祁兵，韓璐

（華北電力大學電氣與電子工程學院，北京102206）

0 引 言

隨著智能電網(wǎng)的發(fā)展，電力負荷中居民用戶用電負荷所占的比重越來越大，作為電力負荷的重要組成部分，居民用戶域負荷日益引起社會的廣泛關注。居民用戶域的負荷在線監(jiān)測是實現(xiàn)居民用戶用電可視化的基礎，它有助于用戶了解家庭內不同時段各電器設備的具體能耗情況，據(jù)此來制定合理的用電計劃，完善能源消費結構，促進能源有效利用，減少家庭電費開支。居民用戶域負荷在線監(jiān)測對推進整個社會的節(jié)能減排、緩解能源危機起著重要的作用［1-2］。

電力負荷的在線監(jiān)測分為傳統(tǒng)的“侵入式”負荷監(jiān)測和非侵入式負荷監(jiān)測（Non-Intrusive Load Monitoring，NILM）。相較于侵入式負荷監(jiān)測，NILM在不干預被監(jiān)測系統(tǒng)內部的前提下實現(xiàn)對各用電設備運行狀態(tài)和用電信息的在線監(jiān)測，它只需要在被監(jiān)測系統(tǒng)電力入口的配電板處安裝用電信息采集裝置，通過采集該處所有用電設備總的用電信息，并運用合適的數(shù)學分析計算方法進行處理和分析，結合不同用電設備的負荷特性，就能辨識并細化系統(tǒng)內各個負荷用電信息以及其運行狀態(tài)，從而得到負荷集群中單個負荷的種類和運行情況［3］。由于非侵入式負荷辨識具有投入少、設備少以及使用方便等特點，因此非常適用于居民用戶用電負荷的辨識。

負荷辨識算法是NILM的核心內容，研究人員提出了很多不同的理論和算法。George.W.Hart教授首先提出了一種通過監(jiān)測電力入口處所有用電設備總的有功功率和無功功率的變化量來辨識負荷的方法［4］。Robertson等人采用小波變換技術，通過對幾個未知的暫態(tài)信息進行分類的方法進行負荷辨識［5］。文獻［6］和文獻［7］研究了NILM的數(shù)據(jù)提取方法和穩(wěn)態(tài)負荷識別算法。由于負荷穩(wěn)態(tài)特征存在局限性，利用暫態(tài)特征辨識成為研究重點［8-11］。上述方法均是通過對暫態(tài)特征量的提取、轉化來實現(xiàn)負荷辨識，但由于切入點比較單一，考慮到實際環(huán)境下暫態(tài)特征的不確定性其準確度將受到影響，暫態(tài)、穩(wěn)態(tài)特征結合的方法也受到了關注［12-13］。隨著智能算法的發(fā)展，有研究者利用智能算法進行負荷辨識的研究［14-15］。

在已有研究的基礎上，提出了基于遺傳優(yōu)化的非侵入式負荷辨識算法，利用實測負荷電流及電壓數(shù)據(jù)，獲得有功功率及電流有效值，通過遺傳算法尋優(yōu)，尋找最優(yōu)解，最終確定電器的具體負荷類型。

1 非侵入負荷監(jiān)測原理及負荷特性分析

非侵入式負荷監(jiān)測方法是相對于侵入式方法提出的，其應用示意圖如圖1所示。

圖1 非侵入式負荷監(jiān)測方法應用示意圖Fig.1 Application schematic diagram of NILM

它只需要在被監(jiān)測系統(tǒng)電力入口處安裝監(jiān)測終端設備，通過采集該處所有用電設備總的用電信息，利用居民負荷特性，并運用合理的數(shù)學分析計算方法對這些實測用電數(shù)據(jù)進行處理和分析，從而辨識并細化系統(tǒng)內各個負荷用電信息以及其運行狀態(tài)，得到負荷集群中單個負荷的種類和運行情況。

由于構成元件、功能等方面的差異，負荷設備在運行過程中都會表現(xiàn)出獨特的用電特性，即負荷特性，包括有功功率、無功功率、諧波、電流有效值等［16］，是負荷辨識的主要依據(jù)。文中主要采用有功功率和電流有效值。

通過負荷的實際運行，文章對六種常用居民負荷特征進行測量，負荷分別是電扇、加濕器、微波爐、加熱器、落地扇和電水壺。測量結果如圖2所示。通過上述六種居民負荷的數(shù)據(jù)可以獲得有功功率以及電流有效值，其計算方法如下：

圖2 六種負荷穩(wěn)態(tài)電流波形圖Fig.2 Current waveforms of six load appliances

式中P是有功功率；Irms是電流有效值；V、I分別是負荷的電壓和電流；φ是電壓和電流的相位差；i是諧波次數(shù)。計算得出六種負荷有功功率和電流有效值，如表1所示。

從表1中可反映出，不用負荷的有功功率值差別較明顯，因此基于負荷的有功功率進行負荷辨識具有一定的可行性，但當負荷設備的有功功率值較接近時，易造成辨識結果偏差。

表1 六種負荷有功功率和電流有效值Tab.1 Active power and current effective value of six load appliances

基于上述原因，提出了利用有功功率及電流有效值相結合的負荷辨識方法，該方法考慮了負荷有功功率重疊的情況，可以提高負荷辨識的準確性。

（二）從材料包含的知識深度上看，要做到“三個思考”，即是什么，為什么，怎么樣。深層次解讀信息，是什么（什么現(xiàn)象、問題的實質）、為什么（原因、作用、危害等）、怎么樣（措施、建議、態(tài)度等）。當然，不一定每題都同時回答三個層次，通常用在認識、評價類試題，要根據(jù)問題并結合材料做到具體問題具體分析。

2 基于遺傳算法的負荷辨識方法

2.1 算法原理與實現(xiàn)流程

文中采集的實測數(shù)據(jù)是所有居民負荷總的用電數(shù)據(jù)，實際辨識需要快速準確，因此應利用遺傳算法的快速尋優(yōu)特性，可極大的簡化數(shù)據(jù)相關性計算，減少計算量，且采用遺傳算法能以較大概率找到全局最優(yōu)，故本文采用遺傳算法求解該最優(yōu)化問題。

文章基于遺傳優(yōu)化的思想對有功功率和電流有效值兩個負荷特征進行尋優(yōu)搜索。通過采集負荷的用電數(shù)據(jù)，并對數(shù)據(jù)歸一化處理；確定編碼方案，定義適應度函數(shù)值，選擇遺傳算法參數(shù)；產生任意有功功率以及電流有效值疊加值的組合，對疊加值組合進行編碼形成一個染色體個體；重復此過程直到滿足個體數(shù)量要求，從而形成種群；然后從種群中以一定選擇算法選擇出優(yōu)勢個體并按一定的概率進行復制、雜交、變異算子等三種不同操作產生新一代種群個體。重復上述過程直至群體中存在個體達到給定的適應度要求?；谶z傳算法的非侵入式負荷辨識的具體實現(xiàn)過程如圖3所示。

2.2 遺傳算法模型

由于有功功率和電流有效值量綱不一致，為了簡化計算，對數(shù)據(jù)進行歸一化處理。

在遺傳算法中把一個問題的可行解，從其解空間轉換到遺傳算法所能處理的搜索空間的轉換方法稱為編碼。負荷的狀態(tài)是一個二值問題，因此采用二進制一維編碼［17-18］，每個染色體對應一個負荷組合集。染色體編碼方式則直接使用二進制表達方式，即“0”和“1”。若有m個負荷，則染色體長度L＝m，即染色體是一個長度為m的0和1字串，每位對應一個相應的負荷狀態(tài)，即當染色體中的某個基因為“1”時，表示該基因對應的負荷狀態(tài)為運行；若為“0”時，表示該負荷狀態(tài)處于關閉。隨機產生k個長度為 m的0、1字符串作為初始種群。

圖3 算法實現(xiàn)流程Fig.3 Flow chart of the proposed algorithm

編碼方案有三種：

（1）染色體編碼由實測總功率是否包含此負荷的有功功率值組成，即當負荷處于運行狀態(tài)時，則實測總有功功率中包含此負荷的功率分量，如圖4所示。

圖4 染色體編碼方案aFig.4 Chromosome encoding of plan a

圖5 染色體編碼方案bFig.5 Chromosome encoding of plan b

（3）染色體編碼由有功功率值和電流有效值參數(shù)組合編碼兩部分組成，如圖6所示。

圖6 染色體編碼方案cFig.6 Chromosome encoding of plan c

選擇一個適當?shù)倪m應度函數(shù)是遺傳算法能否成功解決負荷辨識問題的關鍵，它直接影響到遺傳算法的收斂速度以及能否找到最優(yōu)解。根據(jù)編碼方案，適應度函數(shù)也有三種設置：

式中P代表實測的有功功率；I代表實測的電流有效值；xi代表每一位的編碼，為 0或者 1；f（i，P，x）代表方案 a的適應度函數(shù)；f（i，Irms，x）代表方案 b的適應度函數(shù)；f（i，P，Irms，x）代表方案 c的適應度函數(shù)。

個體的進化是在遺傳算子的作用下完成的。最主要的遺傳算子是選擇、交叉和變異。文中采用的是轉盤賭法的選擇策略，每次隨機的從有功功率和電流有效值的疊加組合中挑選一定數(shù)目的個體，并將其中適應度最高的選作父體；交叉采用的是均勻交叉策略，將兩個父代染色體以一定的概率執(zhí)行交叉操作，從而形成新一代的子染色體；變異采用的是比特翻轉策略，即依突變概率隨機將染色體的某位基因進行比特翻轉（即1變成0，而0變成1）。采用總有功功率以及總電流有效值與實測數(shù)據(jù)差值最小相結合作為迭代終止條件。

3 算例分析

3.1 實驗環(huán)境和實驗數(shù)據(jù)

基于LabVIEW和信號采集卡的數(shù)據(jù)采集終端，采集系統(tǒng)運行過程中的電流、電壓等數(shù)據(jù)。獲取實測數(shù)據(jù)后，為了驗證算法的有效性，用MATLAB編程實現(xiàn)，利用本文算法進行負荷分析及辨識。

3.2 實驗參數(shù)設置

參數(shù)采樣率fs＝10 kHz，本文選用了6類樣本，即負荷種類m＝6，分別是小電扇、加濕器、微波爐、加熱器、落地扇以及電水壺。實驗中選用的6種典型負荷能夠驗證算法的有效性。設置初始種群數(shù)為30，染色體編碼為6位和12位二進制碼，最大繁殖代數(shù)為64。三種編碼方案的參數(shù)設置如表2所示。

表2 遺傳算法參數(shù)Tab.2 Parameter of genetic optimization

3.3 實驗結果

為了對比三種編碼方案的有效性，對a、b和c三種編碼方案分別進行實驗仿真。

（1）方案 a仿真

當實測有功功率為570W時，圖7（a）顯示識別結果為編碼9號，即［001000］，可看出只有三號負荷編碼為1，即微波爐處于運行狀態(tài)；當實測有功功率為240W時，圖7（b）顯示識別結果為編碼54號，即［110101］，可看出一、二、四和六號負荷編碼為1，即小電扇、加濕器、加熱器和電水壺處于運行狀態(tài)；同理當實測有功功率為770W時，圖7（c）辨識結果為加濕器、微波爐、加熱器和電水壺處于運行狀態(tài)；當實測有功功率為60 W時，圖7（d）辨識結果為小電扇和加濕器處于運行狀態(tài)；當實測有功功率為290 W時，圖7（e）辨識結果為小電扇、加濕器、加熱器、落地扇和電水壺處于運行狀態(tài)；當實測有功功率為33 W時，圖7（f）辨識結果為加濕器和電水壺處于運行狀態(tài)。

圖7 方案a仿真結果Fig.7 Simulation results of plan a

（2）方案 b仿真

當實測電流有效值為38 mA時，圖8（a）顯示識別結果為編碼9號，即［001000］，可看出只有三號負荷編碼為1，即微波爐處于運行狀態(tài) ；當實測電流有效值為118 mA時，圖8（b）顯示識別結果為編碼54號，即［110101］，可看出一、二、四和六號負荷編碼為1，即小電扇、加濕器、加熱器和電水壺處于運行狀態(tài)；同理當實測電流有效值為80 mA時，圖8（c）辨識結果為加濕器、微波爐、加熱器和電水壺處于運行狀態(tài)；當實測電流有效值為5.5 mA時，圖8（d）辨識結果為小電扇和加濕器處于運行狀態(tài)；當實測有功功率為85 mA時，圖8（e）辨識結果為小電扇、加濕器、加熱器、落地扇和電水壺處于運行狀態(tài)；當實測有功功率為64 mA時，圖8（f）辨識結果為加濕器和電水壺處于運行狀態(tài)。

圖8 方案b仿真結果Fig.8 Simulation results of plan b

（3）方案 c仿真

當實測有功功率為570 W，實測電流有效值為38 mA時，圖9（a）利用有功功率顯示識別結果為編碼9號，即［001000001000］，可得出，只有三號負荷處于開啟狀態(tài)，即微波爐；當實測功率為240 W，實測電流有效值為118 mA時，圖9（b）顯示識別結果為編碼54號，即［110101110101］，可看出一、二、四和六號負荷編碼為1，即小電扇、加濕器、加熱器和電水壺處于運行狀態(tài)；同理當實測有功功率為770 W，實測電流有效值為80 mA時，圖9（c）辨識結果為加濕器、微波爐、加熱器和電水壺處于運行狀態(tài)；當實測有功功率為60W，實測電流有效值為5.5 mA時，圖9（d）辨識結果為小電扇和加濕器處于運行狀態(tài)；當實測有功功率為290W，實測有功功率為85 mA時，圖9（e）辨識結果為小電扇、加濕器、加熱器、落地扇和電水壺處于運行狀態(tài)；當實測有功功率為33W，實測有功功率為64 mA時，圖9（f）辨識結果為加濕器和電水壺處于運行狀態(tài)。

圖9 方案c仿真結果Fig.9 Simulation results of plan c

圖10顯示了三種編碼方案隨著迭代次數(shù)的增加搜索到每代適應度值的變化情況。

表3是三種編碼方案在相同實驗情景下所達到辨識精度和收斂時間的比較。其結果是算法連續(xù)運行20次所得出的平均值。

圖10 三種方案的最佳適應度Fig.10 The best fitness curves of the three plans

從表3可以看出，方案c的辨識準確率明顯高于另外兩種方案，可以證明方案c利用有功功率和電流有效值綜合判別負荷效果更好。在算法效率上，方案c的收斂時間最長，主要原因是方案c的編碼長度長，且運算數(shù)據(jù)量大于其它兩種，使得算法運行速率變慢。雖然優(yōu)化所需的時間增加，但當不同種負荷有相同功率或者相同電流有效值時，方案c的識別精度更高。因此與其他兩種方案相比，綜合考慮辨識準確度和收斂時間，有功功率以及電流有效值疊加值組合的方法辨識居民負荷組成具有一定的優(yōu)勢。

表3 三種編碼方案的辨識準確率和收斂時間比較Tab.3 Comparison on the identification accuracy and convergence time of the three coding plans

4 結束語

針對居民用戶負荷辨識問題，提出了一種基于遺傳優(yōu)化的非侵入式居民負荷辨識算法。該方法利用實測數(shù)據(jù)，獲得有功功率及電流有效值特征參數(shù)，由于多種負荷設備同時運行時所獲取的混合功率及電流為各設備單獨運行時產生的特征功率及電流之和，在綜合考慮有功功率及電流有效值約束條件的基礎上，采用遺傳算法，對有功功率及電流有效值的不同疊加組合值進行尋優(yōu)，從而獲得一個滿足電流有效值和有功功率組合值的最優(yōu)解。若實測功率包含某一種負荷的功率值和電流有效值，則此負荷投入運行，否則說明此負荷未投入運行。實驗證明，該算法能較好地處理大規(guī)模復雜數(shù)據(jù)，且適合于解決多目標優(yōu)化問題，能有效地解決非侵入式負荷辨識問題。通過三組實驗，驗證了綜合有功功率以及電流有效值疊加值組合的方法能夠正確的辨識出居民負荷的運行狀態(tài)。