劉興杰,曹美晗,許月娟

(1. 華北電力大學(xué) 電力工程系，河北 保定 071003；2. 國(guó)網(wǎng)河北省電力公司衡水供電分公司，河北 衡水 053000；3. 國(guó)網(wǎng)安徽省電力公司蚌埠供電公司，安徽 蚌埠 233000)

0 引言

電能在整個(gè)社會(huì)生產(chǎn)和生活的能源消費(fèi)中占了很大的比重。為此，實(shí)現(xiàn)電力能源的節(jié)約是節(jié)能減排的一個(gè)重要環(huán)節(jié)。隨著科學(xué)技術(shù)的不斷發(fā)展和人們生活水平的提高，家用電器數(shù)量和種類越來(lái)越多，居民用電量占總用電量的比例也隨之增大。研究表明，引入用電信息反饋后，居民負(fù)荷側(cè)會(huì)有較大的節(jié)能潛力[1]。家用負(fù)荷辨識(shí)技術(shù)能夠極大地幫助供電公司了解居民用戶的負(fù)荷組成與用電習(xí)慣，及時(shí)對(duì)供電計(jì)劃作出調(diào)整，同時(shí)更能幫助用戶了解家庭用電信息，從用戶側(cè)實(shí)行合理用電，促進(jìn)節(jié)能減排[2-3]。

非侵入式負(fù)荷監(jiān)測(cè)NILM(Non-Intrusive Load Monitoring)技術(shù)最先由Hart等人在20世紀(jì)80年代提出[4]，該方法通過(guò)從用戶總電表接口處獲取總功率、電壓、電流的變化信息，來(lái)辨識(shí)負(fù)荷種類、運(yùn)行情況及相關(guān)參數(shù)。這種負(fù)荷識(shí)別方法不需要安裝大量的監(jiān)測(cè)設(shè)備，不中斷設(shè)備供電，易于被用戶接受，適用于智能電表。負(fù)荷識(shí)別算法是非侵入式負(fù)荷監(jiān)測(cè)技術(shù)的核心部分，經(jīng)研究者們的不斷深入研究，負(fù)荷辨識(shí)技術(shù)漸漸分化成2類。第一類稱為模式識(shí)別算法，提取單獨(dú)運(yùn)行時(shí)的負(fù)荷特征參數(shù)組成負(fù)荷特征庫(kù)，將未知負(fù)荷的特征參數(shù)逐一與特征庫(kù)中的特征參數(shù)進(jìn)行匹配，如利用匹配度[5]、明可夫斯基距離[6]確定匹配度最高值對(duì)應(yīng)的負(fù)荷種類來(lái)確定未知負(fù)荷，或通過(guò)差量特征提取特征值變化量，再通過(guò)模糊聚類確定負(fù)荷種類[7]等方法。這類方法通常選用負(fù)荷啟停數(shù)據(jù)作為辨識(shí)特征參數(shù)，因?yàn)樨?fù)荷的啟停特征具有唯一性，選用這種方法辨識(shí)單一負(fù)荷時(shí)有很高的準(zhǔn)確性，但暫態(tài)特征不具有疊加性，因此，該方法無(wú)法用于辨識(shí)多種負(fù)荷同時(shí)投切的復(fù)雜情形。第二類則是優(yōu)化算法，選取具有線性疊加特性的負(fù)荷特征量，選定適應(yīng)度函數(shù)，將負(fù)荷投切行為的辨識(shí)轉(zhuǎn)化為利用優(yōu)化算法求解家電負(fù)荷最優(yōu)組合問(wèn)題，常用傳統(tǒng)數(shù)學(xué)優(yōu)化算法有整數(shù)規(guī)劃法[8]、微分進(jìn)化法[9]等，及智能算法如神經(jīng)網(wǎng)絡(luò)法[10]、離散粒子群優(yōu)化算法[11]、遺傳算法[12]等，這類方法僅在一定范圍內(nèi)可有效識(shí)別出同時(shí)工作的多種負(fù)荷：傳統(tǒng)數(shù)學(xué)算法在尋優(yōu)過(guò)程中對(duì)初值要求較高，求解時(shí)間長(zhǎng)，且在特征參數(shù)較多時(shí)容易產(chǎn)生維數(shù)災(zāi)難；現(xiàn)在的智能算法原理簡(jiǎn)單，容易實(shí)現(xiàn)，搜索能力也較強(qiáng)，可迅速發(fā)展，但其又具有容易出現(xiàn)早熟現(xiàn)象和陷入局部收斂等缺陷。因此，在智能算法的選擇及改進(jìn)中應(yīng)注意提高全局尋優(yōu)能力。文獻(xiàn)[13]提出將負(fù)荷穩(wěn)態(tài)基波與諧波電流作為負(fù)荷特征量，采用離散二進(jìn)制雞群算法CSO(Chicken Swarm Optimization algorithm)對(duì)多種負(fù)荷投切行為進(jìn)行辨識(shí)，可以準(zhǔn)確辨識(shí)功率值相近的多種負(fù)荷，有效提高全局尋優(yōu)能力。但該方法采用單一特征作為適應(yīng)度函數(shù)，且負(fù)荷的諧波特征易受線路中電壓、電流波動(dòng)干擾，使得小功率和大功率負(fù)荷同時(shí)投入時(shí)辨識(shí)精度較低。而將功率這一特征單獨(dú)作為適應(yīng)度函數(shù)時(shí)，能夠準(zhǔn)確辨識(shí)出功率差值較大的負(fù)荷，但對(duì)功率相同的負(fù)荷或負(fù)荷組合辨識(shí)精度較低。

綜上所述，基于居民負(fù)荷在穩(wěn)態(tài)工作時(shí)電流及功率均具有疊加性，本文提出一種基于改進(jìn)雞群算法ICSO(Improved Chicken Swarm Optimization algorithm)的負(fù)荷監(jiān)測(cè)方法，設(shè)計(jì)了綜合考慮穩(wěn)態(tài)諧波電流和功率特征的正態(tài)分布度量函數(shù)，作為改進(jìn)雞群算法的適應(yīng)度函數(shù)。如此，該算法中的2種特征將互相彌補(bǔ)因選用單一特征適應(yīng)度函數(shù)引起的辨識(shí)誤差，共同確定最優(yōu)解，較好地保持了種群多樣性，具有很好的全局尋優(yōu)能力和收斂速度。從而可有效解決采用單一特征作為適應(yīng)度函數(shù)進(jìn)行負(fù)荷辨識(shí)時(shí)功率差值較大的負(fù)荷同時(shí)投入辨識(shí)精度低的問(wèn)題，為了解居民的用電行為和非侵入式負(fù)荷監(jiān)測(cè)提供依據(jù)。

1 家用負(fù)荷特征提取

穩(wěn)態(tài)特征參數(shù)是指負(fù)荷處于穩(wěn)定運(yùn)行狀態(tài)時(shí)可提取的特征量，本文主要提取的特征參數(shù)是電流基波與諧波電流和有功功率。

家電設(shè)備工作在穩(wěn)定狀態(tài)時(shí)，其基波與諧波電流具有周期性和規(guī)律性，如式(1)所示。

is(t)=Is1cos(ωt+θs1)+Is2cos(2ωt+θs2)+…+

Iskcos(kωt+θsk)+…

(1)

其中，is(t)為電流瞬時(shí)值；k表示諧波次數(shù)，當(dāng)k=1時(shí)，為基波；Isk為第k次諧波分量的幅值；θsk為工作電流中第k次諧波分量的初相角。

假設(shè)某一家庭的家用電器共n種獨(dú)立工作狀態(tài)，由于穩(wěn)態(tài)電流具有疊加性，此時(shí)非侵入式監(jiān)測(cè)系統(tǒng)采集到的電流近似等于這n種工作狀態(tài)電流的線性疊加，如式(2)所示。

iL(t)=x1is1(t)+x2is2(t)+…+xjisj(t)+…+xnisn(t)

(2)

其中，iL(t)為相應(yīng)穩(wěn)定運(yùn)行階段的總電流；isj(t)為設(shè)備工作電流；x1,x2,…,xj,…,xn∈{0,1}，表示n種家電設(shè)備的工作狀況，其值為0時(shí)表示該負(fù)荷未工作，其值為1時(shí)表示該負(fù)荷工作。

由于電網(wǎng)中偶次諧波含量較少，本文不再考慮，故式(2)用相量法可表示為：

(3)

其中，h為奇數(shù)，表示諧波次數(shù)；x1、x2、…、xn為待求變量。等號(hào)左側(cè)矩陣中的元素是未知負(fù)荷的特征量，等號(hào)右側(cè)矩陣中的元素是負(fù)荷特征庫(kù)中存放的負(fù)荷特征參數(shù)。

式(3)可簡(jiǎn)記為：

IL=IsX

(4)

其中，IL為采集器采集到的家庭總電流矩陣；IS為家電設(shè)備諧波電流參數(shù)矩陣；X為各家電負(fù)荷的工作狀態(tài)矩陣。

至此，負(fù)荷辨識(shí)問(wèn)題可轉(zhuǎn)換為優(yōu)化算法中尋求最優(yōu)解的問(wèn)題，選取以穩(wěn)態(tài)電流基波與諧波為特征量的適應(yīng)度函數(shù)，如式(5)所示。

minf1=‖IL-IsX‖

(5)

其中，f1為諧波電流適應(yīng)度函數(shù)。

本文對(duì)有功功率P的計(jì)算基于傅里葉級(jí)數(shù)分解的方法，根據(jù)有功功率等于瞬時(shí)功率在一個(gè)周期內(nèi)的平均值的定義得到式(6)。

(6)

其中，T為周期值；us、is分別為設(shè)備工作電壓及電流瞬時(shí)值；Vh、Ih分別為設(shè)備工作電壓與電流的有效值；φh為第h次諧波電流滯后電壓的相位。

此外，負(fù)荷有功功率亦有可疊加性，總功率即為系統(tǒng)內(nèi)處于工作狀態(tài)的負(fù)荷功率之和。據(jù)此可構(gòu)建優(yōu)化適應(yīng)度函數(shù)對(duì)電力負(fù)荷功率消耗進(jìn)行分解，如式(7)所示。

minf2=‖PL-PsX‖

(7)

其中，f2為有功功率適應(yīng)度函數(shù)；PL為采集器采集到的家庭總功率矩陣；Ps為家電設(shè)備有功功率參數(shù)矩陣。

本文將穩(wěn)態(tài)諧波電流和有功功率2種特征進(jìn)行融合作為優(yōu)化算法的適應(yīng)度函數(shù)，并嵌入改進(jìn)雞群算法中，尋優(yōu)得到使聯(lián)合適應(yīng)度函數(shù)值最小的X取值，使式(5)和(7)同時(shí)達(dá)到最優(yōu)，即可實(shí)現(xiàn)非侵入式負(fù)荷辨識(shí)。

2 基于改進(jìn)雞群算法的負(fù)荷監(jiān)測(cè)

2.1 改進(jìn)雞群算法

雞群算法由上海海事大學(xué)研究者M(jìn)eng Xianbing[14]等人提出，該算法的基本原理是：通過(guò)確定雞群的最優(yōu)覓食位置來(lái)近似解決組合優(yōu)化問(wèn)題，即雞群最優(yōu)位置表示最優(yōu)解。按照每只雞的適應(yīng)度函數(shù)值大小對(duì)雞群進(jìn)行排序，以適應(yīng)度函數(shù)值為標(biāo)準(zhǔn)將雞群分為公雞、母雞(包含雞媽媽)和小雞，適應(yīng)度函數(shù)值越小，覓食時(shí)越有優(yōu)勢(shì)。按照生活經(jīng)驗(yàn)，每個(gè)雞群中的公雞距離覓食食物最近，有最強(qiáng)的覓食能力，因此適應(yīng)度函數(shù)值越小。雞群中的雞會(huì)根據(jù)自己的經(jīng)驗(yàn)及本群中最強(qiáng)公雞的位置及時(shí)調(diào)整位置，經(jīng)過(guò)一定次數(shù)的調(diào)整后重新按照適應(yīng)度函數(shù)值排序劃分團(tuán)體及等級(jí)。本節(jié)中將任一家電負(fù)荷的工作狀態(tài)均用0和1來(lái)表示，在雞群位置更新后，采用Sigmoid[15]函數(shù)映射出雞的位置是取0還是1，算法的流程圖見圖1。

公雞具有最強(qiáng)的覓食能力，比其他覓食能力較差的雞在尋找食物時(shí)更具有優(yōu)勢(shì)，簡(jiǎn)而言之，覓食能力較強(qiáng)的雞比覓食能力較弱的雞在覓食范圍上更廣，可以通過(guò)式(8)—(11)來(lái)表示公雞的位置：

圖1 改進(jìn)雞群算法流程圖Fig.1 Flowchart of ICSO

(8)

(9)

(10)

(11)

對(duì)于母雞而言，它們跟隨所在群體中的公雞去覓食，但有時(shí)也會(huì)偷食其他群體中已經(jīng)發(fā)現(xiàn)的食物，每個(gè)雞群中有且只有一只公雞，作為該群的頭領(lǐng)，其表達(dá)式如(12)—(16)所示。

(12)

(13)

(14)

s2=exp(fr2-fi)

(15)

(16)

其中，rand為[0,1]之間的隨機(jī)數(shù)；r1∈[1,N]為公雞的索引值；r2∈[1,G]為雞的索引值，G為雞群中雞的數(shù)量，且r1≠r2。

小雞的覓食能力是最差的，故只能在雞媽媽的周邊覓食，雞媽媽是從母雞中隨機(jī)選取的，小雞與雞媽媽之間的母子關(guān)系也是隨機(jī)建立的。小雞的覓食過(guò)程可通過(guò)式(17)來(lái)描述。

(17)

每隔一段時(shí)間，重新按照適應(yīng)度函數(shù)值的大小對(duì)雞群劃分等級(jí)，以增強(qiáng)雞群的活性，然后按照上述方法繼續(xù)尋找，直到找到全局最優(yōu)解。

2.2 適應(yīng)度函數(shù)

在改進(jìn)雞群算法中，適應(yīng)度函數(shù)是度量群體中各個(gè)個(gè)體有可能達(dá)到或有助于找到最優(yōu)解的優(yōu)良程度。適應(yīng)度函數(shù)通常由最優(yōu)適應(yīng)度函數(shù)值代替,但不同的適應(yīng)度函數(shù)可能會(huì)解得不一樣的優(yōu)化結(jié)果。因此，一個(gè)優(yōu)良的適應(yīng)度函數(shù)是最終決定取得最優(yōu)辨識(shí)結(jié)果的關(guān)鍵。

由于用電設(shè)備的電流諧波或者功率特征在一定程度上容易受到線路中電壓、電流波動(dòng)等干擾，特別是小功率和大功率設(shè)備一起投入時(shí)，單一特征所構(gòu)建的適應(yīng)度函數(shù)對(duì)最終辨識(shí)結(jié)果的準(zhǔn)確性會(huì)產(chǎn)生一定影響。因此，為了獲得準(zhǔn)確的電力負(fù)荷辨識(shí)結(jié)果，本文將穩(wěn)態(tài)電流特征和功率結(jié)合在一起，構(gòu)建改進(jìn)雞群算法的適應(yīng)度函數(shù)，搜尋最優(yōu)解?；诖?，本文先引入以正態(tài)分布形式的一個(gè)度量函數(shù)，其表達(dá)式如式(18)所示。

di(fi)=exp[-(fi/σi)2]σi>0；i=1,2

(18)

其中，參數(shù)σi為標(biāo)準(zhǔn)差，用來(lái)調(diào)整分布；di值由fi和σi共同決定。

將本文中2個(gè)特征量的適應(yīng)度函數(shù)值以乘積的方式進(jìn)行結(jié)合，得到改進(jìn)雞群算法的適應(yīng)度函數(shù)如式(19)所示。

(19)

其中，σ1和σ2根據(jù)樣本數(shù)據(jù)庫(kù)進(jìn)行人工設(shè)置，σ1=1，σ2=50。

由式(19)可以看出，適應(yīng)度函數(shù)值是由f1和f2的值共同決定。特別地，當(dāng)f1達(dá)到最小而f2有較大偏差，或者f2達(dá)到最小而f1有較大偏差時(shí)，式(19)會(huì)在一定程度上彌補(bǔ)因單個(gè)適應(yīng)度函數(shù)值(功率或者諧波電流)造成的辨識(shí)錯(cuò)誤，從而為提高負(fù)荷辨識(shí)結(jié)果的準(zhǔn)確性奠定基礎(chǔ)。

2.3 基于改進(jìn)雞群算法的非侵入式監(jiān)測(cè)流程

基于改進(jìn)雞群算法的非侵入式負(fù)荷監(jiān)測(cè)流程如圖2所示。

圖2 基于改進(jìn)雞群算法的非侵入式負(fù)荷監(jiān)測(cè)流程Fig.2 Flowchart of non-intrusive load monitoring based on ICSO

3 算例分析

為驗(yàn)證本文方法的可行性與有效性，在實(shí)驗(yàn)室環(huán)境下搭建多家用電器的測(cè)試平臺(tái)。對(duì)實(shí)驗(yàn)家庭主要的12種家電負(fù)荷(熒光燈、電視機(jī)、筆記本、電冰箱、電磁爐、熱水器、電加熱、空調(diào)、微波爐、洗衣機(jī)、飲水機(jī)、臺(tái)式機(jī))的14種運(yùn)行狀態(tài)穩(wěn)態(tài)數(shù)據(jù)進(jìn)行頻譜分析，從中提取出電流奇次諧波分量及有功功率作為特征量，其有功功率如表1所示，電流及諧波幅值如表2所示。

表1 家電負(fù)荷有功功率Table 1 Active power of household loads

表2 家用負(fù)荷正常工作下電流諧波幅值Table 2 Harmonic current amplitude of household loads in normal operation

為驗(yàn)證本文所提算法的優(yōu)越性，將本文算法與單一特征量構(gòu)造的適應(yīng)度函數(shù)及離散粒子群優(yōu)化算法[25]進(jìn)行對(duì)比實(shí)驗(yàn)，并將所改進(jìn)的適應(yīng)度函數(shù)應(yīng)用到離散粒子群優(yōu)化算法中以驗(yàn)證改進(jìn)雞群算法在非侵入式負(fù)荷辨識(shí)過(guò)程中的優(yōu)越性。為了有效對(duì)比這4種算法的識(shí)別準(zhǔn)確度，使迭代次數(shù)、種群規(guī)模和初始化種群完全相同，消除因參數(shù)及種群初始化不同帶來(lái)的影響。其中迭代次數(shù)設(shè)定為300次，種群規(guī)模為50，每迭代5次更新一次等級(jí)次序。在采用改進(jìn)雞群算法進(jìn)行尋優(yōu)計(jì)算時(shí)，公雞規(guī)模占比20%，母雞占比60%，小雞占比20%；離散粒子群優(yōu)化算法中加速因子取經(jīng)驗(yàn)值為1.49。

為了說(shuō)明本文構(gòu)建適應(yīng)度函數(shù)應(yīng)用于改進(jìn)雞群算法對(duì)負(fù)荷辨識(shí)的有效性，對(duì)5種不同負(fù)荷組成各進(jìn)行20次仿真實(shí)驗(yàn)。在實(shí)驗(yàn)中，方法1為以諧波電流單獨(dú)構(gòu)造適應(yīng)度函數(shù)的改進(jìn)雞群算法，方法2為以有功功率單獨(dú)構(gòu)造適應(yīng)度函數(shù)的改進(jìn)雞群算法，方法3為以諧波電流為特征量的離散粒子群優(yōu)化算法，方法4為以有功功率為特征量的離散粒子群優(yōu)化算法，方法5為在離散粒子群優(yōu)化算法中應(yīng)用本文提出的適應(yīng)度函數(shù)，方法6為本文所提算法，所得實(shí)驗(yàn)結(jié)果如表3所示。

表3 負(fù)荷辨識(shí)結(jié)果Table 3 Result of NILM

比較表3中的辨識(shí)結(jié)果及準(zhǔn)確率可知，改進(jìn)雞群算法與離散粒子群優(yōu)化算法在對(duì)單一負(fù)荷進(jìn)行辨識(shí)時(shí)均有很高的精度，但面對(duì)復(fù)雜的負(fù)荷組合情況，離散粒子群優(yōu)化算法更可能會(huì)陷入局部最優(yōu)，從而停滯搜索，而在離散粒子群優(yōu)化算法中應(yīng)用本文所提聯(lián)合適應(yīng)度函數(shù)后辨識(shí)精度也有明顯提高。但由結(jié)果看來(lái)，本文所提方法仍具有顯著優(yōu)勢(shì)，這表明聯(lián)合適應(yīng)度函數(shù)對(duì)負(fù)荷辨識(shí)精度提高具有重要的正面影響，且將其應(yīng)用于改進(jìn)雞群算法中效果更優(yōu)。在改進(jìn)雞群算法中，公雞具有最強(qiáng)的全局搜索能力，母雞具有較強(qiáng)的局部搜索能力，而小雞在更新等級(jí)秩序時(shí)，重新進(jìn)行隨機(jī)初始化，從而雞群不停地進(jìn)行尋優(yōu)，提高了該算法的全局搜索能力。當(dāng)離散粒子群優(yōu)化算法尋得局部最優(yōu)解，未能辨識(shí)出負(fù)荷工作狀態(tài)時(shí)，改進(jìn)雞群算法在尋得此局部最優(yōu)解后仍繼續(xù)尋優(yōu)搜索，最終求得全局最優(yōu)解，準(zhǔn)確地辨識(shí)出當(dāng)前投入工作的負(fù)荷種類及狀態(tài)。

此外，為了直觀深入比較在改進(jìn)雞群算法中使用3種不同適應(yīng)度函數(shù)對(duì)辨識(shí)精度的影響，設(shè)置了3組實(shí)驗(yàn)，分別選取3種負(fù)荷(熒光燈、電磁爐、洗衣機(jī)，記為實(shí)驗(yàn)1)、4種負(fù)荷(筆記本電腦、熱水器、空調(diào)制冷、洗衣機(jī)，記為實(shí)驗(yàn)2)、5種負(fù)荷(熒光燈、電視機(jī)、電冰箱、空調(diào)制冷、微波爐，記為實(shí)驗(yàn)3)同時(shí)工作，其余設(shè)備均為工作時(shí)，用穩(wěn)態(tài)諧波特征(方法a)、功率特征(方法b)和諧波與功率特征融合(方法c)作為適應(yīng)度函數(shù)進(jìn)行負(fù)荷辨識(shí)。實(shí)驗(yàn)設(shè)置如表4所示，其中，x1、x2、…、x14依次表示序號(hào)為1—14的不同的負(fù)荷狀態(tài)，xi=0表示該負(fù)荷停用，xi=1表示該負(fù)荷運(yùn)行。測(cè)試結(jié)果如表5所示。

由表5可以得出，采用方法a進(jìn)行負(fù)荷辨識(shí)時(shí)，面對(duì)功率差值較大的負(fù)荷同時(shí)投入運(yùn)行的情況，難以準(zhǔn)確辨識(shí)出小功率負(fù)荷。如在實(shí)驗(yàn)1中采用方法a進(jìn)行辨識(shí)得出的負(fù)荷狀態(tài)為0010 1000 0010 00，即判定投入運(yùn)行的負(fù)荷分別為筆記本、電磁爐及洗衣機(jī)，與實(shí)驗(yàn)設(shè)置選擇投入運(yùn)行的負(fù)荷種類不符。該方法雖準(zhǔn)確辨識(shí)出電磁爐與洗衣機(jī)的狀態(tài)，但卻未能準(zhǔn)確辨識(shí)出熒光燈。由于方法a中采用諧波電流構(gòu)造適應(yīng)度函數(shù)，熒光燈與筆記本的消耗功率值較小，在同一個(gè)電壓水平下進(jìn)行傅里葉分解得到的諧波電流往往也會(huì)比較小，易使算法陷入局部最優(yōu)，在功率差值較大的負(fù)荷同時(shí)投入時(shí)難以辨識(shí)出小功率負(fù)荷，從而影響辨識(shí)精度。

表4 電力負(fù)荷辨識(shí)實(shí)驗(yàn)設(shè)置Table 4 Settings of NILM experiment

表5 基于改進(jìn)雞群算法的負(fù)荷辨識(shí)結(jié)果Table 5 Results of NILM based on ICSO

采用方法b時(shí)，無(wú)法準(zhǔn)確辨識(shí)功率值相似或者若干功率值之和相似的情形，例如實(shí)驗(yàn)2中，實(shí)驗(yàn)設(shè)置負(fù)荷總功率為2999.65W，方法b辨識(shí)出負(fù)荷總功率之和為3004.46W，而且實(shí)驗(yàn)2設(shè)置投入負(fù)荷包含洗衣機(jī)，而方法b辨識(shí)結(jié)果中未成功辨識(shí)出該負(fù)荷，表明該方法對(duì)具有相似功率值的負(fù)荷辨識(shí)精度較低。而采用方法c時(shí)，因功率差異值較小的負(fù)荷其各次諧波幅值卻不盡相同，辨識(shí)精度也有了明顯的改善。

而采用方法c進(jìn)行負(fù)荷辨識(shí)時(shí)，基本能夠得到準(zhǔn)確的辨識(shí)結(jié)果，即克服了將諧波電流作為單一特征量進(jìn)行辨識(shí)時(shí)，小功率負(fù)荷難以準(zhǔn)確辨識(shí)的問(wèn)題。

顯然，由于諧波特征包含信息更為豐富，將諧波特征用于改進(jìn)雞群算法進(jìn)行負(fù)荷辨識(shí)時(shí)精度優(yōu)于功率特征。但就總體辨識(shí)結(jié)果而言，本文提出的方法綜合考慮了諧波電流與功率2種特征量，辨識(shí)精度更優(yōu)，基本與負(fù)荷實(shí)際開啟狀態(tài)一致，更適合用于非侵入式負(fù)荷監(jiān)測(cè)。

4 結(jié)論

為了提高多負(fù)荷辨識(shí)精度，本文對(duì)離散二進(jìn)制雞群算法進(jìn)行改進(jìn)，以諧波電流和有功功率作為特征量，引入正態(tài)分布度量函數(shù)融合2種特征參數(shù)的最優(yōu)化適應(yīng)度函數(shù)值作為聯(lián)合適應(yīng)度函數(shù)。結(jié)果表明，應(yīng)用本文所提算法進(jìn)行負(fù)荷監(jiān)測(cè)使負(fù)荷辨識(shí)精度由離散二進(jìn)制雞群算法的75%提高到93%，且這一精度也遠(yuǎn)遠(yuǎn)高于離散粒子群優(yōu)化算法?？梢姳疚乃惴軌蛴行岣叻乔秩胧诫娏ω?fù)荷辨識(shí)精度，同時(shí)應(yīng)用該算法不僅能準(zhǔn)確辨識(shí)功率值相近的多種負(fù)荷，還能有效辨識(shí)功率差值較大的負(fù)荷組合，提高了智能算法的全局尋優(yōu)能力，為負(fù)荷監(jiān)測(cè)提供了強(qiáng)大的技術(shù)支撐。在下一步的研究中將會(huì)著力解決穩(wěn)態(tài)諧波電流因幅值較大，使該特征占比較大帶來(lái)的辨識(shí)錯(cuò)誤問(wèn)題，提出具有更廣泛適用性的負(fù)荷狀態(tài)監(jiān)測(cè)方法。

參考文獻(xiàn)：

[1] 朱澤磊，周京陽(yáng)，潘毅，等. 考慮電力電量平衡的安全約束經(jīng)濟(jì)調(diào)度[J]. 中國(guó)電機(jī)工程學(xué)報(bào)，2013，33(10)：168-176.

ZHU Zelei，ZHOU Jingyang，PAN Yi，et al. Security constrained economic dispatch considering balance of electric power and energy[J]. Proceedings of the CSEE，2013，33(10)：168-176.

[2] 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.

[3] 王蓓蓓，李揚(yáng). 面向智能電網(wǎng)的電力需求側(cè)管理規(guī)劃及實(shí)施機(jī)制[J]. 電力自動(dòng)化設(shè)備，2010，30(12)：19-24.

WANG Beibei，LI Yang. Demand side management planning and implementation mechanism for smart grid[J]. Electric Power Automation Equipment，2010，30(12)：19-24.

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

[5] 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.

[6] LIANG J，NG S K K，KENDALL G，et al. Load signature study-part Ι：basic concept,structure,and methodlogy[J]. IEEE Transactions on Power Deliery，2010，25(2)：551-560.

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

[8] 崔燦. 面向智能用電的非侵入式居民負(fù)荷監(jiān)測(cè)關(guān)鍵技術(shù)研究[D]. 北京：華北電力大學(xué)，2017.

CUI Can. Study on key technologies in non-intrusive residential load monitoring for intelligent power utilization[D]. Beijing：North China Electric Power University，2017.

[9] 彭春華，劉剛，孫惠娟. 基于小波分解和微分進(jìn)化支持向量機(jī)的風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)[J]. 電力自動(dòng)化設(shè)備，2012，32(1)：9-13.

PENG Chunhua，LIU Gang，SUN Huijuan.Wind speed forecasting based on wavelet decomposition and differential evolution-support vector machine for wind farms[J]. Electric Power Automation Equipment，2012，32(1)：9-13.

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

[11] 李佳，劉天琪，李興源，等. 改進(jìn)粒子群-禁忌搜索算法在多目標(biāo)無(wú)功優(yōu)化中的應(yīng)用[J]. 電力自動(dòng)化設(shè)備，2014，34(8)：71-77.

LI Jia，LIU Tianqi，LI Xingyuan，et al. Application of improved particle swarm-tabu search algorithm in multi-objective reactive power optimization[J]. Electric Power Automation Equipment，2014，34(8)：71-77.

[12] BARANSKI M，VOSS J． Genetic algorithm for pattern detection in NIALM systems[C]∥2005 IEEE International Conference on Systems，Man and Cybernetics. The Hague,Netherlands：IEEE，2005：3462-3468.

[13] 許儀勛，李旺，李東東，等. 基于改進(jìn)雞群算法的非侵入式家電負(fù)荷分解[J]. 電力系統(tǒng)保護(hù)與控制，2016，44(13)：27-32.

XU Yixun，LI Wang，LI Dongdong，et al. Disaggregation for non-invasive domestic appliances based on the improved chicken swarm optimization algorithm[J]. Power System Protection and Control，2016，44(13)：27-32.

[14] MENG X B，LIU Y，GAO X Z，et al. A new bio-inspired algorithm：chicken swarm optimization[C]∥5th International Conference on Swarm Intelligence. Hefei，China：Springer International Publishing，2014：86-94.

[15] LEE K D. Electrical load information system based on non-intrusive power monitoring[D]. Cambridge,Massachusetts，USA:Massachu-setts Institute of Technology，2003.