汪四仙, 畢忠勤

(上海電力學(xué)院 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院, 上海 200090)

非侵入式電力負(fù)荷監(jiān)測(cè)技術(shù)研究

汪四仙, 畢忠勤

(上海電力學(xué)院 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院, 上海 200090)

非侵入式負(fù)荷監(jiān)測(cè)(NILM)技術(shù)通過(guò)分解總電力負(fù)荷數(shù)據(jù),使電力用戶(hù)了解不同時(shí)段各類(lèi)設(shè)備的電能消耗,幫助決策者制定合理的節(jié)能計(jì)劃,減少能源開(kāi)支,并對(duì)節(jié)能減排具有重要作用.分析了NILM相對(duì)于傳統(tǒng)侵入式負(fù)荷監(jiān)測(cè)的優(yōu)勢(shì),具有成本低、部署簡(jiǎn)單、擴(kuò)展容易等特點(diǎn).概述了NILM的基本框架,從監(jiān)督和非監(jiān)督算法兩個(gè)方面進(jìn)行了詳細(xì)介紹.討論了現(xiàn)有的數(shù)據(jù)集和算法評(píng)價(jià)指標(biāo),并指出了目前NILM面臨的挑戰(zhàn).

非侵入式負(fù)荷監(jiān)測(cè); 基本框架; 評(píng)價(jià)指標(biāo); 數(shù)據(jù)集

為了提高國(guó)網(wǎng)用電利用率,減少電力系統(tǒng)成本,加大用戶(hù)對(duì)電網(wǎng)的調(diào)節(jié)作用,讓老百姓享受到峰谷電價(jià)的優(yōu)惠,需要從各個(gè)家用設(shè)備的用電時(shí)間段和用電量著手,精確掌握其用電狀況,并進(jìn)行細(xì)粒度的電力負(fù)荷監(jiān)測(cè),這是電網(wǎng)智能化建設(shè)中非常關(guān)鍵的技術(shù)環(huán)節(jié).通過(guò)細(xì)粒度的能源消耗監(jiān)測(cè),并將監(jiān)測(cè)信息反饋給消費(fèi)者,可以有效解決能源的浪費(fèi),細(xì)化智能電表獲得的總負(fù)荷數(shù)據(jù)[1].為了實(shí)現(xiàn)這樣的監(jiān)測(cè)與反饋,研究者們提出了設(shè)備負(fù)荷監(jiān)測(cè)方法(Appliance Load Monitoring,ALM),主要包括侵入式負(fù)荷監(jiān)測(cè)(Intrusive Load Monitoring,ILM)和非侵入式負(fù)荷監(jiān)測(cè)(Non-Intrusive Load Monitoring,NILM).侵入式負(fù)荷監(jiān)測(cè)是在用戶(hù)的每個(gè)用電設(shè)備上安裝傳感器,用以采集其使用情況的數(shù)據(jù).該方法的優(yōu)點(diǎn)是監(jiān)測(cè)數(shù)據(jù)準(zhǔn)確可靠,缺點(diǎn)是經(jīng)濟(jì)成本高、實(shí)施性難度大、用戶(hù)接受程度較低.與ILM相比,NILM的經(jīng)濟(jì)成本低,實(shí)用性強(qiáng)[2-5].隨著科技的發(fā)展,NILM的研究熱度又一次提升,但對(duì)于非侵入式負(fù)荷分解的研究還不夠深入,仍有較大的發(fā)展空間.

1 非侵入式負(fù)荷監(jiān)測(cè)概述

非侵入式負(fù)荷監(jiān)測(cè)由HART G W于20世紀(jì)80年代提出[6],其實(shí)質(zhì)就是負(fù)荷分解,即對(duì)小區(qū)或家庭電力負(fù)荷入口的總負(fù)荷數(shù)據(jù)進(jìn)行分解,包含電壓、電流、功率負(fù)荷等數(shù)據(jù).要達(dá)到這一目標(biāo),需要在小區(qū)或家庭總電力入口處安裝數(shù)據(jù)采集設(shè)備,如傳感器或智能電表,收集電壓、電流、功率數(shù)據(jù).通過(guò)分析這些數(shù)據(jù),有助于了解住宅的用電負(fù)荷情況,以及每個(gè)家用設(shè)備的用電情況,詳細(xì)到不同時(shí)刻的用電量和用電時(shí)間,進(jìn)而獲取用戶(hù)用電的規(guī)律信息,提升從總負(fù)荷入口獲取的數(shù)據(jù)的應(yīng)用價(jià)值,電力公司和電網(wǎng)可利用這些有價(jià)值的信息做出利國(guó)利民的決策.這一概念受到全球范圍內(nèi)電力公司和科研機(jī)構(gòu)的廣泛關(guān)注[7].隨著非侵入式負(fù)荷監(jiān)測(cè)系統(tǒng)的進(jìn)一步研究,有限狀態(tài)機(jī)和連續(xù)可變狀態(tài)設(shè)備有了新的進(jìn)展,其含義進(jìn)一步擴(kuò)展,演化為現(xiàn)今的NILM系統(tǒng).非侵入式負(fù)荷監(jiān)測(cè)系統(tǒng)如圖1所示.

圖1 NILM系統(tǒng)示意

各個(gè)設(shè)備功率的總和就是電力供給入口處的總功率,即:

(1)

由式(1)可知,單個(gè)用電設(shè)備的功率變化將引起系統(tǒng)總功率的變化,反之,系統(tǒng)總功率的改變必定是由單個(gè)用電設(shè)備運(yùn)行狀態(tài)改變而導(dǎo)致的.于是可以根據(jù)系統(tǒng)總功率的變化情況來(lái)推測(cè)是由哪種電器所引起的,這就是NILM的基本概念.

自非侵入式負(fù)荷監(jiān)測(cè)系統(tǒng)概念提出以來(lái),各國(guó)學(xué)者陸續(xù)提出了許多用于監(jiān)測(cè)和識(shí)別用電負(fù)荷的不同理念,并基于這些理念搭建了實(shí)際的負(fù)荷監(jiān)測(cè)系統(tǒng).現(xiàn)有的負(fù)荷監(jiān)測(cè)系統(tǒng)的基本框架如圖2所示.

圖2 NILM系統(tǒng)的基本框架

圖2中,數(shù)據(jù)采集模塊的作用是獲取原始數(shù)據(jù),即總負(fù)荷的穩(wěn)態(tài)和暫態(tài)信號(hào).數(shù)據(jù)預(yù)處理模塊按預(yù)設(shè)前提對(duì)數(shù)據(jù)作一定的處理,如歸一化、頻譜計(jì)算等.事件檢測(cè)模塊對(duì)負(fù)荷投切操作進(jìn)行檢測(cè),可通過(guò)設(shè)定某一負(fù)荷特征的判定閾值來(lái)得知設(shè)備運(yùn)行狀態(tài)的變化情況.

特征提取模塊是非侵入式負(fù)荷監(jiān)測(cè)系統(tǒng)的關(guān)鍵模塊,它可以從穩(wěn)態(tài)和暫態(tài)兩個(gè)方面提取負(fù)荷特征.提取穩(wěn)態(tài)特征時(shí),對(duì)監(jiān)測(cè)系統(tǒng)的硬件水平要求較低,系統(tǒng)采樣頻率和計(jì)算能力較低,但穩(wěn)態(tài)負(fù)荷特征很難區(qū)分特征重疊事件.負(fù)荷暫態(tài)值比穩(wěn)態(tài)值更加難以測(cè)量,對(duì)硬件水平、采樣頻率的要求較高,但獲取波形、持續(xù)時(shí)間、諧波等暫態(tài)特征值,可以更好地定義設(shè)備狀態(tài)的轉(zhuǎn)變.

負(fù)荷識(shí)別模塊將特征提取模塊獲取的負(fù)荷特征與負(fù)荷特征數(shù)據(jù)庫(kù)進(jìn)行對(duì)比,達(dá)到相似標(biāo)準(zhǔn)即可識(shí)別出相應(yīng)設(shè)備.建立負(fù)荷特征數(shù)據(jù)庫(kù)的常用方法主要有兩種:一是人工記錄總結(jié)負(fù)荷特征;二是通過(guò)機(jī)器學(xué)習(xí)中的算法進(jìn)行自動(dòng)分類(lèi).第1種方法要浪費(fèi)大量的人力物力,第2種方法是機(jī)器學(xué)習(xí)的分支,可選擇的算法有很多,故應(yīng)用更為廣泛.

負(fù)荷管理模塊利用負(fù)荷識(shí)別模塊生成的信息得到用電設(shè)備詳細(xì)的耗能情況,引導(dǎo)用戶(hù)合理消費(fèi),進(jìn)而優(yōu)化國(guó)家電力資源配置.

2 非侵入式電力負(fù)荷分解算法

非侵入式負(fù)荷分解算法分為監(jiān)督學(xué)習(xí)方法和非監(jiān)督學(xué)習(xí)方法兩種.本文總結(jié)了NILM中運(yùn)用的監(jiān)督和非監(jiān)督方法,并進(jìn)一步分析其局限性.

負(fù)荷識(shí)別在很大程度上取決于負(fù)荷特征,根據(jù)文獻(xiàn)[7],用戶(hù)設(shè)備可按照運(yùn)行狀態(tài)分類(lèi)如下.

(1) 1型 雙態(tài)設(shè)備,只有兩個(gè)運(yùn)行狀態(tài),即開(kāi)和關(guān),如臺(tái)燈、烤面包機(jī)等.

(2) 2型 有限多狀態(tài)設(shè)備,有多個(gè)運(yùn)行狀態(tài)且是有限個(gè),這類(lèi)設(shè)備也被稱(chēng)為有限狀態(tài)機(jī),如洗衣機(jī)、爐灶等.這些設(shè)備的開(kāi)關(guān)模式是可重復(fù)的,便于負(fù)荷分解算法的識(shí)別.

(3) 3型 連續(xù)變狀態(tài)設(shè)備,功率可變但不是周期性變化,如調(diào)光燈和電動(dòng)工具.

(4) 4型 恒定設(shè)備,一天24 h幾乎保持穩(wěn)定的有功和無(wú)功功率,如煙霧探測(cè)器、電話、有線電視接收機(jī)等.

2.1 監(jiān)督學(xué)習(xí)算法

SRINIVASAN D等人[4]提出了一種基于神經(jīng)網(wǎng)絡(luò)的非侵入性諧波源識(shí)別算法,該方法從輸入電流波形中提取負(fù)荷特征,使用不同的諧波特征惟一性來(lái)惟一地識(shí)別各種類(lèi)型的設(shè)備.KAMAT S P[5]提出了一種利用模糊識(shí)別進(jìn)行負(fù)荷分解的方法.SUZUKI K等人[8]提出了基于整數(shù)規(guī)劃的非侵入式負(fù)荷分解算法.MARCHIORI A等人[9]用貝葉斯算法,對(duì)每一個(gè)設(shè)備都訓(xùn)練一個(gè)樸素貝葉斯分類(lèi)器,進(jìn)而用分類(lèi)器來(lái)識(shí)別單個(gè)設(shè)備的運(yùn)行狀態(tài).此外,為了提高系統(tǒng)的識(shí)別精度和實(shí)時(shí)檢測(cè)狀態(tài)變化,使用貝葉斯網(wǎng)絡(luò)分析用戶(hù)行為,利用貝葉斯濾波器在線推理,提升分類(lèi)器精度.KATO T等人[10]提出用支持向量機(jī)來(lái)分類(lèi)設(shè)備,效果良好.

王志超[11]利用決策樹(shù)算法分治的思想,結(jié)合3種特征參數(shù)(功率變化參數(shù)、諧波含有率、電壓-電流軌跡)進(jìn)行識(shí)別和分類(lèi),讓不同的特征參數(shù)發(fā)揮各自的優(yōu)勢(shì),算法簡(jiǎn)單、高效,有效減少了與數(shù)據(jù)庫(kù)比對(duì)的計(jì)算量.

2.2 非監(jiān)督學(xué)習(xí)算法

最近,研究人員開(kāi)始探索在沒(méi)有先驗(yàn)信息的條件下實(shí)現(xiàn)負(fù)荷分解.KIM F H等人[12]提出結(jié)合FHSMM(factoril hidden semi-Markon Model)和CFHM(Conditional Factorial Hidden Markov Model)兩種模型,產(chǎn)生新的模型CFHSM(Conditional Factorial Hidden Semi-Markon).實(shí)驗(yàn)結(jié)果表明,CFHSM優(yōu)于其他非監(jiān)督學(xué)習(xí)算法,可以準(zhǔn)確地將電力負(fù)荷數(shù)據(jù)分解為每個(gè)設(shè)備的電力使用信息.KOLTER J Z等人[13]提出了一種相關(guān)算法——加性因子近似最大后驗(yàn)推理算法,已經(jīng)被應(yīng)用于負(fù)荷分解,該算法有較高的精度和召回率,且不受局部?jī)?yōu)化的影響.

MARTINS J F等人[14]基于S變換提出了一種新的非侵入式電力負(fù)荷監(jiān)測(cè)模式,并給出了相應(yīng)的監(jiān)測(cè)步驟.黎鵬[15]對(duì)穩(wěn)態(tài)特征進(jìn)行分析,提出了一種基于最優(yōu)求解方法和表格法的非侵入式負(fù)荷分解算法.最優(yōu)求解方法可以在線確定不同類(lèi)型設(shè)備的功耗比例,表格法在離線情況下形成估量電流和功率比例的對(duì)照表,在線情況下只要找到與實(shí)際測(cè)量的負(fù)荷電流最接近的估計(jì)電流,即可實(shí)現(xiàn)負(fù)荷分解.牛盧璐等人[16]提出了一種根據(jù)暫態(tài)事件自主監(jiān)測(cè)算法的NILM,該算法基于CUSUM滑動(dòng)窗,精度較高,魯棒性強(qiáng).

對(duì)負(fù)荷分解常用的學(xué)習(xí)算法進(jìn)行比較,結(jié)果如表1所示.

表1 5種負(fù)荷分解算法的比較

3 算法評(píng)價(jià)指標(biāo)

為了便于評(píng)估負(fù)荷分解算法,KOLTER J Z等人[17]構(gòu)建了REDD(the Reference Energy Disaggregation Data Set)數(shù)據(jù)集,該數(shù)據(jù)集記錄了6個(gè)家庭短周期內(nèi)的高頻和低頻數(shù)據(jù).ANDERSON K等人[18]構(gòu)建了BLUED數(shù)據(jù)集,記錄了1個(gè)家庭的用電總負(fù)荷數(shù)據(jù),而不包含子表記錄數(shù)據(jù).BARKER S等人[19]構(gòu)建了Smart數(shù)據(jù)集,包含3個(gè)家庭的總負(fù)荷數(shù)據(jù)和單個(gè)家庭的子表數(shù)據(jù).HOLCOMB C[22]構(gòu)建的Pecan Street數(shù)據(jù)集包含10個(gè)家庭的總負(fù)荷數(shù)據(jù)和子表負(fù)荷數(shù)據(jù).ZIMMERMANN J P等人[20]構(gòu)建了HES數(shù)據(jù)集,其來(lái)自251個(gè)家庭,但總負(fù)荷數(shù)據(jù)只采集了14個(gè)家庭.

然而,以上每個(gè)數(shù)據(jù)集的目標(biāo)不同,導(dǎo)致了它們使用完全不同的格式,這就給數(shù)據(jù)集的工程應(yīng)用造成了一定的障礙.為了解決這一問(wèn)題,BATRA L N等人[21]提出了NILMTK-DF,這是啟發(fā)于REDD數(shù)據(jù)格式的一種公共數(shù)據(jù)集格式,可以轉(zhuǎn)換現(xiàn)有的數(shù)據(jù)集.NILMTK包含6大數(shù)據(jù)集的接口,即REDD,Smart,Pecan Street,iAWE,AMPds,UK-DALE.BLUED數(shù)據(jù)集因沒(méi)有子表數(shù)據(jù),HES數(shù)據(jù)集因時(shí)間約束,均不包括在NILMTK-DF內(nèi).NILMTK是一個(gè)非侵入式負(fù)荷監(jiān)控的工具包,于2014年發(fā)布,為支持能量分解研究提供了軟件基礎(chǔ)設(shè)施,旨在幫助研究人員評(píng)估NILM算法的精度.

ZEIFMAN等人[23]使用ROC曲線來(lái)比較不同模型的性能,該方法簡(jiǎn)單、直觀,還可準(zhǔn)確反映不同算法之間的區(qū)別.此外,部分研究還用到混淆矩陣、特征曲線等評(píng)價(jià)指標(biāo).

4 非侵入式負(fù)荷監(jiān)測(cè)技術(shù)面臨的挑戰(zhàn)

雖然NILM受到了廣大研究者的關(guān)注,但實(shí)現(xiàn)切實(shí)可行的NILM系統(tǒng)還面臨著不少的挑戰(zhàn).

(1) 由于每種設(shè)備的負(fù)荷特征存在高組間可變性,難以形成通用的負(fù)荷模型,而且大多數(shù)的功耗模型取決于特定的用戶(hù)設(shè)置.

(2) 低功耗家電有相似的功耗特性,增加了負(fù)荷識(shí)別任務(wù)的難度.

(3) 非侵入式負(fù)荷監(jiān)測(cè)在1型和2型設(shè)備的識(shí)別上表現(xiàn)良好,識(shí)別精度較高,但對(duì)3型和4型設(shè)備的識(shí)別難度比較大.

(4) 大多數(shù)的NILM方法要求離線訓(xùn)練數(shù)據(jù),而且負(fù)荷特征數(shù)據(jù)庫(kù)也不可能包含各類(lèi)設(shè)備的負(fù)荷特征,因此分解算法無(wú)法識(shí)別出不在特征數(shù)據(jù)庫(kù)中的新設(shè)備.

5 結(jié) 語(yǔ)

由于侵入式負(fù)荷監(jiān)測(cè)系統(tǒng)的高成本、低可靠性、實(shí)施難度高等缺陷,ALM領(lǐng)域的研究多集中于非侵入式負(fù)荷監(jiān)測(cè).NILM在保持低成本和高可靠性的前提下,在設(shè)備負(fù)荷監(jiān)測(cè)上獲得了令人滿意的結(jié)果.本文闡述了NILM系統(tǒng)的概念,總結(jié)了負(fù)荷識(shí)別和算法評(píng)估的研究現(xiàn)狀,并進(jìn)一步比較了兩種常用方法的優(yōu)缺點(diǎn).

[1] DARBY S.The effectiveness of feedback on energy consumption[M].A Review for Defra of the Literature on Metering Oxford:Oxford University Press,2006:486.

[2] HART G W.Residential energy monitoring and computerized surveillance via utility power flows[J].IEEE Technology& Society Magazine,1989,8(2):12-16.

[3] FROEHLICH J,LARSON E,GUPTA S,etal.Disaggregated end-use energy sensing for the smart grid[J].IEEE Pervasive Computing,2010,10(1):28-39.

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

[5] KAMAT S P.Fuzzy logic based pattern recognition technique for non-intrusive load monitoring[C]//TENCON 2b04.2004 IEEE Region 10 Conference,2004:528-530.

[6] HART G W.Nonintrusive appliance load monitoring[J].IEEE Proc.,1992(80):1 870-1 891.

[7] COLLINS K,MALLICK M,VOLPE G,etal.Smart energy monitoring and management system for industrial applications[C]//Electrical Power and Energy Conference,2012 IEEE.London:IEEE,2012:92-97.

[8] SUZUKI K,INAGAKI S,SUZUKI T,etal.Non-intrusive appliance load monitoring based on integer programming[C]//Int.Conference on Instrumentation,Control and Information Technology,Tokyo,Japan,2008:2 742-2 747.

[9] MARCHIORI A,HAKKARINEN D,HAN Q,etal.Circuit-level load monitoring for household energy management[J].IEEE Pervas Computer,2011(10):40-48.

[10] KATO T,CHO H S,LEE D.Appliance recognition from electric current signals for information-energy integrated network in home environments[C]//Proceedings of the 7th International Conference on Smart Homes and Health Telematics,Tours,France,2009:150-157.

[11] 王志超.住宅用電負(fù)荷的非侵入式監(jiān)測(cè)方法研究[D].重慶:重慶大學(xué),2015.

[12] KIM Frequency H,MARWAH M,ARLITT M,etal.Unsupervised disaggregation of low power measurements[C]//On data mining Mesa,AZ,USA,Proceedings of the 11th SIAM International Conference,2011:28-30.

[13] KOLTER J Z,JAAKKOLA T.Approximate inference in additive factorial HMMs with application to energy disaggregation[J].Mach Leran.Res,2012(22):1 472-1 482.

[14] MARTINS J F,LOPES R,LIMA C,etal.A novel nonintrusive load monitoring system based on the S-transform[C]//Optimization of Electrical and Electronic Equipment (OPTIM),2012/13th International Conference on.IEEE,2012:973-978.

[15] 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.

[16] 牛盧璐,賈宏杰.一種適用于非侵入式負(fù)荷監(jiān)測(cè)的暫態(tài)事件檢測(cè)算法[J].電力系統(tǒng)自動(dòng)化,2011,35(9):30-35.

[17] KOLTER J Z,JOHNSON M J.REDD:a public data set for energy disaggregation research[C]//Proceedings of 1st KDD Workshop on Data Mining Applications in Sustainability,San Diego,CA,USA,2011.

[18] ANDERSON K,OCNEANU A,BENITEZ D,etal.BLUED:a fully labeled public dataset for event-based non-intrusive load monitoring research[C]//Proceedings of end KDD Workshop on Data Mining Applications in Sustainability,Beijing,China,2012:12-16.

[19] BARKER S,MISHRA A,IRWIN D,etal.Smart*:an open data set and tools for enabling research in sustainable homes[C]//Proceedings of end KDD Workshop on Data Mining Applications in Sustainability,Beijing,China,2012.

[20] ZIMMERMANN J P,EVANS M,GRIGGS J,etal.Household electricity survey:a study of domestic electrical product usage[R].Technical Report 866141,DEFRA,May 2012.

[21] BATRAL N,KELLYZ J,PARSON O,etal.NILMTK:an open source toolkit for non-intrusive load nonitoring[J].Future Energy Systems,2014(4):265-276.

[22] HOLCOMB C.Pecan Street Inc:a test-bed for NILM[C]//International Workshop on Non-Intrusive Load Monitoring,Pittsburgh,PA,USA,2012.

[23] ZEIFMAN M.Disaggregation of home energy display data using probabilistic approach[C]//IEEE Traps.Consum.Electron,2012:23-31.

[24] LIANG J ,NG S,KENDALL G,etal.Load signature study Part I:Basic concept,structure methodology[J].IEEE Trans.Power Del,2010,25(2):551-560.

[25] KOLTER J Z,BATRA S,NG A Y.Energy disaggregation via discriminative sparse coding[C]//Internation Conference on Neural Information Processing Systems,2010:1 153-1 161.

(編輯 白林雪)

StudyonNon-IntrusiveLoadMonitoringTechnology

WANGSixian,BIZhongqin

(SchoolofComputerScienceandTechnology,ShanghaiUniversityofElectricPower,Shanghai200900,China)

Non-Intrusive Load Monitoring (NILM) technology enables power users to understand the power consumption of various types of equipment at different times by disaggregating the total energy load data to help decision makers develop sound energy efficiency plans,reduce energy costs,which plays an important role in emission reduction.The advantages of NILM are analyzed in comparison with the traditional intrusion load monitoring,and the characteristics of low cost,simple deployment and easy expansion.Secondly,the basic framework of NILM is summarized,and the NILM algorithm is introduced in detail from the two aspects of supervision and unsupervised algorithm.Then the existing data set and algorithm evaluation index are discussed.Finally,the challenges facing the current NILM are pointed out.

non-intrusive load monitoring; basic framework; evaluation criteria; dataset

10.3969/j.issn.1006-4729.2017.04.010

2017-03-09

汪四仙(1993-),女,在讀碩士,安徽黃山人.主要研究方向?yàn)榉乔秩胧诫娏ω?fù)荷分解技術(shù). E-mail:wsxjy1993@163.com.

TP273.5;TM714;TM76

A

1006-4729(2017)04-0357-05