周晨軼，閆嬌嬌，劉晨陽(yáng)

（國(guó)網(wǎng)浙江省電力有限公司信息通信分公司，杭州 310007）

0 引言

居民用戶是堅(jiān)強(qiáng)智能電網(wǎng)的重要消耗端，也是微電網(wǎng)的重要組成部分。負(fù)荷監(jiān)測(cè)技術(shù)可以幫助用戶了解家中電器使用情況，提高用戶參與需求響應(yīng)的意識(shí)，促進(jìn)用戶科學(xué)合理用電[1-2]。此外，在電力需求側(cè)管理、盜電監(jiān)管、實(shí)時(shí)電價(jià)等多個(gè)智能電網(wǎng)的應(yīng)用領(lǐng)域，負(fù)荷監(jiān)測(cè)技術(shù)都起到了重要作用[3-5]。目前，負(fù)荷監(jiān)測(cè)技術(shù)主要分為侵入式和非侵入式2種[6]。侵入式負(fù)荷監(jiān)測(cè)需要在總負(fù)荷內(nèi)部的每個(gè)用電器上都配備傳感器，該方法雖然準(zhǔn)確性高，但可靠性低，實(shí)施困難；非侵入式負(fù)荷監(jiān)測(cè)只需在用戶的用電入口處安裝1個(gè)傳感器，通過分析監(jiān)測(cè)得到的總負(fù)荷數(shù)據(jù)，來(lái)獲知用戶各用電設(shè)備的工作狀態(tài)，該方法成本低，安裝方便，是近年來(lái)負(fù)荷監(jiān)測(cè)技術(shù)的研究重點(diǎn)。圖1描述了NILM（非侵入式負(fù)荷監(jiān)測(cè)）技術(shù)在需求響應(yīng)系統(tǒng)中的作用。

圖1 NILM技術(shù)在需求響應(yīng)系統(tǒng)中的應(yīng)用

NILM技術(shù)又稱負(fù)荷分解技術(shù)，最初是由麻省理工的Hert教授于20世紀(jì)80年代提出的[7]。他根據(jù)不同設(shè)備開關(guān)時(shí)總負(fù)荷功率變化量的不同，實(shí)現(xiàn)了負(fù)荷的辨識(shí)和分解，針對(duì)具有多工作模式的電器，提出了基于有效狀態(tài)機(jī)的負(fù)荷識(shí)別方法。

與Hart利用穩(wěn)態(tài)特性進(jìn)行負(fù)荷識(shí)別不同，另一類NILM技術(shù)依據(jù)設(shè)備暫態(tài)投切特性的不同進(jìn)行負(fù)荷辨識(shí)，如基于V-I曲線特性的分析方法[8]、基于瞬時(shí)無(wú)功功率的分析方法[9]、基于暫態(tài)功率譜的分析方法[10]、基于電流諧波特性的分析方法[11]等。相較基于負(fù)荷穩(wěn)態(tài)特性的分析方法，基于暫態(tài)投切特性的分析方法能夠獲得更加豐富的電器信息，進(jìn)而提升負(fù)荷辨識(shí)的準(zhǔn)確率。然而，這類方法的實(shí)現(xiàn)需要監(jiān)測(cè)設(shè)備具有極高的采樣頻率，現(xiàn)有的常規(guī)電力設(shè)備無(wú)法滿足要求。

最近很多NILM研究都是在低采樣頻率（小于1 Hz）的前提下，通過一種或幾種監(jiān)測(cè)方法得到總負(fù)荷特征參數(shù)（如電流、功率）并進(jìn)行分析，實(shí)現(xiàn)居民用電負(fù)荷的辨識(shí)和分解[12-14]。Zeifman[12]為提高負(fù)荷識(shí)別的準(zhǔn)確率和程序的運(yùn)算速度，將Viterbi譯碼算法應(yīng)用于NILM系統(tǒng)中，但該方法只對(duì)簡(jiǎn)單開關(guān)類電器有效。文獻(xiàn)[13]根據(jù)電器不同工作狀態(tài)下長(zhǎng)時(shí)段負(fù)荷曲線的差異性，提出基于進(jìn)制擬合算法的負(fù)荷分解方法，在一定程度上解決了多工作模式負(fù)載投入使用的負(fù)荷識(shí)別問題。然而，由于絕大多數(shù)家用電器長(zhǎng)時(shí)段運(yùn)行的負(fù)荷曲線受環(huán)境、人為等因素的影響很大，使文獻(xiàn)[13]中的方法只對(duì)極少部分電器有效，具有很大的局限性。Dinesh等[14]為提高負(fù)荷分解的準(zhǔn)確率，對(duì)采集得到的低頻負(fù)荷數(shù)據(jù)進(jìn)行K-L（Karhunen Loeve）變換，進(jìn)而提取并利用數(shù)據(jù)中隱含的譜信息，然而，當(dāng)數(shù)據(jù)量較大時(shí)，K-L變換大大降低了程序的運(yùn)算速度和效率。

針對(duì)上述負(fù)荷分解方法的不足，同時(shí)結(jié)合現(xiàn)有電力監(jiān)測(cè)設(shè)備的特點(diǎn)，提出基于貝葉斯準(zhǔn)則的NILM方法。該方法的顯著優(yōu)點(diǎn)是對(duì)監(jiān)測(cè)設(shè)備采樣頻率要求低、算法簡(jiǎn)單、可準(zhǔn)確分解各類型電器的用電負(fù)荷。首先，搭建一套有效的用電信息采集演示系統(tǒng)，方便建立模型及開展驗(yàn)證工作；而后，提出負(fù)載電流概率密度函數(shù)的概念，并在此基礎(chǔ)上提出了基于貝葉斯準(zhǔn)則的負(fù)荷分解模型；最后，給出基于DE（差分進(jìn)化）算法的模型求解思路，并使用實(shí)測(cè)數(shù)據(jù)進(jìn)行算法驗(yàn)證。

1 負(fù)荷數(shù)據(jù)的采集

NILM技術(shù)研究的關(guān)鍵一點(diǎn)便是要建立家用電器的負(fù)荷數(shù)據(jù)集，為此，在室內(nèi)搭建一套長(zhǎng)期有效的用電數(shù)據(jù)采集系統(tǒng)。每個(gè)用電器都通過轉(zhuǎn)換插頭與一個(gè)基于ZigBee協(xié)議的通用智能電表相連，以便獲取各用電器的用電數(shù)據(jù)；所有的用電器都被連接在同一個(gè)插線板上，以便獲取總電流數(shù)據(jù)。表1列出了智能電表能夠測(cè)量到的所有用電參數(shù)。在采樣頻率為1/60 Hz的情況下（每隔1 min返回1次信息），采集了5種典型家用電器1個(gè)月的用電數(shù)據(jù)，包括飲水機(jī)、電冰箱、微波爐、空氣凈化器和電熱水壺。這些電器的工作原則與實(shí)際家庭中類似，例如，飲水機(jī)和電冰箱一般會(huì)連續(xù)運(yùn)行一整天，空氣凈化器在空氣質(zhì)量不好的情況下工作頻率更高。

表1 智能電表監(jiān)測(cè)的用電參數(shù)

此外，在PC端安裝了2個(gè)相關(guān)軟件，分別是MySQL（一種數(shù)據(jù)庫(kù)管理系統(tǒng)）和PMS（能量管理系統(tǒng)）。前者用于存儲(chǔ)和管理搜集到的歷史數(shù)據(jù)；后者是一個(gè)用電數(shù)據(jù)演示系統(tǒng)，能夠?qū)崟r(shí)顯示各用電器的用電信息，以便確認(rèn)各個(gè)智能電表是否處于正常工作狀態(tài)。圖2是用電數(shù)據(jù)演示系統(tǒng)的示意。

圖2 用電數(shù)據(jù)演示系統(tǒng)示意

2 基于貝葉斯準(zhǔn)則的負(fù)荷分解模型

先前相關(guān)研究表明[5]，與電器的有功功率相比，電器電流幅值的波動(dòng)更小，因此利用穩(wěn)態(tài)電流作為負(fù)荷特征更容易確定電器的工作狀態(tài)。在構(gòu)建模型之前，可以確定智能電表采集到的數(shù)據(jù)具有以下特點(diǎn)：

熊定喜 男，1992年出生于湖北松滋.現(xiàn)為北京空間信息中繼傳輸技術(shù)研究中心助理工程師，主要研究方向?yàn)閷?dǎo)航信號(hào)質(zhì)量評(píng)估技術(shù)和衛(wèi)星軌道控制技術(shù).

（1）電流數(shù)據(jù)是離散的。

（2）電流幅值不可能為負(fù)數(shù)，最小值為0。

（3）針對(duì)文中的采集系統(tǒng)，電流幅值的上限由插線板的額定電流決定（實(shí)際家庭中由斷路器的額定電流決定，超過額定電流會(huì)自動(dòng)跳閘）。

2.1 數(shù)據(jù)預(yù)處理

假定n個(gè)獨(dú)立離散的隨機(jī)變量XR-I（1），XR-I（2）， …， XR-I（n）， 其中 XR-I（i）表示用電器 X 在第i個(gè)采樣點(diǎn)的原始電流幅值，對(duì)應(yīng)預(yù)處理之后的電流值 XI（i）表示為：

式中：[]表示取整，[x]表示不超過x的最大整數(shù)；i∈{1， 2， …， n}， XI（i）∈{0， 1， …， M}， 文中 M的值由插線板的額定電流值決定。例如，若所有電器共同連接在額定電流為15 A的插線板上，那么M=150。經(jīng)此轉(zhuǎn)換，電流幅值單位由A（安培）變?yōu)閐A（deci-Ampere），并且全部轉(zhuǎn)換為正整數(shù)。

2.2 基于貝葉斯準(zhǔn)則的負(fù)荷分解數(shù)學(xué)模型

貝葉斯準(zhǔn)則，又稱貝葉斯信息準(zhǔn)則，是在不完全信息下，對(duì)部分未知的狀態(tài)用主觀概率估計(jì)，然后用貝葉斯公式對(duì)發(fā)生概率進(jìn)行修正，最后再利用期望值和修正概率做出最優(yōu)決策?；诖耍诖_定求解目標(biāo)前，先定義離散概率密度函數(shù)PDF：

式中：P[XI=x}表示監(jiān)測(cè)數(shù)據(jù)中用電器X預(yù)處理后的電流幅值為x的概率，其值根據(jù)采集得到的訓(xùn)練數(shù)據(jù)計(jì)算得出，如果訓(xùn)練數(shù)據(jù)的總個(gè)數(shù)為n，電流幅值為x出現(xiàn)的次數(shù)為k，那么有P[XI=x}=k/n。例如，以1 000個(gè)采樣點(diǎn)為例，表2是工作電流為0.3 A的電器可能的PDF值。

NILM技術(shù)解決的問題可以表述為：如何根據(jù)采集得到的總負(fù)荷數(shù)據(jù)（如總電流、總功率），確定其中每個(gè)電器的運(yùn)行狀態(tài)和能耗。眾所周知，負(fù)荷總電流值SI可以表示為：

表2 一個(gè)關(guān)于PDF值的例子

式（4）中 P（SI|XI， XI2， …， XIN）為條件概率，由于必然存在至少一種組合使得總電流值為SI，故 P（SI|XI， XI2， …， XIN）的值恒為 1， 因此式（4）可化為：

對(duì)于任意一種組合，P（SI）的值都是相同的。此外，不同電器之間的開關(guān)可認(rèn)為是相互獨(dú)立的，因此式（5）的最大后驗(yàn)概率解可以表示為：尋找滿足條件的、最有可能的電器開關(guān)組合，也就是說(shuō)使得 P（XI，，…，）值最大。不難發(fā)現(xiàn)，的最小值為因此， NILM 方法的求解目標(biāo)可表述為，尋找一種電器組合使得Z的值最?。╝rgmin（Z））， 其中：

2.3 DE算法

DE算法是一種比較新的基于群體的隨機(jī)優(yōu)化方法，在求解最小值問題上具有更好的收斂性和魯棒性[5]。圖3是DE算法的求解流程，主要求解步驟分6步。

步驟1：確定種群規(guī)模（一般取10倍于問題規(guī)模數(shù)）、迭代次數(shù)和電器電流值可能的進(jìn)化范圍。

步驟2：生成初始種群。設(shè)第i個(gè)個(gè)體，Xi=（xi，1， xi，2， …， xi，n）， n 為種群的規(guī)模。 一般個(gè)體向量Xi各個(gè)分量的產(chǎn)生方式為：

式中： xi，j是 Xi的第 j個(gè)分量， xi，j的范圍是[xi，jmin，xi，jmax]。

步驟（3）：變異。對(duì)于第k代的目標(biāo)向量，DE算法變異向量的產(chǎn)生方式如下：

式中：F為變異因子，一般取值范圍為[0.4，0.9]。

步驟4：交叉。DE算法中有2種常用的交叉方式，分別是二項(xiàng)式交叉和指數(shù)交叉。文中采用的是二項(xiàng)式交叉方法，對(duì)于第k代目標(biāo)向量其各個(gè)分量的計(jì)算方法為：

式中：CR為交叉因子；rand是[0，1]之間的隨機(jī)數(shù)，jrand是[1，n]之間的隨機(jī)整數(shù)。

步驟5：取整。由于DE算法進(jìn)行的是全局搜索，而采樣數(shù)據(jù)之間是離散的，因此在進(jìn)行選擇操作之前，先通過四舍五入取整運(yùn)算對(duì)參數(shù)進(jìn)行取整。

步驟6：選擇。DE算法中使用的是“貪婪”選擇模式，也就是說(shuō)，只有當(dāng)新個(gè)體能夠得到更小的Z值時(shí)才能夠被保留下來(lái)。

圖3 DE算法求解流程

3 算法評(píng)估和驗(yàn)證

3.1 算法評(píng)估方法

NILM技術(shù)的目標(biāo)有2個(gè)：一是讓用戶能夠了解家中電器的具體能耗，這能夠指導(dǎo)居民科學(xué)合理用電；二是讓用戶能夠近乎于實(shí)時(shí)地了解家中電器的工作狀態(tài)，這對(duì)電力公司制定更加細(xì)化的需求響應(yīng)政策非常重要。為評(píng)估所提出算法有效性，Kolter和Johnson[15]提出了能耗評(píng)估精度Est.Acc的概念，計(jì)算公式如下：

3.2 驗(yàn)證結(jié)果

以下利用用電信息采集系統(tǒng)收集到的數(shù)據(jù)進(jìn)行算法驗(yàn)證工作。采集到5種家用電器1個(gè)月的用電數(shù)據(jù)，其中前25天的數(shù)據(jù)用于訓(xùn)練，以便確定用電器的PDF；后6天的數(shù)據(jù)用于測(cè)試，評(píng)估所提出算法的有效性。詳細(xì)的模型評(píng)估流程如圖4所示。

所有算法驗(yàn)證程序都是基于MATLAB 2013a，程序運(yùn)行在具有2.2 GHz CPU和1 GB內(nèi)存的電腦上。DE算法的訓(xùn)練次數(shù)為500，變異因子和交叉因子取值都為0.5，表3為算法驗(yàn)證結(jié)果。

表3 算法估算精度

根據(jù)表3發(fā)現(xiàn)，文中所提算法能夠分解包括多狀態(tài)模式在內(nèi)的各種用電設(shè)備。對(duì)于經(jīng)常使用的（如電冰箱、飲水機(jī)）或是電流幅值相對(duì)較大的（如電熱水壺、微波爐）用電器，文中所提出算法的能耗評(píng)估精度值都達(dá)到90%以上。對(duì)于電流幅值較小的電器（如空氣凈化器），該方法的分解精度不夠理想。

3.3 電器能耗計(jì)算方法

有了各個(gè)電器在每個(gè)采樣點(diǎn)的分解電流值后，可以得到電器每小時(shí)耗電量的計(jì)算公式：

式中：為電器n每小時(shí)的耗電量；為電器n在t時(shí)刻的估算電流值；ρn為電器n的功率因數(shù)；U為家庭電壓；h為時(shí)間參數(shù)，且 h∈[1，2，3， …， 24]。

表4給出了采用NILM方法計(jì)算得到的用電器月能耗。

表4 采用NILM方法得到的各用電器月能耗

由表4可知：若以傳統(tǒng)用電信息演示系統(tǒng)監(jiān)測(cè)（侵入式方法，圖2中PMS）得到的用電數(shù)據(jù)為基準(zhǔn)，則采用NILM方法對(duì)總能耗的估算誤差為：

4 結(jié)論

（1）提出了基于貝葉斯準(zhǔn)則的負(fù)荷分解模型，該模型將NILM問題轉(zhuǎn)化為數(shù)學(xué)上的求最小值問題。利用室內(nèi)實(shí)測(cè)用電數(shù)據(jù)進(jìn)行算法驗(yàn)證工作，證明所提供方法的有效性和準(zhǔn)確性。

（2）NILM模型建立時(shí)，充分利用監(jiān)測(cè)所得歷史數(shù)據(jù)，提出用電器PDF的概念和計(jì)算方法；此外，在模型求解時(shí)利用了DE算法，其他能夠求解最小值的優(yōu)化算法同樣適用。

（3）給出了一種非侵入式能耗估算方法，并與傳統(tǒng)侵入式負(fù)荷監(jiān)測(cè)方法進(jìn)行比較，證明了文中所提方法的準(zhǔn)確性。

（4）文中方法所需用電數(shù)據(jù)可直接由市面上通用的智能電表獲得，降低了硬件成本，提高了用戶參與需求響應(yīng)的積極性。此外，由于居民電力負(fù)荷組成最為復(fù)雜，文中所提方法也適用于工業(yè)和商業(yè)負(fù)荷的監(jiān)測(cè)和分解。

[1]林弘宇，田世明．智能電網(wǎng)條件下的智能小區(qū)關(guān)鍵技術(shù)[J]．電網(wǎng)技術(shù)，2011，35（12）∶1-7．

[2]王蓓蓓，李楊.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．

[3]張文亮，劉壯志，王明俊，等.智能電網(wǎng)的研究進(jìn)展及發(fā)展趨勢(shì)[J]．電網(wǎng)技術(shù)，2009，33（13）∶1-11．

[4]宋亞奇，周國(guó)亮，朱永利．智能電網(wǎng)大數(shù)據(jù)處理技術(shù)現(xiàn)狀與挑戰(zhàn)[J]．電網(wǎng)技術(shù)，2013，37（4）∶927-935．

[5]周晨軼，劉松，鐘瀟，等.基于差分進(jìn)化算法的居民用電負(fù)荷分解方法[J].南方電網(wǎng)技術(shù)，2016，10（6）∶62-69．

[6]余貽鑫，劉博，欒文鵬．非侵入式居民電力負(fù)荷監(jiān)測(cè)與分解技術(shù)[J]．南方電網(wǎng)技術(shù)，2013，7（4）∶1-5．

[7]HART G W．Nonintrusive appliance load monitoring[J]．IEEE Proceeding，1992，80（12）∶1870-1891．

[8]HASSAN T，JAVED F，ARSHAD N．An empirical investigation of V-I trajectory based load signatures for non-intrusive load monitoring[J]．IEEE Transactions on Smart Grid，2014，5（2）∶870-878．

[9]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)，2015，30（S1）∶358-364．

[10]CHANG H H，LIAN K，SU Y，et al．Power-spectrumbased wavelet transform for non-intrusive demand monitoring and load identification[J]．IEEE Transactions on Industry and Application，2014，50（3）∶2081-2089．

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

[12]ZEIFMAN M．Disaggregation of home energy display data using probabilistic approach[J]．IEEE Transactions on Consumer Electronics，2012，58（1）∶23-31．

[13]婁建樓，于華濤，曲朝陽(yáng)．面向家庭用戶的用電負(fù)荷分解方法[J]．吉林大學(xué)學(xué)報(bào)（理學(xué)版）．2015，53（4）∶744-753．

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

[15]KOLTER J Z，JOHNSON M J.REDD∶A Public Data Set for Energy Disaggregation Research[C].Sustkdd，San Diego，CA，USA，2011.

[16]顏慶國(guó)，阮文駿，陳楚，等.基于并行預(yù)測(cè)策略的公共樓宇日前空調(diào)負(fù)荷預(yù)測(cè)[J].電網(wǎng)與清潔能源，2016，32（11）∶80-86.