楊東升,孔 亮,胡 博,苑 婷

(1.東北大學(xué)信息科學(xué)與工程學(xué)院,遼寧省沈陽(yáng)市 110819;2.國(guó)網(wǎng)葫蘆島供電公司,遼寧省葫蘆島市 125000;3.國(guó)網(wǎng)盤錦供電公司,遼寧省盤錦市 124010)

基于多特征序列融合的負(fù)荷辨識(shí)方法

楊東升1,孔 亮1,胡 博2,苑 婷3

(1.東北大學(xué)信息科學(xué)與工程學(xué)院,遼寧省沈陽(yáng)市 110819;2.國(guó)網(wǎng)葫蘆島供電公司,遼寧省葫蘆島市 125000;3.國(guó)網(wǎng)盤錦供電公司,遼寧省盤錦市 124010)

針對(duì)當(dāng)前利用低頻采樣實(shí)現(xiàn)非侵入式負(fù)荷辨識(shí)存在的準(zhǔn)確率低的問題,提出了基于多特征序列融合的負(fù)荷辨識(shí)方法。該方法首先建立負(fù)荷存在可能性的整數(shù)規(guī)劃模型,進(jìn)行初辨識(shí)以降低負(fù)荷辨識(shí)的維度。然后,根據(jù)滑動(dòng)窗口算法獲得組合功率序列和原始功率序列,提取其統(tǒng)計(jì)特征和奇異值特征,進(jìn)而利用概率神經(jīng)網(wǎng)絡(luò)獲得隱馬爾可夫模型的觀測(cè)值序列。同時(shí),利用隱馬爾可夫模型對(duì)負(fù)荷序列信息進(jìn)行融合,計(jì)算觀測(cè)序列和組合功率序列之間的相似度,從而完成在低頻采樣下的負(fù)荷辨識(shí),并獲得各個(gè)家用負(fù)荷的耗電量。最后,通過單負(fù)荷辨識(shí)、多負(fù)荷辨識(shí)、不同采樣率辨識(shí)和各居民用戶負(fù)荷辨識(shí)的仿真實(shí)驗(yàn),得到負(fù)荷準(zhǔn)確率和辨識(shí)精度的平均值均在85%以上,證明了所提算法的合理性和即時(shí)性能夠達(dá)到在低頻采樣下負(fù)荷的辨識(shí)要求。

負(fù)荷辨識(shí);整數(shù)規(guī)劃;概率神經(jīng)網(wǎng)絡(luò);隱馬爾可夫模型

0 引言

近年來(lái),隨著智能用電[1]、電力需求側(cè)管理技術(shù)[2-3]逐漸發(fā)展和能源節(jié)約意識(shí)逐漸增強(qiáng),負(fù)荷辨識(shí)技術(shù)受到國(guó)內(nèi)外研究者的普遍關(guān)注。負(fù)荷辨識(shí)技術(shù)應(yīng)用在非侵入式電力負(fù)荷監(jiān)測(cè) (non-intrusive load monitoring,NILM)方面[4],該技術(shù)僅通過在用戶入口處安裝監(jiān)測(cè)設(shè)備獲得總用電信息從而辨識(shí)用戶各用電負(fù)荷類型和工作狀態(tài),因此該技術(shù)相對(duì)于侵入式負(fù)荷監(jiān)測(cè)技術(shù)具有成本低、通信網(wǎng)絡(luò)簡(jiǎn)單和便于維護(hù)等優(yōu)點(diǎn),同時(shí)又可以得到各負(fù)荷工作狀態(tài)和耗能情況,從而根據(jù)耗能信息、分時(shí)電價(jià)和電能計(jì)量等綜合信息,得到有效的節(jié)能措施,例如負(fù)荷辨識(shí)結(jié)果調(diào)整負(fù)荷用電時(shí)段或者選擇節(jié)能電器,能有效減少用戶電費(fèi)開支,降低能源危機(jī)和環(huán)境污染[5]。

國(guó)內(nèi)外針對(duì)高頻采樣和低頻采樣兩個(gè)方面對(duì)非侵入式辨識(shí)技術(shù)進(jìn)行了大量的研究,它們主要通過采集暫態(tài)信號(hào)或者穩(wěn)態(tài)信號(hào)對(duì)負(fù)荷進(jìn)行辨識(shí)。對(duì)于高頻采樣(頻率一般為1～20 kHz)采集暫態(tài)信號(hào),Leeb和Norford[6-7]等人基于功率諧波特征對(duì)暫態(tài)信號(hào)進(jìn)行分析,構(gòu)造各個(gè)家用負(fù)荷的特征向量進(jìn)行負(fù)荷辨識(shí)。Martins和Lopes[8]等人基于S變換對(duì)電流的暫態(tài)信號(hào)進(jìn)行分析,提取特征向量以達(dá)到負(fù)荷辨識(shí)的目的。Suzuki和Inagaki[9]等人基于整數(shù)規(guī)劃方法對(duì)負(fù)荷進(jìn)行辨識(shí)。Shaw[10]提出基于最小二乘法對(duì)數(shù)據(jù)庫(kù)中包絡(luò)譜中的信號(hào)進(jìn)行分析,利用殘差和的大小對(duì)負(fù)荷進(jìn)行辨識(shí)。高云[11]等人基于貼近度大小對(duì)負(fù)荷功率的暫態(tài)特征進(jìn)行分析,通過比較與各個(gè)負(fù)荷特征數(shù)據(jù)的貼近度來(lái)達(dá)到負(fù)荷辨識(shí)的目的。上述文獻(xiàn)都是基于高頻采樣對(duì)負(fù)荷進(jìn)行辨識(shí),但是高頻采樣對(duì)采樣設(shè)備要求較高和分析數(shù)據(jù)量大,不利于非侵入式技術(shù)產(chǎn)品化的推廣,因此低頻采樣(采樣時(shí)間一般為1 s～1 h)的負(fù)荷辨識(shí)已成為現(xiàn)階段亟須解決的問題。Makonin[12]等人提出隱馬爾可夫鏈在低頻采樣下對(duì)非侵入式電力負(fù)荷進(jìn)行辨識(shí)的算法。同時(shí),Basu[13]和Dinesh[14]等人通過多標(biāo)簽分類算法在低頻采樣下對(duì)電力負(fù)荷進(jìn)行辨識(shí),比較在不同算法下辨識(shí)準(zhǔn)確率的高低,但是上述方法僅針對(duì)功率較大負(fù)荷辨識(shí)而且負(fù)荷辨識(shí)準(zhǔn)確率低,而在低功率負(fù)荷辨識(shí)方面存在缺陷,因此非侵入式負(fù)荷辨識(shí)需要進(jìn)一步深入研究和探索。

本文針對(duì)低頻采樣下負(fù)荷辨識(shí)準(zhǔn)確率和辨識(shí)精度低的問題,提出了基于多特征融合的家用負(fù)荷辨識(shí)技術(shù)算法,首先建立整數(shù)規(guī)劃模型求解負(fù)荷存在的可能性,以降低負(fù)荷辨識(shí)計(jì)算維度;然后,基于滑動(dòng)時(shí)間窗口算法獲得組合功率序列和原始功率序列,提取兩者功率序列的統(tǒng)計(jì)特征值和奇異值,以彌補(bǔ)描述負(fù)荷特征信息不足的情況,并利用概率神經(jīng)網(wǎng)絡(luò)(PNN)與D-S證據(jù)理論進(jìn)行多特征融合,并將融合結(jié)果作為隱馬爾可夫鏈模型(HMM)的觀察值序列,最后基于HMM的序列信息融合完成家用負(fù)荷的再辨識(shí),并獲得各個(gè)負(fù)荷耗電量的估計(jì)值。HMM的建立主要考慮到各個(gè)負(fù)荷在運(yùn)行過程中,不僅與該時(shí)刻功率值有關(guān),還與上一時(shí)刻的功率狀態(tài)存在間接影響,僅基于負(fù)荷特征值進(jìn)行負(fù)荷辨識(shí)而不考慮負(fù)荷各個(gè)時(shí)刻狀態(tài)情況將會(huì)降低負(fù)荷辨識(shí)準(zhǔn)確率,因此HMM的引入將會(huì)大大提高辨識(shí)算法的準(zhǔn)確率和辨識(shí)精度。

1 多特征序列融合的負(fù)荷辨識(shí)原理

非侵入式負(fù)荷辨識(shí)技術(shù)是在用戶入口處安裝監(jiān)測(cè)設(shè)備獲得總用電信息,從而辨識(shí)用戶各用電負(fù)荷類型和工作狀態(tài),然后上傳到客戶終端,以獲得用戶的用電行為、各負(fù)荷工作狀態(tài)和耗能情況,技術(shù)方案如圖1所示。

圖1 非侵入式負(fù)荷辨識(shí)技術(shù)方案Fig.1 Technical scheme of non-intrusive load identification

負(fù)荷總用電信息包括電流、電壓、有功功率和無(wú)功功率等參量,而有功功率是用電負(fù)荷耗電時(shí)最直接的電氣特征,同時(shí)也是用戶最關(guān)心的特征,本文基于多特征序列融合的非侵入式負(fù)荷辨識(shí)技術(shù)框架如圖2所示。

圖2 非侵入式負(fù)荷辨識(shí)框架Fig.2 Framework of non-intrusive load identification

在圖2中,通過采集裝置獲得負(fù)荷總用電有功功率,負(fù)荷有功功率通過時(shí)間滑動(dòng)窗口算法獲得功率序列,其辨識(shí)框架主要包括如下內(nèi)容。

1)負(fù)荷初辨識(shí):通過整數(shù)規(guī)劃求解可能存在的負(fù)荷工作狀態(tài)組合。

2)負(fù)荷特征提取:通過組合功率序列和原始功率序列計(jì)算統(tǒng)計(jì)特征和奇異值特征。

3)多特征融合:利用PNN分別對(duì)統(tǒng)計(jì)特征和功率序列奇異值特征進(jìn)行特征信度賦值,并通過D-S證據(jù)理論進(jìn)行信息融合。

4)序列信息融合:通過對(duì)功率序列進(jìn)行HMM建模,相似度最大值的負(fù)荷組合為負(fù)荷辨識(shí)結(jié)果。

1.1 負(fù)荷初辨識(shí)

各個(gè)負(fù)荷在使用過程中,由于使用者開啟負(fù)荷種類不同導(dǎo)致用電功率也不同。本文通過用電功率實(shí)現(xiàn)用電負(fù)荷的辨識(shí)。假設(shè)某時(shí)刻家庭用戶入口總表檢測(cè)家庭用電總功率為P(t),用電負(fù)荷使用時(shí)可能存在的組合負(fù)荷啟停狀態(tài)向量為S。根據(jù)能量守恒定律可得下式:

S∈{S||ΔP=P(t)-XTS|≤θmax}

(1)

1.2 負(fù)荷特征提取

用電負(fù)荷功率序列特征主要包括功率序列統(tǒng)計(jì)特征和功率序列奇異值特征。

為了獲得上述負(fù)荷功率特征,首先應(yīng)對(duì)大量的低頻樣本數(shù)據(jù)進(jìn)行預(yù)處理,進(jìn)而避免負(fù)荷功率值對(duì)時(shí)間的依賴性。本文采用滑動(dòng)時(shí)間窗口算法提取各負(fù)荷功率序列[13],其算法為對(duì)于給定的負(fù)荷消耗功率P和長(zhǎng)度為2N的時(shí)間窗口,t時(shí)刻的功率序列記為P(t)=[P(t-N),P(t-N+1),…,P(t+N-1)],其原理為時(shí)間窗口放在序列的起始位置,此時(shí)時(shí)間窗口序列是長(zhǎng)度為2N的子序列,然后長(zhǎng)度為2N的時(shí)間窗口后移,以功率序列的第2個(gè)點(diǎn)為起始單位,形成同樣長(zhǎng)度的子序列,以此類推,一共形成n-2N+1個(gè)長(zhǎng)度為2N的時(shí)間子序列P1,P2,…,Pn-2N+1。這樣就將功率序列映射為一系列2N維空間中的點(diǎn)集合,本文N取5,如附錄A圖A1所示。

1.2.1 功率序列統(tǒng)計(jì)特征的提取

(2)

(3)

(4)

(5)

(6)

(7)

式中:P(ti)為功率序列ti時(shí)刻的功率值。

1.2.2 功率序列奇異值的提取

通過對(duì)各個(gè)負(fù)荷功率序列進(jìn)行奇異值分解(SVD)[15],發(fā)現(xiàn)不同負(fù)荷具有較明顯的區(qū)別,因此引入奇異值作為負(fù)荷辨識(shí)特征,其定義如下。

定義1:對(duì)任意的一個(gè)m×n階矩陣A,存在正交矩陣U及A使得:

(8)

通過前文的負(fù)荷功率特征序列,提取功率序列窗口2N個(gè)輪廓離散點(diǎn),并計(jì)算每個(gè)點(diǎn)與該窗口的平均值的距離。此外,為避免功率序列縮放變化對(duì)循環(huán)矩陣構(gòu)造帶來(lái)影響,將窗口的平均值的距離進(jìn)行歸一化處理,獲得向量[d1,d2,…,d2N],最后構(gòu)造循環(huán)矩陣提取奇異值,如下式所示:

(9)

對(duì)節(jié)能燈、臺(tái)式電腦和微波爐隨機(jī)抽取5組樣本,提取不同采樣樣本的奇異值,如附錄A圖A2所示,節(jié)能燈、臺(tái)式電腦和微波爐的奇異值的較大值主要集中在一定范圍區(qū)域中,出現(xiàn)較明顯的分層,而節(jié)能燈采樣樣本奇異值的較大值主要集中在黑色實(shí)線方框內(nèi)。

1.3 多特征融合

對(duì)于負(fù)荷特征的融合,本文首先將負(fù)荷功率序列統(tǒng)計(jì)特征和功率序列奇異值特征作為特征向量輸入PNN中,以進(jìn)行特征信度賦值,然后通過D-S證據(jù)理論將兩者的特征信度賦值矩陣進(jìn)行融合。

1.3.1 PNN特征信度賦值

PNN[16]是一種基于徑向基神經(jīng)網(wǎng)絡(luò)與經(jīng)典概率密度的前饋型神經(jīng)網(wǎng)絡(luò),與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)相比,在處理負(fù)荷辨識(shí)問題方面具有較為顯著的優(yōu)勢(shì)和意義。通過PNN對(duì)負(fù)荷功率序列統(tǒng)計(jì)特征和功率序列奇異值特征進(jìn)行特征信度賦值,具體步驟如下。

假設(shè)負(fù)荷功率序列的統(tǒng)計(jì)特征Φk和奇異值特征的向量Ψ的維數(shù)為ni(i=1,2),初辨識(shí)后判斷每個(gè)可能存在的負(fù)荷組合每組提取有k個(gè)訓(xùn)練樣本,m個(gè)分類層,m為初辨識(shí)得到的可能存在的負(fù)荷組合數(shù)。

本文以負(fù)荷功率序列統(tǒng)計(jì)特征向量Φk和奇異值特征向量Ψ分別作為PNN的輸入層,輸入層將各個(gè)特征向量進(jìn)行歸一化后輸入隱含層,同時(shí)根據(jù)分析可知隱含神經(jīng)元的數(shù)目為n×k個(gè),最后通過式(10)所示響應(yīng)函數(shù)得到輸出層,即為信度賦值矩陣M,輸出層神經(jīng)元的數(shù)目與最終辨識(shí)負(fù)荷組合數(shù)目相關(guān),即輸出層的神經(jīng)元數(shù)目為m個(gè)。

(10)

式中:x=(xm,j)包含統(tǒng)計(jì)特征向量Φk和奇異值特征向量Ψ;xm,j為第m種負(fù)荷組合的第j個(gè)訓(xùn)練樣本向量,j=1,2,…,w,其中w為訓(xùn)練樣本總數(shù);σ為平滑參數(shù)。

基于PNN并通過MATLAB計(jì)算,得到關(guān)于負(fù)荷不同組合類型的信度賦值矩陣為:

(11)

式中:mnm為第n種特征第m種可能存在的組合的特征信度賦值,即特征信度賦值概率。

1.3.2 信度融合

D-S證據(jù)理論[17]在多特征融合中得到廣泛應(yīng)用。根據(jù)D-S證據(jù)理論,針對(duì)多特征序列融合,基本的處理步驟為:假設(shè)m1(a)和m2(b)分別為一組可能存在負(fù)荷的基于負(fù)荷功率序列統(tǒng)計(jì)特征和功率序列奇異值特征的基本信度賦值,焦元分別為a1,a2,…,ai和b1,b2,…,bj,組合結(jié)果m(C)為:

(12)

考慮到矩陣M直接通過式(11)來(lái)計(jì)算的計(jì)算量巨大,難以實(shí)際運(yùn)用,本文采用矩陣分析方法處理,表示為:

(13)

式中:Mi為負(fù)荷功率序列統(tǒng)計(jì)特征基本信度矩陣;Mj為功率序列奇異值特征基本信度矩陣。

ζ為矩陣R的非對(duì)角線元素之和,即

(14)

1.4 功率序列信息融合

通過大量實(shí)驗(yàn)計(jì)算,基于PNN與D-S證據(jù)理論基本可以解決負(fù)荷辨識(shí)問題,但對(duì)于多負(fù)荷多狀態(tài)存在準(zhǔn)確率較低的問題,本文考慮負(fù)荷運(yùn)行功率序列之間存在的聯(lián)系以增加負(fù)荷辨識(shí)的準(zhǔn)確率。

各個(gè)負(fù)荷運(yùn)行功率序列之間的聯(lián)系體現(xiàn)在各個(gè)功率負(fù)荷在運(yùn)行過程中,由于負(fù)荷使用者和負(fù)荷本身的特性,將導(dǎo)致負(fù)荷在不同時(shí)刻具有不同的運(yùn)行狀態(tài),但是各負(fù)荷工作狀態(tài)存在一定的聯(lián)系。例如前一刻用戶居民開啟負(fù)荷為冰箱和電腦,但在下一刻僅開啟節(jié)能燈和電視的概率將會(huì)很小。對(duì)于在連續(xù)時(shí)間內(nèi)啟停時(shí)序不同的負(fù)荷用電功率狀態(tài),利用功率序列信息和負(fù)荷辨識(shí)結(jié)果相結(jié)合的方法,可以很好地提高負(fù)荷的辨識(shí)率和辨識(shí)的魯棒性。本文利用HMM[18-19]對(duì)各個(gè)負(fù)荷功率序列的狀態(tài)信息進(jìn)行融合。

HMM中當(dāng)一個(gè)系統(tǒng)有N個(gè)有限狀態(tài),S=[s1,s2,…,sn],且隨著時(shí)間推移,系統(tǒng)將從一個(gè)狀態(tài)轉(zhuǎn)移到另外一個(gè)狀態(tài)。V=[v1,v1,…,vm]為一個(gè)隨機(jī)變量序列,隨機(jī)變量的取值為狀態(tài)集S中的某個(gè)狀態(tài),假定在t時(shí)刻的狀態(tài)為qt,在馬爾可夫鏈中系統(tǒng)在t時(shí)刻處于sj的概率取決于其在時(shí)刻1,2,…,t-1的狀態(tài)。而在特定條件下,系統(tǒng)在t時(shí)刻的狀態(tài)qt只與其在t-1時(shí)刻的狀態(tài)qt-1有關(guān),其概率為:

Pr(qt=sj|qt-1=st,qt-2=sk,…)=

Pr(qt=sj|qt-1=st)

(15)

在負(fù)荷識(shí)別過程中,準(zhǔn)確判斷各個(gè)負(fù)荷的啟停及工作狀態(tài)是負(fù)荷辨識(shí)成功的一個(gè)關(guān)鍵點(diǎn),對(duì)負(fù)荷存在的可能集合建立一個(gè)HMM,考慮到當(dāng)負(fù)荷種類過多時(shí),維度也相應(yīng)增加,本文利用整數(shù)規(guī)劃對(duì)負(fù)荷進(jìn)行初辨識(shí)以降維。

根據(jù)負(fù)荷存在的組合建立HMM,具體建模方法如下。

1)負(fù)荷狀態(tài)建模:將用電負(fù)荷分為單狀態(tài)、多變化和多狀態(tài)三大類,把負(fù)荷運(yùn)行過程中存在的狀態(tài)作為HMM的狀態(tài)。單狀態(tài)負(fù)荷指的是負(fù)荷開啟時(shí),負(fù)荷運(yùn)行功率與額定功率范圍基本相同,且基本保持不變;多變化負(fù)荷是指由于用戶使用情況的不同導(dǎo)致負(fù)荷運(yùn)行功率不斷變化的負(fù)荷;多狀態(tài)負(fù)荷是指負(fù)荷由于本身使用特點(diǎn)而導(dǎo)致多個(gè)工作狀態(tài),如冰箱屬于間歇性工作,有制冷、正常工作和停止工作3種狀態(tài)。

2)負(fù)荷觀察值建模:在本文中,采用的構(gòu)建方法與上述負(fù)荷狀態(tài)的構(gòu)建方法相類似,把每個(gè)負(fù)荷的每個(gè)狀態(tài)作為觀察值。例如冰箱分為3個(gè)狀態(tài),則共有3個(gè)觀察值,在觀察值概率矩陣中bjk所表示的含義是在當(dāng)前冰箱運(yùn)行的某一狀態(tài)下為3個(gè)觀察值中某個(gè)觀察值vk的概率。

觀察值通過多特征融合的結(jié)果獲得,即對(duì)于長(zhǎng)度為2N的功率序列,首先提取負(fù)荷功率序列統(tǒng)計(jì)特征和功率序列奇異值特征,運(yùn)用PNN對(duì)其進(jìn)行概率值向量的輸出,獲得特征信度賦值矩陣。然后利用D-S證據(jù)理論對(duì)兩個(gè)特征向量進(jìn)行特征融合,獲得HMM的觀察值序列。最后,通過計(jì)算觀察值序列和各個(gè)負(fù)荷組合之間的相似概率值,取最大值對(duì)應(yīng)的類別作為最終負(fù)荷辨識(shí)結(jié)果。

2 多特征序列融合的負(fù)荷辨識(shí)流程

基于多特征序列融合的非侵入式負(fù)荷辨識(shí)算法主要分為樣本訓(xùn)練和目標(biāo)負(fù)荷辨識(shí)兩個(gè)環(huán)節(jié),負(fù)荷訓(xùn)練和辨識(shí)環(huán)節(jié)的算法流程如附錄A圖A3所示。

在訓(xùn)練環(huán)節(jié),首先提取訓(xùn)練樣本庫(kù)中負(fù)荷功率序列統(tǒng)計(jì)特征和奇異值特征,并訓(xùn)練對(duì)應(yīng)的PNN。然后利用訓(xùn)練好的PNN與D-S證據(jù)理論對(duì)不同負(fù)荷的HMM完成初始化,獲得樣本數(shù)據(jù)庫(kù)。

在辨識(shí)環(huán)節(jié),對(duì)于待辨識(shí)的負(fù)荷功率序列,首先根據(jù)整數(shù)規(guī)劃進(jìn)行負(fù)荷初辨識(shí),降低負(fù)荷辨識(shí)的維度,然后利用PNN和D-S證據(jù)理論的多特征融合獲得觀察值序列,計(jì)算觀察值序列和各個(gè)可能存在組合負(fù)荷HMM之間的相似度,完成多特征序列融合以達(dá)到負(fù)荷辨識(shí)的目的。

2.1 識(shí)別算法流程

首先,對(duì)于在某一時(shí)刻需辨識(shí)的負(fù)荷或者負(fù)荷組合,采用滑動(dòng)時(shí)間窗口算法得到功率序列,對(duì)該序列進(jìn)行特征提取,獲得負(fù)荷功率序列統(tǒng)計(jì)特征和功率序列奇異值特征。

其次,利用兩個(gè)訓(xùn)練好的PNN對(duì)負(fù)荷功率序列統(tǒng)計(jì)特征和奇異值特征進(jìn)行基本信度賦值,并歸一化,再利用D-S證據(jù)理論對(duì)基本信度賦值矩陣進(jìn)行序列融合,完成負(fù)荷多特征序列融合過程,從而得到觀測(cè)值序列O2N。

最后,計(jì)算前向變量為:

Ωt(i)=Pr(o1o2…ot,qt=si|λ) -N≤t≤N-1

(16)

同時(shí)Pr(O2N|λ)的表達(dá)式為:

Pr(O2N|λ)=

(17)

通過前向算法計(jì)算該觀測(cè)值序列O2N和各負(fù)荷HMM之間的相似度Pr(O2N|λi),i=1,2,…,c,c表示負(fù)荷辨識(shí)的類別數(shù)。利用Bayesian極大似然值思想,通過相似度的比較,判定其最大值對(duì)應(yīng)的負(fù)荷類別為辨識(shí)結(jié)果,記為Γclass,其數(shù)學(xué)表達(dá)式:

(18)

2.2 算法合理性量度

基于多特征序列融合的負(fù)荷辨識(shí)算法的量度需要從多個(gè)角度進(jìn)行評(píng)判,本文主要從負(fù)荷辨識(shí)的準(zhǔn)確率和辨識(shí)精度兩個(gè)方面對(duì)算法的合理性進(jìn)行量度。

準(zhǔn)確率表示整個(gè)負(fù)荷辨識(shí)結(jié)果的準(zhǔn)確率,這是一個(gè)相當(dāng)嚴(yán)格的量度標(biāo)準(zhǔn),要求辨識(shí)出的負(fù)荷啟停狀態(tài)集合和實(shí)際集合完全重合。定義如下:

(19)

式中:M為辨識(shí)負(fù)荷的樣本數(shù);Xi和Yi分別為第i次負(fù)荷辨識(shí)結(jié)果和實(shí)際運(yùn)行負(fù)荷;I表示一個(gè)映射,是符號(hào)函數(shù),Xi與Yi完全相同時(shí),I(Xi=Yi)=1,反之,I(Xi=Yi)=0。

辨識(shí)精度表示辨識(shí)負(fù)荷正確的個(gè)數(shù)和辨識(shí)負(fù)荷集合的個(gè)數(shù)的比值,其表達(dá)式為：

(20)

耗電量與誤差:為提高用戶節(jié)能意識(shí),各個(gè)負(fù)荷的耗電量情況也需要被了解,根據(jù)負(fù)荷辨識(shí)的結(jié)果,電量計(jì)算公式如式(21)所示,同時(shí)電量誤差計(jì)算如式(22)所示。

(21)

(22)

式中:W為實(shí)際電量。

3 仿真與分析

方法驗(yàn)證對(duì)象為沈陽(yáng)地區(qū)某小區(qū)一居民家庭,針對(duì)居民家庭的單狀態(tài)負(fù)荷、多變化負(fù)荷和多狀態(tài)負(fù)荷等不同的用電負(fù)荷進(jìn)行數(shù)據(jù)采集,采集方式見附錄B,實(shí)驗(yàn)負(fù)荷見表1。設(shè)備采樣頻率為1 Hz,負(fù)荷采集時(shí)間為2015年8月至11月,采集數(shù)據(jù)類型為用電負(fù)荷帶時(shí)標(biāo)的有功功率。

表1 用電負(fù)荷分類和功率范圍Table 1 Load classification and power range

利用MATLAB 2010的m文件形成算法程序,為驗(yàn)證算法的正確性,考慮單負(fù)荷運(yùn)行和多負(fù)荷運(yùn)行等不同場(chǎng)景下負(fù)荷辨識(shí)的準(zhǔn)確率和辨識(shí)精度。

3.1 場(chǎng)景1:單負(fù)荷辨識(shí)

單負(fù)荷辨識(shí)主要針對(duì)家庭在某段時(shí)間內(nèi)只開啟一個(gè)負(fù)荷的情況,為了判斷算法的準(zhǔn)確性,分別在固定時(shí)間內(nèi)單獨(dú)啟停各用電負(fù)荷。采集周期為1 s。在本實(shí)驗(yàn)中,先用訓(xùn)練樣本對(duì)模型進(jìn)行訓(xùn)練,然后隨機(jī)選擇100組各個(gè)負(fù)荷作為辨識(shí)負(fù)荷數(shù)據(jù),因?yàn)槭菃蝹€(gè)負(fù)荷啟停,其辨識(shí)準(zhǔn)確率和精度相同,結(jié)果如附錄A圖A4所示。

實(shí)驗(yàn)結(jié)果表明:基于多特征序列融合的負(fù)荷辨識(shí)算法,對(duì)于單個(gè)負(fù)荷的辨識(shí)準(zhǔn)確率達(dá)到92%以上,可以很好地處理單負(fù)荷的辨識(shí)問題。同時(shí)從附錄A圖A4中可以看出,單狀態(tài)和多狀態(tài)負(fù)荷辨識(shí)準(zhǔn)確率與精度較高,原因在于單狀態(tài)負(fù)荷功率變化不大,而多狀態(tài)負(fù)荷功率的變化較其他負(fù)荷大,用整數(shù)規(guī)劃即可準(zhǔn)確判斷。而對(duì)于多變化負(fù)荷,功率值與用戶使用情況有關(guān),辨識(shí)的時(shí)候可能產(chǎn)生誤判,辨識(shí)率較其他負(fù)荷低。

3.2 場(chǎng)景2:多負(fù)荷辨識(shí)

對(duì)于多負(fù)荷辨識(shí)主要指兩個(gè)或者兩個(gè)以上的用電負(fù)荷同時(shí)開啟,能否準(zhǔn)確辨識(shí)出負(fù)荷的類型及其電量消耗情況。為了檢驗(yàn)算法的準(zhǔn)確性,組合各個(gè)用電負(fù)荷實(shí)驗(yàn)獲取總用電數(shù)據(jù),采樣周期為1 s,通過多特征融合算法對(duì)各個(gè)用電負(fù)荷組合進(jìn)行辨識(shí),結(jié)果如附錄A表A1所示。

通過負(fù)荷組合式辨識(shí)可以得到:對(duì)于單狀態(tài)負(fù)荷組合、多狀態(tài)負(fù)荷組合和單狀態(tài)多狀態(tài)混合組合辨識(shí)的準(zhǔn)確率和辨識(shí)精度達(dá)到80%以上,對(duì)于多變化負(fù)荷的組合辨識(shí)率低于80%,原因在于筆記本電腦和臺(tái)式電腦功率變化相近。全部負(fù)荷同時(shí)開啟時(shí)辨識(shí)準(zhǔn)確率為56%,辨識(shí)精度為79%,但通過調(diào)查100戶不同家庭每天的家用負(fù)荷用電情況,結(jié)合主成分分析發(fā)現(xiàn),同時(shí)開啟家庭的全部用電負(fù)荷概率低于3%,該事件稱為小概率事件,所以負(fù)荷全部使用時(shí)的組合可以不予考慮。

3.3 場(chǎng)景3:采樣時(shí)間變化窗口

對(duì)于低頻采樣的負(fù)荷辨識(shí),采樣時(shí)間的長(zhǎng)短決定了負(fù)荷辨識(shí)的準(zhǔn)確率和精度,采樣時(shí)間越短,負(fù)荷辨識(shí)精度越高,但隨之算法的時(shí)間復(fù)雜度增加,負(fù)荷辨識(shí)計(jì)算時(shí)間增加,不利于居民即時(shí)負(fù)荷監(jiān)測(cè)。為此本文討論采樣時(shí)間為1 s,5 s,10 s,1 min,15 min,30 min,1 h對(duì)負(fù)荷辨識(shí)結(jié)果的影響。結(jié)果如附錄A圖A5所示。

實(shí)驗(yàn)結(jié)果表明:隨著采樣時(shí)間的增加,負(fù)荷辨識(shí)的準(zhǔn)確率和辨識(shí)精度在逐漸下降,電量誤差均值在逐漸增加。同時(shí),當(dāng)采樣時(shí)間大于或等于15 min后,辨識(shí)的準(zhǔn)確率低于60%,不滿足辨識(shí)要求,而當(dāng)采樣時(shí)間為1 s時(shí)辨識(shí)時(shí)間復(fù)雜度較大,計(jì)算時(shí)間較長(zhǎng),綜合考慮10 s為基于多特征序列融合算法的最佳采樣時(shí)間。

3.4 場(chǎng)景4:居民家庭的負(fù)荷辨識(shí)

通過場(chǎng)景1、場(chǎng)景2和場(chǎng)景3已驗(yàn)證算法的正確性和負(fù)荷最佳的采樣時(shí)間,為保證算法對(duì)于居民家庭同樣適用,選取居民家庭某天總用電功率進(jìn)行實(shí)驗(yàn),如附錄A圖A6所示。

基于多特征序列融合算法流程對(duì)家用負(fù)荷進(jìn)行辨識(shí),辨識(shí)結(jié)果如圖3所示,同時(shí)圖4為家用負(fù)荷辨識(shí)后計(jì)算各負(fù)荷耗電所占總耗電的百分比,將辨識(shí)后各負(fù)荷消耗的功率進(jìn)行疊加所得的功率與原始居民用電功率誤差低于3%,滿足辨識(shí)要求,同理,按照該方法對(duì)居民的每天負(fù)荷進(jìn)行辨識(shí),誤差均低于5%,證明該算法可行。

圖3 基于多特征融合的負(fù)荷辨識(shí)結(jié)果Fig.3 Results of load identification based on multi-feature fusion

圖4 各個(gè)負(fù)荷耗電所占的百分比Fig.4 Percentage of power consumption for each load

3.5 場(chǎng)景5:不同算法下的各居民用戶的負(fù)荷辨識(shí)

為比較本文所提出的多特征序列融合算法與其他典型算法的精度,現(xiàn)選取5戶家庭居民用電數(shù)據(jù)進(jìn)行實(shí)驗(yàn)驗(yàn)證,如表2所示,其中與本文比較的其他典型辨識(shí)算法取自文獻(xiàn)[12,14]。同時(shí),對(duì)本文算法進(jìn)行時(shí)間復(fù)雜度分析,由于每戶居民的用電負(fù)荷的數(shù)目c固定,特征數(shù)據(jù)庫(kù)的長(zhǎng)度和維度都可以被認(rèn)為是常數(shù),在對(duì)運(yùn)行負(fù)荷進(jìn)行辨識(shí)時(shí),利用PNN和D-S證據(jù)理論的時(shí)間復(fù)雜度為O(c2),而基于隱馬爾可夫鏈對(duì)負(fù)荷進(jìn)行辨識(shí)的最終辨識(shí)時(shí)間復(fù)雜度為O(c3),則本文基于多特征序列融合的負(fù)荷辨識(shí)算法的時(shí)間復(fù)雜度為O(c3),其中低階復(fù)雜度被省略。同樣的,文獻(xiàn)[12,14]的時(shí)間復(fù)雜度為O(c2),證明上述算法在時(shí)間復(fù)雜度上均可行。

表2 不同家庭用戶的不同算法負(fù)荷辨識(shí)情況Table 2 Load identification of different algorithms for different home users

從表2可知:本文算法和文獻(xiàn)[12,14]的負(fù)荷辨識(shí)準(zhǔn)確率都達(dá)到85%以上,但本文算法的準(zhǔn)確率相對(duì)于文獻(xiàn)[12,14]的準(zhǔn)確率較高;同時(shí)上述3種算法準(zhǔn)確率方差的比較,證明本文算法的準(zhǔn)確率波動(dòng)情況較穩(wěn)定;通過辨識(shí)準(zhǔn)確率的平均值和方差可以看出本文算法可行,而且較其他算法具有較明顯的優(yōu)勢(shì)。

4 結(jié)語(yǔ)

本文針對(duì)在低頻采樣下非侵入式負(fù)荷辨識(shí)的研究,避免了高頻采樣下辨識(shí)成本較大和數(shù)據(jù)量大,不利于推廣和計(jì)算時(shí)間長(zhǎng)的問題。本文將功率序列的特征值和輪廓奇異值進(jìn)行提取,利用整數(shù)規(guī)劃、D-S證據(jù)理論、PNN和HMM等方法對(duì)負(fù)荷進(jìn)行辨識(shí),提出了基于多特征序列融合的非侵入式負(fù)荷辨識(shí)方法,通過單負(fù)荷辨識(shí)、多負(fù)荷辨識(shí)和居民用戶負(fù)荷辨識(shí)仿真實(shí)驗(yàn),證明了本文提出的基于多特征序列融合的非侵入式負(fù)荷辨識(shí)算法具有較好的準(zhǔn)確率和辨識(shí)精度,并比較在不同采樣時(shí)間情況下該算法的辨識(shí)準(zhǔn)確率和辨識(shí)精度,得到最佳辨識(shí)采樣時(shí)間。本文適用于已有數(shù)據(jù)庫(kù)的負(fù)荷辨識(shí),而對(duì)于未知負(fù)荷需要完善負(fù)荷數(shù)據(jù)庫(kù),將是下一階段的研究任務(wù)。

附錄見本刊網(wǎng)絡(luò)版(http://www.aeps-info.com/aeps/ch/index.aspx)。

[1] 李同智.靈活互動(dòng)智能用電的技術(shù)內(nèi)涵及發(fā)展方向[J].電力系統(tǒng)自動(dòng)化,2012,36(2):11-17.

LI Tongzhi.Technical implications and development trends of flexible and interactive utilization of intelligent power[J].Automation of Electric Power Systems,2012,36(2):11-17.

[2] 湯慶峰,劉念,張建華.計(jì)及廣義需求側(cè)資源的用戶側(cè)自動(dòng)響應(yīng)機(jī)理與關(guān)鍵問題[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 distribution network planning[J].Transactions of China Electrotechnical Society,2014,29(2):13-23.

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

[5] LIN Y H,TSAI M S.Development of an improved time-frequency analysis based nonintrusive load monitor for load demand identification[J].IEEE Trans on Instrumentation and Measurement,2014,63(6):1470-1483.

[6] LAUGHMAN C,LEE K,COX R,et al.Power signature analysis[J].IEEE Power and Energy Magazine,2003,1(2):56-63.

[7] LEE K D,LEEB S B,NORFORD L K,et al.Estimation of variable-speed-drive power consumption from harmonic content[J].IEEE Trans on Energy Conversion,2005,20(3):566-574.

[8] MARTINS J F,LOPES R,LIMA C,et al.A novel nonintrusive load monitoring system based on the S-transform[C]// 13th International Conference on Optimization of Electrical and Electronic Equipment (OPTIM),May 24-26,2012,Brasov,Romania:973-978.

[9] SUZUKI K,INAGAKI S,SUZUKI T,et al.Nonintrusive appliance load monitoring based on integer programming[C]// SICE Annual Conference,August 20-22,2008,Tokyo,Japan:2742-2747.

[10] SHAW S R,LEEB S B,NORFORD L K,et al.Nonintrusive load monitoring and diagnostics in power systems[J].IEEE Trans on Instrumentation and Measurement,2008,57(7):1445-1454.

[11] 高云,楊洪耕.基于暫態(tài)特征貼近度匹配的家用負(fù)荷識(shí)別[J].電力系統(tǒng)自動(dòng)化,2013,37(9):54-59.

GAO Yun,YANG Honggeng.Household load identification based on closeness matching of transient characteristics[J].Automation of Electric Power Systems,2013,37(9):54-59.

[12] MAKONIN S,POPOWICH F,BAJIC I V,et al.Exploiting HMM sparsity to perform online real-time nonintrusive load monitoring[J].IEEE Trans on Smart Grid,2016,7(6):2575-2585.

[13] BASU K,DEBUSSCHERE V,BACHA S,et al.Nonintrusive load monitoring:a temporal multilabel classification approach[J].IEEE Trans on Industrial Informatics,2015,11(1):262-270.

[14] DINESH C,NETTASINGHE B W,GODALIYADDA R I,et al.Residential appliance identification based on spectral information of low frequency smart meter measurements[J].IEEE Trans on Smart Grid,2016,7(6):2781-2792.

[15] 唐昆明,蔡明,羅建,等.基于奇異值分解的非線性負(fù)荷諧波源定位方法[J].電力系統(tǒng)自動(dòng)化,2012,36(1):96-100.

TANG Kunming,CAI Ming,LUO Jian,et al.Harmonic source location based on singular value decomposition method[J].Automation of Electric Power Systems,2012,36(1):96-100.

[16] 王昕,黃柯,鄭益慧,等.基于PNN/PCA/SS-SVR的光伏發(fā)電功率短期預(yù)測(cè)方法[J].電力系統(tǒng)自動(dòng)化,2016,40(17):156-162.DOI:10.7500/AEPS20150924002.

WANG Xin,HUANG Ke,ZHENG Yihui,et al.Short-term forecasting method of photovoltaic output power based on PNN/PCA/SS-SVR[J].Automation of Electric Power Systems,2016,40(17):156-162.DOI:10.7500/AEPS20150924002.

[17] 韓德強(qiáng),楊藝,韓崇昭.DS證據(jù)理論研究進(jìn)展及相關(guān)問題探討[J].控制與決策,2014,29(1):1-11.

HAN Deqiang,YANG Yi,HAN Chongzhao.Advances in DS evidence theory and related discussions[J].Control and Decision,2014,29(1):1-11.

[18] 劉文茂,楊昆,劉達(dá),等.基于隱馬爾科夫誤差校正的日前電價(jià)預(yù)測(cè)[J].電力系統(tǒng)自動(dòng)化,2009,33(10):34-37.

LIU Wenmao,YANG Kun,LIU Da,et al.Day-ahead electricity price forecasting with error calibration by hidden Markov model[J].Automation of Electric Power Systems,2009,33(10):34-37.

[19] 李新德,潘錦東,DEZERT J.一種基于DSmT和HMM的序列飛機(jī)目標(biāo)識(shí)別算法[J].自動(dòng)化學(xué)報(bào),2014,40(12):2862-2878.

LI Xinde,PAN Jindong,DEZERT J.A target recognition algorithm for sequential aircraft based on DSmT and HMM[J].Acta Automatic Sinica,2014,40(12):2862-2878.

LoadIdentificationMethodBasedonMulti-featureSequenceFusion

YANGDongsheng1,KONGLiang1,HUBo2,YUANTing3

(1.College of Information Science and Engineering,Northeastern University,Shenyang 110819,China;2.State Grid Huludao Power Supply Company,Huludao 125000,China;3.State Grid Panjin Power Supply Company,Panjin 124010,China)

Aiming at the problem of low recognition accuracy for non-intrusive load identification method at the low sampling rate,a load identification method based on multi-feature sequence fusion is proposed.First,an integer programming model is developed to solve the possibility of load existence,thus reducing the dimensions of load identification process.According to the sliding window method,the combined power sequence and the original power sequence are obtained,from which the statistical characteristic value and the contour singular value are extracted.Then the probabilistic neural network (PNN) is used to obtain the observed sequence of the hidden Markov model (HMM).Meanwhile,the information of load sequence is fused by HMM,and the similarity between the observed sequence and the combined power sequence is calculated.Thus the load identification at a low sampling rate is completed and the power consumption of each household load is obtained.Finally,through the simulation experiments of single load identification,multi-load identification,load identification with different sampling rates and load identification of each user,the average results of the load accuracy and the identification accuracy are more than 85%,which has verified that the rationality and immediacy of the proposed method can meet the requirement of load identification at the low sampling rate.

This work is National Natural Science Foundation of China (No.61273029),Fundamental Research Funds for the Central Universities (No.N160402003) and State Key Laboratory of Alternate Electrical Power System with Renewable Energy Sources (No.LAPS17013).

load identification;integer programming;probabilistic neural network (PNN);hidden Markov model (HMM)

2017-05-16;

2017-07-26。

上網(wǎng)日期:2017-09-29。

國(guó)家自然科學(xué)基金資助項(xiàng)目(61273029);中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金資助項(xiàng)目(N160402003);新能源電力系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室立項(xiàng)資助項(xiàng)目(LAPS17013)。

楊東升(1977—),男,博士,教授,主要研究方向:混沌控制、非線性系統(tǒng)控制、負(fù)荷控制與優(yōu)化等。E-mail： yangdongsheng@ise.neu.edu.cn

孔 亮(1993—),男,通信作者,碩士研究生,主要研究方向:負(fù)荷優(yōu)化與辨識(shí)。E-mail:k_liang1993@163.com

胡 博(1972—),男,博士,主要研究方向:能源優(yōu)化與負(fù)荷控制。E-mail:2501800620@qq.com

(編輯蔡靜雯)