祁 兵,劉利亞,王麗麗

(1.華北電力大學(xué)電氣與電子工程學(xué)院,北京市102206;2.國(guó)網(wǎng)物資有限公司,北京市 100120)

基于LMD和模型匹配的家電負(fù)荷識(shí)別算法

祁 兵1,劉利亞1,王麗麗2

(1.華北電力大學(xué)電氣與電子工程學(xué)院,北京市102206;2.國(guó)網(wǎng)物資有限公司,北京市 100120)

家電負(fù)荷識(shí)別是智能用電的重要環(huán)節(jié),傳統(tǒng)侵入式負(fù)荷監(jiān)測(cè)具有成本高、安裝維護(hù)復(fù)雜的缺點(diǎn),因此以非侵入式負(fù)荷監(jiān)測(cè)為基礎(chǔ)研究家電負(fù)荷識(shí)別算法。結(jié)合系統(tǒng)辨識(shí)的基本原理和方法,以穩(wěn)態(tài)電流、穩(wěn)態(tài)電壓為特征,提出一種基于局部平均分解(LMD)和模型匹配的家電負(fù)荷識(shí)別算法。通過預(yù)先獲取用電網(wǎng)絡(luò)中各負(fù)荷的穩(wěn)態(tài)數(shù)據(jù),構(gòu)建線性和非線性模型庫(kù)。利用LMD算法將混合信號(hào)分解為單個(gè)負(fù)荷的用電數(shù)據(jù),通過預(yù)篩選確定分離數(shù)據(jù)所屬模型庫(kù),根據(jù)模型匹配原則進(jìn)行負(fù)荷識(shí)別。仿真結(jié)果表明,所提算法可以準(zhǔn)確識(shí)別出各負(fù)荷的運(yùn)行狀態(tài),運(yùn)算效率高,并能有效應(yīng)對(duì)用電網(wǎng)絡(luò)中有新負(fù)荷加入的情況。

負(fù)荷識(shí)別;模型庫(kù);局部平均分解;模型匹配

0 引言

電力需求側(cè)管理作為智能電網(wǎng)建設(shè)中的重要組成部分,是實(shí)現(xiàn)全社會(huì)合理節(jié)能節(jié)電的重要手段。需求側(cè)管理包括能效管理、負(fù)荷管理以及燃料替代和節(jié)約能源等[1]。家電負(fù)荷識(shí)別作為負(fù)荷管理的關(guān)鍵技術(shù)之一,可以在線監(jiān)測(cè)各類家電的使用情況,實(shí)現(xiàn)電費(fèi)的分類計(jì)量。這不僅可以使用戶及時(shí)了解自己的用電情況,引導(dǎo)用戶自覺采取節(jié)能措施,減少電費(fèi)支出,也有助于電力公司了解用戶負(fù)荷構(gòu)成,實(shí)現(xiàn)與用戶實(shí)時(shí)互動(dòng),加強(qiáng)負(fù)荷側(cè)管理,實(shí)現(xiàn)降低峰谷差、節(jié)約能源等目的[2-3]。

家電負(fù)荷識(shí)別方法中,傳統(tǒng)的侵入式法需要在每個(gè)家電負(fù)荷內(nèi)部安裝采集傳感裝置,不但成本較高,而且安裝維護(hù)復(fù)雜;非侵入式方法通過在電力入口處采集家庭內(nèi)部總的用電信息,利用信號(hào)分析與處理方法進(jìn)行負(fù)荷辨識(shí),從而獲得各負(fù)荷的使用信息,其成本低,易于安裝且適合在線監(jiān)測(cè)[4]。George Hart是早期探索的代表,提出在負(fù)荷入口處監(jiān)測(cè)穩(wěn)態(tài)功率變化進(jìn)行負(fù)荷分解的方法[5]。由于穩(wěn)態(tài)特性存在一定的局限性,負(fù)荷的隨意投切使得穩(wěn)態(tài)特性中不可避免地含有一定的暫態(tài)分量,而且不適用于多個(gè)設(shè)備同時(shí)投切的情況,所以依據(jù)暫態(tài)信息進(jìn)行負(fù)荷識(shí)別的監(jiān)測(cè)方法受到重視[6-10]。另外,隨著智能算法和模式分類技術(shù)的不斷發(fā)展,越來越多的學(xué)者將其應(yīng)用到負(fù)荷識(shí)別的領(lǐng)域,得到了較好的辨識(shí)效果。文獻(xiàn)[11]選取低功率電器差異最大的頻域諧波幅值作為新特征,利用信息熵及模糊聚類的方法實(shí)現(xiàn)負(fù)荷的聚類識(shí)別,解決了低功率電器識(shí)別準(zhǔn)確性不夠的問題。文獻(xiàn)[12]將神經(jīng)網(wǎng)絡(luò)應(yīng)用到非侵入式負(fù)荷監(jiān)測(cè)系統(tǒng),結(jié)合遺傳算法和導(dǎo)通暫態(tài)能量分析進(jìn)行負(fù)荷識(shí)別,提高了識(shí)別效率。文獻(xiàn)[13]采用彈性反向傳播(RPROP)神經(jīng)網(wǎng)絡(luò)進(jìn)行負(fù)荷識(shí)別,可有效識(shí)別功率相近、諧波差異較小的用電設(shè)備。文獻(xiàn)[14]從頻域角度出發(fā),構(gòu)建模板濾波器對(duì)混合電流濾波,然后對(duì)濾波后的頻率分量量化判決確定負(fù)荷運(yùn)行狀態(tài),運(yùn)算效率高,且易于硬件封裝。由上述分析可知,非侵入式家電負(fù)荷識(shí)別方法大致分為兩類:一類是以暫穩(wěn)態(tài)信息為特征的負(fù)荷識(shí)別,大多依靠負(fù)荷投切時(shí)帶來的電壓擾動(dòng)或隱含在功率或電流中的信息來識(shí)別負(fù)荷,不易識(shí)別多種電器混合的情況;另一類是以模式分類和智能計(jì)算為基礎(chǔ)的識(shí)別方法,該方法需花費(fèi)大量時(shí)間進(jìn)行樣本數(shù)據(jù)的訓(xùn)練和學(xué)習(xí),一旦負(fù)荷種類發(fā)生變化,則要重新進(jìn)行訓(xùn)練和學(xué)習(xí)。

本文以非侵入式負(fù)荷監(jiān)測(cè)為背景,將家電負(fù)荷看做一個(gè)獨(dú)立的系統(tǒng),依據(jù)系統(tǒng)辨識(shí)的基本原理和方法,以穩(wěn)態(tài)電流和電壓為特征為負(fù)荷建立模型,形成模型庫(kù)。根據(jù)基于局部平均分解(LMD)的欠定盲信號(hào)分離(under determined blind signal separation,UDBSS)算法對(duì)混合數(shù)據(jù)進(jìn)行分離,將混合信號(hào)分離為單個(gè)負(fù)荷的用電數(shù)據(jù),并通過模型匹配進(jìn)行負(fù)荷識(shí)別。該方法理論上對(duì)于信號(hào)類別沒有限制,打破了大多數(shù)分離算法中存在的稀疏性約束,無需預(yù)先估計(jì)欠定混合矩陣,減小了計(jì)算量;在匹配前進(jìn)行模型預(yù)篩選,將待識(shí)別負(fù)荷分為線性和非線性兩類,縮小了匹配范圍,提高了運(yùn)算效率;另外,當(dāng)有新的負(fù)荷加入用電網(wǎng)絡(luò)時(shí),無需進(jìn)行大規(guī)模的訓(xùn)練,只需為該負(fù)荷建立模型并加入模型庫(kù)即可。本文基于實(shí)測(cè)數(shù)據(jù)對(duì)算法進(jìn)行了驗(yàn)證,證明了該算法的可靠性。

1 基于LMD的欠定盲信號(hào)分離原理

欠定盲信號(hào)分離問題的模型描述為:

x(t)=As(t)+n(t)

(1)

式中:s(t)為N維統(tǒng)計(jì)獨(dú)立的源信號(hào);x(t)為M維觀測(cè)到的混合信號(hào);n(t)為噪聲信號(hào);A為描述未知混合過程的M×N階混合矩陣。欠定的含義是指M

本文以欠定盲信號(hào)分離為基礎(chǔ),以穩(wěn)態(tài)電流為特征對(duì)非侵入負(fù)荷識(shí)別系統(tǒng)所采集的混合數(shù)據(jù)進(jìn)行處理,分離出各負(fù)荷單獨(dú)運(yùn)行的數(shù)據(jù)。這里,源信號(hào)指用戶內(nèi)各家電負(fù)荷單獨(dú)運(yùn)行的穩(wěn)態(tài)電流數(shù)據(jù),記為Ik(t)(k=1,2,…,N),可通過先驗(yàn)測(cè)試得到;混合信號(hào)指電力入口處采集的各運(yùn)行負(fù)荷的總穩(wěn)態(tài)電流,記為I(t)。當(dāng)有M種家電負(fù)荷投入運(yùn)行時(shí),I(t)即為各負(fù)荷單獨(dú)運(yùn)行穩(wěn)態(tài)電流之和,即

(2)

比較式(1)和式(2)可知,兩者有相同的結(jié)構(gòu),Ik(t)為M維源數(shù)據(jù),I(t)為一維混合數(shù)據(jù)。

由于在欠定混合條件下,混合矩陣的左偽逆無法直接計(jì)算,而且大多數(shù)分離方法都對(duì)信號(hào)的稀疏性有一定的限制,這使得欠定盲信號(hào)分離問題十分棘手。本文采用一種基于LMD的欠定盲信號(hào)分離方法[15],該方法主要分兩步進(jìn)行:第1步,利用LMD算法對(duì)欠定混合信號(hào)進(jìn)行預(yù)處理,生成若干數(shù)量的乘積函數(shù)(product function,PF),并依據(jù)一定標(biāo)準(zhǔn)挑選足夠數(shù)目的PF,將其加入原混合信號(hào)中構(gòu)造出一個(gè)新的混合信號(hào),從而使欠定盲信號(hào)模型轉(zhuǎn)變?yōu)檫m定或超定盲信號(hào)模型;第2步,利用一定的盲分離算法對(duì)新的模型進(jìn)行分離。

LMD算法是一種自適應(yīng)的信號(hào)分解算法,可以自適應(yīng)地將任何一個(gè)復(fù)雜的非平穩(wěn)信號(hào)分解成多個(gè)瞬時(shí)頻率具有物理意義的PF分量之和,其中每個(gè)PF分量都是一個(gè)包絡(luò)信號(hào)和一個(gè)純調(diào)頻信號(hào)的乘積。包絡(luò)信號(hào)是該P(yáng)F分量的瞬時(shí)幅值,而PF分量的瞬時(shí)頻率由純調(diào)頻信號(hào)求出,通過各PF分量的瞬時(shí)參數(shù)的組合,就可以得到原始信號(hào)完整的時(shí)頻分布。算法的結(jié)構(gòu)框圖如圖1所示。圖中:W為分離矩陣。

圖1 基于LMD的欠定盲信號(hào)分離原理框圖Fig.1 Principle diagram of underdetermined blind signal separation based on LMD

圖1在獲得混合(觀測(cè))信號(hào)x(t)后,進(jìn)入預(yù)處理過程:首先對(duì)其每個(gè)分量進(jìn)行LMD,得到一組PF,即{fpq(t)},其中,p表示混合信號(hào)的第p個(gè)分量xp(t),q為PF的序數(shù);然后分別計(jì)算PF分量fpq(t)與對(duì)應(yīng)的混合信號(hào)xp(t)之間的互相關(guān)系數(shù)rpq,rpq的計(jì)算公式如下:

(3)

式中:T為樣本點(diǎn)總數(shù)。

挑選互相關(guān)系數(shù)較大,也就是繼承了混合信號(hào)更多信息的PF分量。圖1中保留了s個(gè)互相關(guān)函數(shù)較大的PF分量,記為fpq′(t),并將其與原混合信號(hào)x(t)組成新的混合信號(hào),記為xnew(t)。需要指出的是,保留的PF分量的數(shù)量需保證新的混合信號(hào)的數(shù)目不少于源信號(hào)的數(shù)目,即滿足M+s≥N。

接著,對(duì)新的混合信號(hào)xnew(t)采用基于二階統(tǒng)計(jì)信息的盲信號(hào)分離算法[16]。首先估計(jì)新觀測(cè)信號(hào)的協(xié)方差,即

(4)

對(duì)其進(jìn)行特征值分解:

(5)

式中:下標(biāo)s和n分別表示信號(hào)和噪聲;Vs=[v1,v2,…,vN]為(M+s)×N階矩陣,是與N個(gè)按下降順序排列的主特征值Λs=diag(λ1≥λ2…≥λN)相對(duì)應(yīng)的特征矢量。

(M+s)×(M+s-N)階矩陣包含M+s-N個(gè)噪聲特征值Λn=diag(λN+1≥λN+2≥…≥λM+s)對(duì)應(yīng)的噪聲特征矢量,且λN>λN+1。矩陣Λs的階數(shù)由源信號(hào)的數(shù)目N決定。若源信號(hào)數(shù)目未知,則使用最小描述長(zhǎng)度準(zhǔn)則(minimum description length,MDL)進(jìn)行估計(jì)。從而得到白化矩陣:

(6)

白化后的混合信號(hào)為:

(7)

最后,計(jì)算白化混合信號(hào)的時(shí)延協(xié)方差矩陣為:

(8)

式中:u(u≠0)為某些特定時(shí)延。

(9)

2 基于LMD和模型匹配的負(fù)荷識(shí)別算法

2.1 模型匹配基本原理

本文結(jié)合系統(tǒng)辨識(shí)的基本原理和方法,將各家電負(fù)荷看做一個(gè)獨(dú)立的系統(tǒng),以穩(wěn)態(tài)電壓作為系統(tǒng)輸入,穩(wěn)態(tài)電流作為系統(tǒng)輸出,利用一定的系統(tǒng)辨識(shí)方法為各家電負(fù)荷建立模型,用不同的模型來表征不同負(fù)荷在不同狀態(tài)時(shí)的內(nèi)部構(gòu)造,提出一種基于模型匹配的時(shí)域信號(hào)識(shí)別算法,其基本原理框圖見附錄A圖A1。

通過實(shí)驗(yàn)預(yù)先獲得各家電負(fù)荷單獨(dú)運(yùn)行的用電數(shù)據(jù),提取一定長(zhǎng)度的穩(wěn)態(tài)電流和穩(wěn)態(tài)電壓,采用遞推最小二乘法為各負(fù)荷建立線性模型或非線性模型,并存放于相應(yīng)模型庫(kù)中,作為信號(hào)識(shí)別的依據(jù)。依據(jù)家電負(fù)荷穩(wěn)態(tài)電流的波峰系數(shù)這一特征值,可將模型庫(kù)分為兩類——線性模型庫(kù)和非線性模型庫(kù)。對(duì)于波峰系數(shù)接近1.4的線性負(fù)荷，建立自回歸滑動(dòng)平均線性模型(ARMAX),放入線性模型庫(kù)中;對(duì)于波峰系數(shù)與1.4相差較大的非線性負(fù)荷,建立Hammerstein模型,放入非線性模型庫(kù)中[17]。模型庫(kù)中存儲(chǔ)的基本信息包括模型的結(jié)構(gòu)參數(shù)、模型參數(shù)以及相應(yīng)的用于檢驗(yàn)的數(shù)據(jù)長(zhǎng)度。

模型匹配的基本思想是將待識(shí)別負(fù)荷的穩(wěn)態(tài)數(shù)據(jù)依次通過模型庫(kù)中的各模型進(jìn)行檢驗(yàn),觀察模型輸出電流與待識(shí)別負(fù)荷真實(shí)電流的匹配程度。本文采用殘差序列白色性檢驗(yàn)方法來說明模型與待識(shí)別負(fù)荷的擬合效果。

常見的檢驗(yàn)殘差序列是否為白噪聲序列的方法是自相關(guān)系數(shù)檢驗(yàn)法。假設(shè)殘差序列的樣本為{ε(k),k=1,2,…,L},其中L為輸入輸出數(shù)據(jù)樣本的長(zhǎng)度。在輸入數(shù)據(jù)長(zhǎng)度有限的情況下,ε(k)的自相關(guān)函數(shù)Rε(l)可以表示為:

(10)

ε(k)的自相關(guān)系數(shù)可以表示為:

(11)

2.2 負(fù)荷識(shí)別算法

本文以負(fù)荷穩(wěn)態(tài)電流和穩(wěn)態(tài)電壓為特征,利用基于LMD的欠定盲信號(hào)分離算法對(duì)混合信號(hào)進(jìn)行分離,得到源信號(hào)穩(wěn)態(tài)數(shù)據(jù);再結(jié)合模型匹配的時(shí)域信號(hào)識(shí)別算法對(duì)分離出的源信號(hào)進(jìn)行辨識(shí),確定其所屬的負(fù)荷類型。需要注意的是,在使用該算法進(jìn)行負(fù)荷識(shí)別之前需要預(yù)先采集用戶常用的經(jīng)典負(fù)荷單獨(dú)運(yùn)行時(shí)的用電數(shù)據(jù),并將其存儲(chǔ)到家用電器負(fù)荷用電信息數(shù)據(jù)庫(kù)中,從而為負(fù)荷建模提供依據(jù);另外,為了提高運(yùn)算效率,需要事先確定用戶用電網(wǎng)絡(luò)中的負(fù)荷種類,為進(jìn)一步的模型匹配縮小范圍。具體實(shí)現(xiàn)過程如下。

進(jìn)行負(fù)荷識(shí)別之前,首先要確定用戶的用電網(wǎng)絡(luò)中的負(fù)荷種類,利用遞推最小二乘法,以穩(wěn)態(tài)電壓作為系統(tǒng)輸入、穩(wěn)態(tài)電流作為系統(tǒng)輸出,分別為其建立相應(yīng)模型(線性或非線性),形成ARMAX線性模型庫(kù)和Hammerstein非線性模型庫(kù)。

在電力入口處采集用戶內(nèi)總的用電數(shù)據(jù),并從中提取一定長(zhǎng)度的穩(wěn)態(tài)數(shù)據(jù)x(t)。將混合數(shù)據(jù)x(t)進(jìn)行LMD分解,得到j(luò)個(gè)PF分量。分別計(jì)算PF分量與混合信號(hào)x(t)的互相關(guān)系數(shù)r,將其從大到小進(jìn)行排序,選取前s個(gè)r值較大的PF分量與原混合信號(hào)x(t)組成新的混合信號(hào)xnew(t),需要注意的是,s的取值應(yīng)滿足s+1≥N,若源信號(hào)數(shù)目未知,則使用MDL進(jìn)行估計(jì)。利用基于二階統(tǒng)計(jì)信息的盲信號(hào)分離算法對(duì)xnew(t)進(jìn)行分解,得到源信號(hào)y。

將分離出的源信號(hào)數(shù)據(jù)進(jìn)行預(yù)處理,提取一定長(zhǎng)度的穩(wěn)態(tài)數(shù)據(jù),分別計(jì)算各源信號(hào)穩(wěn)態(tài)電流的波峰系數(shù)ICF,判斷各波峰系數(shù)是否接近于1.4,即是否滿足|ICF-1.4|<0.2。若滿足,則說明該源信號(hào)對(duì)應(yīng)的負(fù)荷為線性負(fù)荷,應(yīng)用線性模型描述;否則應(yīng)用非線性模型描述[17]。ICF的計(jì)算公式如下:

(12)

Ip=max(i(k)) 1≤k

(13)

(14)

式中:Irms為穩(wěn)態(tài)電流均方根;Ip為穩(wěn)態(tài)電流幅值;ICF為穩(wěn)態(tài)電流波峰系數(shù);i(k)為穩(wěn)態(tài)電流數(shù)據(jù)序列。

將各源信號(hào)的穩(wěn)態(tài)數(shù)據(jù)依次通過相應(yīng)模型庫(kù)中的各模型進(jìn)行檢驗(yàn),得到模型輸出電流。分別計(jì)算各模型輸出電流與系統(tǒng)實(shí)際輸出電流的殘差εi(k)(i=1,2,3,…)及殘差均值E(εi(k))。并將其按照從小到大的順序進(jìn)行排列,選取前5種殘差均值最小的模型,記為{Load1,Load2,Load3,Load4,Load5}。

然后,分別計(jì)算上述5種模型的殘差自相關(guān)系數(shù)ρεi(k)(i=1,2,3,4,5),判斷5種模型是否滿足式(15)。

(15)

若上面2個(gè)不等式有1個(gè)或2個(gè)成立時(shí),說明εi(k)為白噪聲序列,進(jìn)一步說明對(duì)應(yīng)的模型即為待識(shí)別負(fù)荷,可信度為1-α。算法的整體實(shí)現(xiàn)流程見附錄B圖B1。

3 實(shí)例驗(yàn)證

3.1 仿真過程

為了驗(yàn)證算法的有效性,采集實(shí)際負(fù)荷的電流和電壓數(shù)據(jù),利用本文算法進(jìn)行負(fù)荷識(shí)別。采樣率fs=10 kHz,在用戶中選取典型的、內(nèi)部結(jié)構(gòu)有較大差異的幾種負(fù)荷類型,分別為:熱水壺、微波爐、電腦、吸塵器、空調(diào),以構(gòu)建用電網(wǎng)絡(luò)。

仿真中首先獲取用電網(wǎng)絡(luò)中各個(gè)負(fù)荷單獨(dú)運(yùn)行時(shí)的用電數(shù)據(jù),從中提取各負(fù)荷的穩(wěn)態(tài)電壓和穩(wěn)態(tài)電流數(shù)據(jù),分別作為模型的輸入和輸出,利用遞推最小二乘法為各負(fù)荷建立模型,形成模型庫(kù)用于模型匹配。利用LMD算法對(duì)采集的總電流進(jìn)行分離,得到用電網(wǎng)絡(luò)中各運(yùn)行負(fù)荷單獨(dú)用電數(shù)據(jù),再與模型庫(kù)中的模型進(jìn)行匹配,識(shí)別出運(yùn)行負(fù)荷所屬家電類型。

仿真實(shí)驗(yàn)分3組逐級(jí)遞進(jìn)來驗(yàn)證該算法的可靠性。第1組實(shí)驗(yàn)是將線性負(fù)荷與非線性負(fù)荷混合來驗(yàn)證算法對(duì)不同負(fù)荷類型的分離效果;第2組實(shí)驗(yàn)是將結(jié)構(gòu)復(fù)雜的2種非線性負(fù)荷混合驗(yàn)證算法對(duì)多狀態(tài)電器的分離效果;第3組實(shí)驗(yàn)是模擬家庭實(shí)際用電環(huán)境中斷續(xù)開啟關(guān)閉電器的情況。

圖2為利用LMD算法對(duì)第1組(電腦和熱水壺)混合用電數(shù)據(jù)進(jìn)行分離的結(jié)果;第2組(微波爐和空調(diào))混合用電數(shù)據(jù)與第3組混合用電數(shù)據(jù)分離的結(jié)果見附錄C。其中第3組混合數(shù)據(jù)記錄了斷續(xù)開關(guān)的過程:一開始為空調(diào)、吸塵器和微波爐這3種負(fù)荷共同開啟,然后依次關(guān)閉吸塵器、空調(diào),最后只剩微波爐,附錄C給出了斷續(xù)開關(guān)混合電流的整體波形圖。實(shí)驗(yàn)具體分離過程見附錄D。

圖2 第1組混合數(shù)據(jù)的分離Fig.2 Separation of the first group of mixed data

由圖2和附錄C可以看出,分離出的波形與原信號(hào)波形十分相似,將分離出的數(shù)據(jù)分別與對(duì)應(yīng)模型庫(kù)中的各模型進(jìn)行匹配,確定其所屬負(fù)荷類型。此處以第1組混合數(shù)據(jù)分離實(shí)驗(yàn)中得到的分離結(jié)果為例,進(jìn)行模型匹配,得到匹配最佳的結(jié)果如圖3所示。據(jù)此說明該算法對(duì)不同種類負(fù)荷均適用,其余幾種負(fù)荷匹配的結(jié)果見附錄E。

圖3 第1組實(shí)驗(yàn)中分離數(shù)據(jù)的最佳匹配結(jié)果Fig.3 Best match results of separated data in the first experiment

3.2 結(jié)果分析

由上述仿真結(jié)果可知,該算法不僅可以識(shí)別熱水壺等線性負(fù)荷,還可以識(shí)別電腦等非線性負(fù)荷;另外,對(duì)于家庭實(shí)際用電環(huán)境中負(fù)荷斷續(xù)開關(guān)的情況仍然有效?；贚MD的信號(hào)分離算法理論上對(duì)于信號(hào)類別沒有限制,打破了大多數(shù)分離算法中存在的稀疏性約束,無需預(yù)先估計(jì)欠定混合矩陣,大大減少了運(yùn)算量。當(dāng)有新負(fù)荷加入用電網(wǎng)絡(luò)時(shí),此算法無需重新進(jìn)行大規(guī)模的數(shù)據(jù)學(xué)習(xí)和訓(xùn)練,只需提取該負(fù)荷的穩(wěn)態(tài)電壓和穩(wěn)態(tài)電流特性,構(gòu)建該負(fù)荷的模型加入相應(yīng)的模型庫(kù)中即可,節(jié)省了大量的時(shí)間。

本文算法與聚類匹配和神經(jīng)網(wǎng)絡(luò)算法運(yùn)算時(shí)間的對(duì)比曲線如圖4所示。由圖4可見,神經(jīng)網(wǎng)絡(luò)算法的運(yùn)算時(shí)間明顯較高,隨著用電網(wǎng)絡(luò)中負(fù)荷數(shù)n的增加,其運(yùn)算時(shí)間幾乎呈指數(shù)增加。這是由于神經(jīng)網(wǎng)絡(luò)算法需要將用電網(wǎng)絡(luò)中的各種運(yùn)行狀態(tài)(共2n種)作為樣本進(jìn)行訓(xùn)練,分別形成相應(yīng)的網(wǎng)絡(luò),訓(xùn)練過程需要大量的迭代次數(shù)使得運(yùn)算時(shí)間大幅增加。

圖4 不同識(shí)別算法運(yùn)算時(shí)間對(duì)比Fig.4 Operation time comparison of different recognition algorithms

對(duì)比分析本文所提算法和聚類匹配算法發(fā)現(xiàn),當(dāng)負(fù)荷數(shù)小于6時(shí),本文所提模型匹配算法運(yùn)算時(shí)間較長(zhǎng),但負(fù)荷數(shù)大于6時(shí),其運(yùn)算效率明顯提高。這是由于隨著用電網(wǎng)絡(luò)中負(fù)荷數(shù)的增加,模型庫(kù)中的模型數(shù)量雖然會(huì)增加,使運(yùn)算量有小幅上升,但本文利用殘差均值進(jìn)行了預(yù)篩選,選出5種殘差均值小的負(fù)荷進(jìn)行白噪聲檢驗(yàn),且檢驗(yàn)方法復(fù)雜度小,所以增加的運(yùn)算量幾乎不會(huì)對(duì)整體運(yùn)算效率產(chǎn)生影響,當(dāng)負(fù)荷數(shù)增加到一定數(shù)量時(shí),運(yùn)算效率變化接近水平狀態(tài)。而聚類匹配算法由于聚類數(shù)目無法確定,為了得到最優(yōu)解需要進(jìn)行多次迭代,造成了運(yùn)算量的增加,且隨著負(fù)荷數(shù)的增加,運(yùn)算時(shí)間明顯增加;另外,聚類方法的處理效率與時(shí)域特征的維度有關(guān),隨著特征增多,運(yùn)算效率會(huì)大幅度降低,特征維數(shù)減少,識(shí)別準(zhǔn)確率則會(huì)降低。因此,在保證識(shí)別準(zhǔn)確率的基礎(chǔ)上,本文算法運(yùn)算效率更高。表1給出了對(duì)不同家電負(fù)荷進(jìn)行多次實(shí)驗(yàn)得到的識(shí)別準(zhǔn)確率。對(duì)比可知,本文算法相對(duì)于聚類匹配算法對(duì)各類負(fù)荷的識(shí)別準(zhǔn)確率均有提高,平均識(shí)別準(zhǔn)確率達(dá)到94%。

表1 不同家電負(fù)荷識(shí)別準(zhǔn)確率Table 1 Identification accuracy of different appliance loads

4 結(jié)語(yǔ)

本文以負(fù)荷的穩(wěn)態(tài)電流特性為基礎(chǔ),提出一種基于LMD和模型匹配的家電負(fù)荷識(shí)別方法。由于負(fù)荷處于某種特定狀態(tài)時(shí)的內(nèi)部構(gòu)造是不變的,所以可以用模型描述負(fù)荷內(nèi)部的系統(tǒng)特性。本文預(yù)先獲取用戶用電網(wǎng)絡(luò)中各負(fù)荷單獨(dú)運(yùn)行的穩(wěn)態(tài)電流電壓數(shù)據(jù),建立各負(fù)荷的模型,形成模型庫(kù)。采集用戶內(nèi)總的用電信息,并提取一定長(zhǎng)度的穩(wěn)態(tài)數(shù)據(jù),通過LMD算法將其分解為單個(gè)負(fù)荷的用電數(shù)據(jù),通過穩(wěn)態(tài)電流波峰系數(shù)這一特征值預(yù)篩選判斷分離數(shù)據(jù)所屬模型庫(kù)類型,確定后再與相應(yīng)模型庫(kù)中的模型進(jìn)行匹配,得到的最佳匹配結(jié)果即為該分離數(shù)據(jù)所對(duì)應(yīng)的負(fù)荷種類。通過實(shí)測(cè)數(shù)據(jù),驗(yàn)證了該算法的有效性,能夠準(zhǔn)確判斷各負(fù)荷的運(yùn)行狀態(tài)。與聚類匹配和神經(jīng)網(wǎng)絡(luò)算法相比,具有較高的運(yùn)算速率,且識(shí)別準(zhǔn)確率相對(duì)聚類匹配算法有了明顯提高,并且可以很好地應(yīng)對(duì)家庭用電網(wǎng)絡(luò)中負(fù)荷增加的情況。

此外,LMD信號(hào)分離算法中需要確定混合數(shù)據(jù)的極值點(diǎn),所以對(duì)采集數(shù)據(jù)有較高的要求,不能有太大的噪聲影響極值點(diǎn)的確定,且需要尋找合適的去噪處理。算法中模型建立時(shí)的數(shù)據(jù)長(zhǎng)度以及模型匹配時(shí)的數(shù)據(jù)長(zhǎng)度都對(duì)辨識(shí)準(zhǔn)確率有影響,因此尋找合適的方法來確定這2個(gè)參數(shù)值是需要進(jìn)一步完善的問題。

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

[1] 郭皓池.智能電網(wǎng)中基于負(fù)荷分析的需求側(cè)管理體系發(fā)展研究[D].北京:華北電力大學(xué),2014.

[2] 王守相,孫智卿,劉喆.面向智能用電的家庭能量協(xié)同調(diào)度策略[J].電力系統(tǒng)自動(dòng)化,2015,39(17):108-113.DOI:10.7500/AEPS20140625016.

WANG Shouxiang,SUN Zhiqing,LIU Zhe.Co-scheduling strategy of home energy for smart power utilization[J].Automation of Electric Power Systems,2015,39(17):108-113.DOI:10.7500/AEPS20140625016.

[3] 梁甜甜,高賜威,王蓓蓓.智能電網(wǎng)下電力需求側(cè)管理應(yīng)用[J].電力自動(dòng)化設(shè)備,2012,32(5):81-85.

LIANG Tiantian,GAO Ciwei,WANG Beibei.Applications of demand side management in smart grid[J].Electric Power Automation Equipment,2012,32(5):81-85.

[4] CHANG H,CHEN K,TSAI Y,et al.A new measurement method for power signatures of nonintrusive demand monitoring and load identification[J].IEEE Trans on Industry Applications,2012,48(2):764-771.

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

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

[7] LIN Y,TSAI M.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.

[8] WANG X,LEI D,YONG J,et al.An online load identification algorithm for non-intrusive load monitoring in homes[C]// IEEE International Conference on Intelligent Sensors,Sensor Networks and Information Processing,April 2-5,2013,Melbourne,USA:1-6.

[9] 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.

NIU Lulu,JIA Hongjie.Transient event detection algorithm for non-intrusive load monitoring[J].Automation of Electric Power Systems,2011,35(9):30-35.

[10] 曲朝陽(yáng),于華濤,郭曉利.基于開啟瞬時(shí)負(fù)荷特征的家電負(fù)荷識(shí)別[J].電工技術(shù)學(xué)報(bào),2015(增刊1):358-364.

QU Zhaoyang,YU Huatao,GUO Xiaoli.The recognition of appliances instantaneous load[J].Transactions of China Electrotechnical Society,2015(Supplement 1):358-364.

[11] 孫毅,崔燦,陸俊,等.基于差量特征提取與模糊聚類的非侵入式負(fù)荷監(jiān)測(cè)方法[J].電力系統(tǒng)自動(dòng)化,2017,41(4):86-91.DOI:10.7500/AEPS20160504016.

SUN Yi,CUI Can,LU Jun,et al.Non-intrusive load monitoring method based on delta feature extraction and fuzzy clustering[J].Automation of Electric Power Systems,2017,41(4):86-91.DOI:10.7500/AEPS20160504016.

[12] CHANG H H,LIN C L,et al.A new method for load identification of nonintrusive energy management system in smart home[C]// IEEE International Conference on E-Business Engineering,November 10-12,2010,Shanghai,China:351-357.

[13] 李如意,王曉換,胡美璇,等.RPROP神經(jīng)網(wǎng)絡(luò)在非侵入式負(fù)荷分解中的應(yīng)用[J].電力系統(tǒng)保護(hù)與控制,2016,44(7):55-61.

LI Ruyi,WANG Xiaohuan,HU Meixuan,et al.Application of RPROP neural network in nonintrusive load decomposition[J].Power System Protection and Control,2016,44(7):55-61.

[14] 武昕,祁兵,韓璐,等.基于模板濾波的居民負(fù)荷非侵入式快速辨識(shí)算法[J].電力系統(tǒng)自動(dòng)化,2017,41(2):135-141.DOI:10.7500/AEPS20160411001.

WU Xin,QI Bing,HAN Lu,et al.A fast non-intrusive load identification algorithm for resident load based on template filtering[J].Automation of Electric Power Systems,2017,41(2):135-141.DOI:10.7500/AEPS20160411001.

[15] 李煒.多種混合模型下的盲信號(hào)分離方法研究[D].無錫:江南大學(xué),2014.

[16] 劉正平,陳明奎.基于二階統(tǒng)計(jì)量的盲信號(hào)分離[J].傳感器與微系統(tǒng),2007,26(5):33-35.

LIU Zhengping,CHEN Mingkui.Blind signal separation based on second order statistics[J].Transducer and Microsystem Technologies,2007,26(5):33-35.

[17] 劉慶強(qiáng).居民負(fù)荷特性研究及應(yīng)用[D].上海:上海電力學(xué)院,2014.

IdentificationAlgorithmforApplianceLoadBasedonLMDandModelMatching

QIBing1,LIULiya1,WANGLili2

(1.School of Electrical &Electronic Engineering,North China Electric Power University,Beijing 102206,China;2.State Grid Materials Co.Ltd.,Beijing 100120,China)

Appliance load identification is an important part of intelligent power consumption.Traditional intrusion load monitoring has the drawbacks of high cost,complex installation and maintenance,hence the need of a load identification algorithm based on non-intrusive load monitoring.According to the principles and method of system identification,a load identification algorithm based on local mean decomposition (LMD) and model matching is proposed,which is characterized by steady-state current and voltage.In order to construct the linear and nonlinear model libraries,the steady-state data of each load in the power network is collected in advance.Then,the LMD algorithm is used to decompose the mixed signals into electricity consumption data of single load.By pre-screening,these separated data are categorized into the model library that they belong to,and finally these loads are recognized according to the model matching principles.Simulation results show that the proposed algorithm can accurately identify the operating status of each load and has high computational efficiency.Furthermore,it can effectively deal with the situation when a new load joins the power network.

This work is supported by Fundamental Research Funds for the Central Universities (No.2016MS13).

load identification;model library;local mean decomposition (LMD);model matching

2017-02-12;

2017-06-29。

上網(wǎng)日期:2017-08-18。

中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金資助項(xiàng)目(2016MS13)。

祁 兵(1969—),男,教授,博士生導(dǎo)師,主要研究方向:電力系統(tǒng)通信、智能用電信息處理技術(shù)等。E-mail： qbing@ncepu.edu.cn

劉利亞(1994—),女,碩士研究生,主要研究方向:電力系統(tǒng)通信、非侵入式負(fù)荷監(jiān)測(cè)技術(shù)。E-mail:liuliyaa@foxmail.com

王麗麗(1984—),女,工程師,主要研究方向:電子商務(wù)平臺(tái)評(píng)標(biāo)專家管理系統(tǒng)設(shè)計(jì)。E-mail:wanglili@sgm.sgcc.com.cn

(編輯孔麗蓓)