的功率值，則每組樣本數(shù)據(jù)包含16種相似用電設(shè)備的工作狀態(tài)組合。圖5(b)～5(d)以同一時(shí)刻只有兩類(lèi)用電設(shè)備工作為例，描述了電腦和風(fēng)扇分別與其余3種用電設(shè)備同時(shí)工作的功率曲線(xiàn)。

對(duì)采集得到的穩(wěn)態(tài)電流進(jìn)行快速傅立葉變換得到各次諧波分量的幅值，將這400組樣本數(shù)據(jù)作為訓(xùn)練樣本。用電設(shè)備在穩(wěn)態(tài)區(qū)段所具有的諧波特性如圖6所示。圖6(a)～6(e)分別描繪了電熱器、電腦、風(fēng)扇、水壺和微波爐穩(wěn)態(tài)工作時(shí)電流諧波分量的幅值特征?？梢?jiàn)具有相似功率的電腦和風(fēng)扇的諧波特征具有微弱的區(qū)別。另外，圖6(f)描繪了無(wú)設(shè)備工作時(shí)仍然存在微弱的電流信號(hào)。因此，對(duì)樣本數(shù)據(jù)進(jìn)行分類(lèi)時(shí)，應(yīng)首先規(guī)范化處理。

將電力負(fù)荷電源入口處穩(wěn)態(tài)電流的諧波分量特征作為神經(jīng)網(wǎng)絡(luò)輸入，采用RPROP算法訓(xùn)練網(wǎng)絡(luò)，使得網(wǎng)絡(luò)快速收斂。從而，尋找到恰當(dāng)?shù)姆诸?lèi)面，為后續(xù)的測(cè)試樣本進(jìn)行分解辨識(shí)奠定基礎(chǔ)。訓(xùn)練網(wǎng)絡(luò)的回歸曲線(xiàn)如圖7所示，網(wǎng)絡(luò)的輸出曲線(xiàn)基本與目標(biāo)輸出曲線(xiàn)重合，輸出值?1×目標(biāo)值+1.9e-5，并且相關(guān)系數(shù)R高達(dá)100%。

比較標(biāo)準(zhǔn)BP算法和RPROP算法訓(xùn)練網(wǎng)絡(luò)的性能，如圖8和圖9所示?？梢?jiàn)，RPROP算法能夠避免誤差曲面的平坦區(qū)，并快速使網(wǎng)絡(luò)收斂于期望值。

4.2 負(fù)荷分解結(jié)果

以一個(gè)電壓周期內(nèi)的電流數(shù)據(jù)作為辨識(shí)系統(tǒng)的一組測(cè)試輸入，將196組測(cè)試樣本輸入到訓(xùn)練好的網(wǎng)絡(luò)，統(tǒng)計(jì)發(fā)現(xiàn)，其中90組測(cè)試結(jié)果準(zhǔn)確，58組準(zhǔn)確率高達(dá)為96.875%，33組測(cè)試結(jié)果準(zhǔn)確率高達(dá)93.75%，如圖10所示。由于每組樣本數(shù)據(jù)均包含各用電設(shè)備的32種工作狀態(tài)組合，因此對(duì)組合用電設(shè)備工作狀態(tài)的識(shí)別準(zhǔn)確率為加權(quán)平均值97.162%，如表2所示。采用基于RPROP神經(jīng)網(wǎng)絡(luò)的負(fù)荷分解算法對(duì)用電設(shè)備工作狀態(tài)進(jìn)行辨識(shí)，即使對(duì)具有相似特性用電設(shè)備的辨識(shí)，仍然具有較高的準(zhǔn)確率。

圖5 相似用電設(shè)備的功率曲線(xiàn)Fig. 5 Power curve of similar electrical equipments

圖6 5類(lèi)用電設(shè)備穩(wěn)態(tài)電流的諧波分量Fig. 6 Steady current harmonics of five electrical equipments

圖7 回歸曲線(xiàn)Fig. 7 Regression curve

圖8 標(biāo)準(zhǔn)BP算法的誤差曲線(xiàn)Fig. 8 Error curve of standard BP algorithm

圖9 RPROP算法的誤差曲線(xiàn)Fig. 9 Error curve of RPROP algorithm

表2 辨識(shí)結(jié)果Table 2 Identification results

圖10 辨識(shí)率的散點(diǎn)圖Fig. 10 Scatter diagram of recognition rate

5 總結(jié)

本文從構(gòu)建NILMD系統(tǒng)監(jiān)測(cè)分解層框架出發(fā)，采用基于RPROP神經(jīng)網(wǎng)絡(luò)的負(fù)荷分解算法對(duì)負(fù)荷內(nèi)部各用電設(shè)備的工作狀態(tài)組合進(jìn)行分類(lèi)。并將穩(wěn)態(tài)電流諧波分量作為負(fù)荷特征值，輸入到多層前饋神經(jīng)網(wǎng)絡(luò)中。在RPROP算法的反復(fù)訓(xùn)練下，神經(jīng)網(wǎng)絡(luò)對(duì)實(shí)際采集到的測(cè)試樣本數(shù)據(jù)進(jìn)行辨識(shí)，辨識(shí)率高達(dá)97.162%。實(shí)例結(jié)果驗(yàn)證了本文提出的非侵入式負(fù)荷分解智能算法的有效性，且發(fā)現(xiàn)該算法對(duì)具有相似功率、較小諧波分量差距的用電設(shè)備也有很好的辨識(shí)效果。在下一步研究工作中，我們將進(jìn)一步增加用電設(shè)備，期望該算法對(duì)大規(guī)模的組合用電設(shè)備的工作狀態(tài)組合也能實(shí)現(xiàn)較高的辨識(shí)水平。

[1] 王繼東, 楊羽昊, 周越, 等. 家庭智能用電系統(tǒng)建模及優(yōu)化策略分析[J]. 電力系統(tǒng)及其自動(dòng)化學(xué)報(bào), 2014, 26(11): 63-66, 71. WANG Jidong, YANG Yuhao, ZHOU Yue, et al. Model and optimization strategy for smart home power consumption system[J]. Proceedings of the CSU-EPSA, 2014, 26(11): 63-66, 71.

[2] 湯慶峰, 劉念, 張建華. 計(jì)及廣義需求側(cè)資源的用戶(hù)側(cè)自動(dòng)響應(yīng)機(jī)理與關(guān)鍵問(wèn)題[J]. 電力系統(tǒng)保護(hù)與控制, 2014, 42(24): 138-147. TANG Qingfeng, LIU Nian, ZHANG Jianhua. Theory and key problems for automated demand response of user side considering generalized demand side resources[J]. Power System Protection and Control, 2014, 42(24): 138-147.

[3] 張建華, 曾博, 張玉瑩, 等. 主動(dòng)配電網(wǎng)規(guī)劃關(guān)鍵問(wèn)題與研究展望[J]. 電工技術(shù)學(xué)報(bào), 2014, 29(2): 13-23. ZHANG Jianhua, ZENG Bo, ZHANG Yuying, et al. Key issues and research prospects of active distributionnetwork planning[J]. Transactions of China Electrotechnical Society, 2014, 29(2): 13-23.

[4] 陽(yáng)小丹, 李揚(yáng). 家庭用電響應(yīng)模式研究[J]. 電力系統(tǒng)保護(hù)與控制, 2014, 42(12): 51-56. YANG Xiaodan, LI Yang. Research on household electricity response mode[J]. Power System Protection and Control, 2014, 42(12): 51-56.

[5] 王建華, 張國(guó)鋼, 耿英三, 等. 智能電器最新技術(shù)研究及應(yīng)用發(fā)展前景[J]. 電工技術(shù)學(xué)報(bào), 2015, 30(9): 1-11. WANG Jianhua, ZHANG Guogang, GENG Yingsan, et al. The latest technology research and application prospects of the intelligent electrical apparatus[J]. Transactions of China Electrotechnical Society, 2015, 30(9): 1-11.

[6] HART G W. Nonintrusive appliance load monitoring[J]. Proceedings of the IEEE, 1992, 80(12): 1870-1891.

[7] 黎鵬. 非侵入式電力負(fù)荷分解與監(jiān)測(cè)[D]. 天津: 天津大學(xué), 2009. LI Peng. Non-intrusive method for power load disaggregation and monitoring[D]. Tianjin: Tianjin University, 2009.

[8] 竇春霞, 李娜, 徐曉龍. 基于多智能體系統(tǒng)的微電網(wǎng)分散協(xié)調(diào)控制策略[J]. 電工技術(shù)學(xué)報(bào), 2015, 30(7): 125-134. DOU Chunxia, LI Na, XU Xiaolong. Multi-agent system based decentralized coordinated control strategy for micro-grids[J]. Transactions of China Electrotechnical Society, 2015, 30(7): 125-134.

[9] LIN Y H, TSAI M S. Applications of hierarchical support vector machines for identifying load operation in nonintrusive load monitoring systems[C] // World Congress on Intelligent Control and Automation (WCICA), 2011: 688-693.

[10] SUZUKI K, INAGAKI S, SUZUKI T, et al. Nonintrusive appliance load monitoring based on integer programming[C] // SICE Annual Conference, 2008: 2742-2747.

[11] MARCHIORI A, HAKKARINEN D, HAN Q, et al. Circuit-level load monitoring for household energy management[J]. IEEE Pervasive Computing, 2011, 10(1): 40-48.

[12] SRINIVASAN D, NG W S, LIEW A C. Neural-networkbased signature recognition for harmonic source identification[J]. IEEE Transactions on Power Delivery, 2006, 21(1): 398-405.

[13] CHANG H H. Non-intrusive demand monitoring and load identification for energy management systems based on transient feature analyses[J]. Energies, 2012, 5(11): 4569-4589.

[14] LIN Y H, TSAI M S. A novel feature extraction method for the development of nonintrusive load monitoring system based on BP-ANN[C] // 2010 International Symposium on Computer Communication Control and Automation (3CA), 2010: 215-218.

[15] 馬斌, 張麗艷. 一種基于徑向基神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率直接預(yù)測(cè)方法[J]. 電力系統(tǒng)保護(hù)與控制, 2015, 43(19): 78-82. MA Bin, ZHANG Liyan. Short-term wind power direct forecasting based on RBF neural network[J]. Power System Protection and Control, 2015, 43(19): 78-82.

[16] 王凱亮, 曾江, 王克英. 一種基于BP神經(jīng)網(wǎng)絡(luò)的諧波檢測(cè)方案[J]. 電力系統(tǒng)保護(hù)與控制, 2013, 41(17): 44-48. WANG Kailiang, ZENG Jiang, WANG Keying. A harmonic detecting scheme based on BP neural network[J]. Power System Protection and Control, 2013, 41(17): 44-48.

[17] 鄭小霞, 劉慶強(qiáng), 林順富, 等. 面向非干預(yù)式負(fù)荷監(jiān)測(cè)的居民負(fù)荷微觀特性研究[J]. 電力系統(tǒng)保護(hù)與控制, 2014, 42(10): 62-70. ZHENG Xiaoxia, LIU Qingqiang, LIN Shunfu, et al. Research of the microscopic signatures of residential loads for NILM[J]. Power System Protection and Control, 2014, 42(10): 62-70.

[18] 王好娜, 畢志周, 付志紅, 等. 基于BP神經(jīng)網(wǎng)絡(luò)和線(xiàn)性神經(jīng)網(wǎng)絡(luò)的間諧波分析方法[J]. 高壓電器, 2013, 49(2): 19-24. WANG Haona, BI Zhizhou, FU Zhihong, et al. Analysis approach for inter-harmonic with BP neural network and linear neural network[J]. High Voltage Apparatus, 2013, 49(2): 19-24.

[19] 徐志鈕, 律方成. 基于RPROP神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)諧波分析[J]. 電力系統(tǒng)保護(hù)與控制, 2011, 39(15): 13-16. XU Zhiniu, Lü Fangcheng. Power system harmonic analysis based on RPROP ANNs[J]. Power System Protection and Control, 2011, 39(15): 13-16.

(編輯 葛艷娜)

Application of RPROP neural network in nonintrusive load decomposition

LI Ruyi1, WANG Xiaohuan1, HU Meixuan2, ZHOU Hong2, HU Wenshan2
(1. Henan Xuji Instrument Co., Ltd., Xuchang 461000, China; 2. Laboratory of Generation Control and Smart Grid, Wuhan University, Wuhan 430072, China)

In order to identify the common-used household appliances, this paper proposes a kind of neural network which is effective to enhance the identification ability. First of all, based on load signature, aiming at harmonic characteristics of steady-state current in each electrical equipment, the feature tag is thereby established. Then, the RPROP neural network is adopted, which makes the input data feature nonlinearly map to output layer, and guides the neural network to converge to global optimal point rapidly. When training the neural network, the combined features are used to decompose the characteristics of electrical equipment. Finally, the experimental results of five common electrical appliances demonstrate that the proposed algorithm can effectively identify combined working states of household appliances, and it also can decompose the working states of electric appliances with similar power and little different harmonics.

nonintrusive; load decomposition; neural network; RPROP algorithm; system architecture

10.7667/PSPC151825

2015-10-16；

2015-12-17

李如意(1965-)，男，碩士，高工，研究方向?yàn)闄C(jī)電控制及自動(dòng)化；E-mail: liry_2005@126.com

王曉換(1985-)，女，碩士，從事電能儀表行業(yè)項(xiàng)目管理工作；E-mail: wangxiaohuan@xjgc.com

胡文山(1980-)，男，通信作者，博士，副教授，研究方向?yàn)榫W(wǎng)絡(luò)化控制系統(tǒng)。E-mail: wenshan.hu@whu.edu.cn

國(guó)家科技支撐計(jì)劃項(xiàng)目(2013BAA01B01)