許儀勛，王洪安，李旺，陸青

(1．上海電力學院，上海200090;2．國網(wǎng)臨沂供電公司，山東臨沂276000)

0 引言

在智能用電發(fā)展過程中，負荷識別發(fā)揮著重要作用。自上個世紀80年代，麻省理工學院學者George W．Hart［1］提出了非侵入式負荷監(jiān)測(Nonintrusive Load Monitoring，簡稱NILM)技術(shù)，即只需在居民用戶的電力入口處安裝硬件裝置，便可實時監(jiān)測和分析用戶的用電信息。通過非侵入式居民負荷識別技術(shù)的應用，居民用戶可以直觀地了解各個家用電器的具體電能消耗情況，從而使得居民的用電計劃更加具有合理性，家用電器的選擇更具有針對性，以達到降低電能損耗，減少居民家庭的用電費用，提高居民節(jié)能環(huán)保意識的目標［2］。

非侵入式負荷識別的核心是負荷特征的提取和識別算法。目前研究識別算法的比較多，由單一算法到多種算法相結(jié)合，但負荷特征基本選擇的比較單一，比如有功功率［3］、暫態(tài)開關(guān)狀態(tài)［4-6］、穩(wěn)態(tài)諧波特征［7-10］等，由于電壓和電流波動等因素干擾，單一特征所得到的識別結(jié)果可能會與實際用電情況不一致，以有功功率為例，在文獻［11］中通過單一特征有功功率進行分析，最終在2個功率比較接近的電器中，無法進行正確的識別。

隨著智能小區(qū)的不斷建設和發(fā)展，積累了大量的基礎用電數(shù)據(jù)，數(shù)據(jù)中隱藏著用戶的用電行為習慣，對這些用電數(shù)據(jù)進行挖掘研究分析，可以得到用戶的用電行為習慣。近年來，已有一些學者對這些數(shù)據(jù)進行研究分析，但基本針對于電力用戶分類，如文獻［12］以傳統(tǒng)行業(yè)劃分為基礎，提出基于聚類的用戶分類研究;文獻［13］提出從當前市場價值、潛在市場價值、區(qū)域貢獻價值等方面對用戶進行分類研究，建議對不同類型用戶制定不同的營銷策略。

熵權(quán)法是一種客觀的賦權(quán)算法，相對于主觀賦權(quán)法，精度較高，客觀性更強，能更好的解釋所得到的結(jié)果，而且可以用于任何需要確定權(quán)重的過程，也可以結(jié)合一些方法共同使用，所以選擇熵權(quán)法來確定各特征屬性的權(quán)重。

基于上述所述，首先，提出采用家用電器的多種參數(shù)特征來進行電氣負荷識別;然后，通過對居民用電數(shù)據(jù)分析，歸納居民用電行為規(guī)律，并創(chuàng)新性的將其作為電氣負荷識別的判據(jù)之一;最后，提出結(jié)構(gòu)熵權(quán)法，即熵權(quán)法確定有功功率、無功功率、諧波電流和居民用電行為所占權(quán)重，主觀賦值法對識別結(jié)果進行賦值，然后將權(quán)重和賦值相結(jié)合，計算出最終的權(quán)值，進而確定出電器開啟結(jié)果。通過實驗驗證，此方法可以提高負荷識別的準確率。

1 居民用電行為研究

REDD數(shù)據(jù)是由麻省理工學院建立的能源分解參考數(shù)據(jù)庫，REDD數(shù)據(jù)庫中數(shù)據(jù)都是采用UTC(U-niversal Time Coordinated)時間戳來進行記錄的，通過UTC時間轉(zhuǎn)換器將其轉(zhuǎn)換成對應的日期和時間，并對家庭5一周內(nèi)采集數(shù)據(jù)進行分析，來獲取各個時間段案例中用到的各電器的使用情況，作為居民用電行為的依據(jù)，如表1所示，并選出其中一天的功率變化，如圖1所示。

表1 家庭5用電行為分析表Tab．1 Electricity Behavior of family 5

圖1 家庭5某一天的功率變化圖Fig．1 Power variation diagram of household 5 in one day2

2 家電負荷特征選取

2．1 有功功率

有功功率計算公式:

對電力負荷功耗進行分解優(yōu)化目標函數(shù):

式中Pi是數(shù)據(jù)庫第i個設備的功率;P為當前的功率。

2．2 無功功率

無功功率計算公式:

對電力負荷功耗進行分解優(yōu)化目標函數(shù):

式中Qi是數(shù)據(jù)庫第i個設備的功率;Q為當前的功率。

2．3 諧波電流特征

由文獻［14］可選取諧波電流特征作為負荷識別的特征之一，具體如下:

IL=ISX (5)

式中IL為采集器采集到的家庭總電流;IS為家電設備模型參數(shù)矩陣;X為各家用電器的工作狀態(tài)矩陣。因此，負荷識別問題轉(zhuǎn)化為求解最優(yōu)組合問題，取目標函數(shù)為:

通過負荷識別算法求得最優(yōu)組合解，使得目標函數(shù)值f取得最小值，此時從X的對應元素值中即可獲知各個家電負荷的工作狀態(tài)，從而可以統(tǒng)計各個家電負荷的能耗信息。

3 結(jié)構(gòu)熵權(quán)法的多特征負荷識別方法

為了更可靠地提升非侵入式電力負荷的分解能力，以及不同特征量對負荷識別準確度影響的大小，給出一種基于結(jié)構(gòu)熵權(quán)法的多特征識別算法，其基本思想是將定量分析的熵權(quán)法和定性分析的主觀賦值法相結(jié)合，確定最終權(quán)值，獲得負荷識別結(jié)果。

信息熵本是用來刻畫信息論中所包含信息的無序度的一個量，通過信息熵來度量信息的無序化程度，熵越大則無序化程度越高，相對應的該信息所占有的效用就越低?；诖嗽恚瑢⑿畔㈧赜脕泶_定負荷識別各特征屬性的權(quán)重，通過采集數(shù)據(jù)形成數(shù)據(jù)序列，并計算該數(shù)據(jù)序列的信息熵，如果該數(shù)據(jù)序列的差異程度大，則該特征的影響程度越大，相應的就賦予其較大的權(quán)重，并通過數(shù)據(jù)序列的變異程度來確定各特征屬性對負荷識別影響程度的大小。

在結(jié)構(gòu)熵權(quán)法的多特征負荷識別中，采用離散粒子群算法實現(xiàn)目標函數(shù)尋優(yōu)的目的，離散粒子群算法是由Eberhart博士和Kennedy博士于1997年率先提出的一種新型仿生種群智能優(yōu)化算法，主要解決0－1規(guī)劃問題，即每個粒子用一個二進制變量來表示，與其他進化算法相比，其最吸引人的特征是易于實現(xiàn)和更強的全局優(yōu)化能力，其尋優(yōu)過程如圖2所示。

圖2 離散粒子群尋優(yōu)過程Fig．2 Discrete particle swarm optimization process

基于結(jié)構(gòu)熵權(quán)法的多特征負荷識別算法的具體計算步驟如下:

(1)數(shù)據(jù)采集和處理。熵權(quán)法的權(quán)重計算需要構(gòu)建屬性決策矩陣，而屬性決策矩陣的構(gòu)建需要原始數(shù)據(jù)的支持。本文原始數(shù)據(jù)的獲得由離散粒子群算法分別對有功功率、無功功率以及諧波電流特征的目標函數(shù)進行尋優(yōu)，獲得電器狀態(tài)組合和目標函數(shù)的適應度值。首先，將有功功率、無功功率、諧波電流特征和居民用電行為概率作為屬性，將其表述為xj;其次，把各個識別結(jié)果的開關(guān)狀態(tài)組合作為方案，將其表述為Am;最后，將適應度值作為原始數(shù)據(jù)，將其表述為xij，形成屬性決策矩陣:

對原始數(shù)據(jù)xij進行歸一化處理，計算比重Fij:

(2)熵值計算。針對第j個屬性，利用該屬性下的數(shù)據(jù)列計算該屬性的熵值Ej:

式中常數(shù)K=1/ln(m);m為方案數(shù)，即保證0≤Ej≤1。

(3)計算偏差度。計算第j個屬性的偏差度dj，對于確定的第j個屬性，如果該屬性對負荷識別影響程度越小，則其該屬性下的數(shù)據(jù)列越接近完全無序狀態(tài)，Ej越大，該影響因素的偏差度應越小，因此定義:

dj=1－Ej(10)

(4)計算權(quán)重。對以上計算出的偏差度進行歸一化后得到的數(shù)值即為每個屬性的權(quán)重，它反映了該屬性對負荷識別的影響程度的大小。其中第j個影響因素的權(quán)重計算公式:

(5)形成識別矩陣。把各個電器特征的電器識別結(jié)果的開關(guān)狀態(tài)組合按照式(12)的矩陣形式排列:

Dn=［Di(1)Di(2)Di(3) ．．．Di(z)］，i=1，2，3…，n，其中，n為電器特征數(shù)目;m為每種特征所選出的結(jié)果數(shù)目。

(6)對識別矩陣賦值。給每個Di(j)(i=1，2，3…n;j=1，2，3…m)賦權(quán)值 Wi，依據(jù)相似性將 Di(1)的加權(quán)值設定為m，Di(2)的加權(quán)值設定為m－1，依次遞減后Di(m)為1，有:

Wi(j)=m+1－i (13)

Di(j)的加權(quán)值為W中對應矩陣位置上的加權(quán)數(shù)。

(7)將熵值法確定的權(quán)重和對識別矩陣的賦值結(jié)合。將各行中出現(xiàn)的元素，與其相對應的賦值和權(quán)重相乘得到權(quán)值，并將相同的元素的權(quán)值求和，權(quán)值最大的就是判定的電器組合類型。

4 算法驗證

為了驗證居民用電行為對負荷識別具有重要的作用，采用由麻省理工學院建立的能源分解參考數(shù)據(jù)庫進行實例仿真。對家庭5中火線2上的主要家電負荷的功率進行獲取以及對其進行頻譜分析，利用MATLAB進行編程，從中提取出基波分量和諧波分量，具體的家電負荷特征參數(shù)值如表2和表3所示。

表2 家庭5火線2上主要家用電器有功和無功功率Tab．2 Active and reactive power of major home appliances of household 5 wire 2

從表3中可以看出，家庭5中火線2上有8種主要家電負荷，共有11種不同工作狀態(tài)。為了驗證結(jié)構(gòu)熵權(quán)法具有較高的負荷識別準確率，與單獨使用有功功率、無功功率和電流諧波特征做比較。采用離散粒子群來進行尋優(yōu)，令迭代次數(shù)為100次，種群規(guī)模為40，學習因子取值為1．49;圖3～圖5分別為電冰箱狀態(tài)一與家電四狀態(tài)二同時工作時，有功功率、電流諧波特征和無功功率的PSO算法的收斂性。

由圖3可以看出，PSO迭代4次就進入穩(wěn)定，得到的結(jié)果為電冰箱狀態(tài)一、家電四狀態(tài)二在運行與實際情況設備狀態(tài)開啟一致，圖4為PSO迭代15次后進入穩(wěn)定，得到的結(jié)果為電冰箱狀態(tài)一、家電四狀態(tài)二在運行與實際情況設備狀態(tài)開啟一致;圖5為PSO迭代2次后進入穩(wěn)定，得到的結(jié)果為電冰箱狀態(tài)一、家電四狀態(tài)二在運行與實際情況設備狀態(tài)開啟一致。對該例進行40次試驗，有功功率識別準確率為22．5%，無功功率識別準確率為32．5%，電流諧波特征識別準確率為48%，有功+無功+諧波電流的識別準確率為57．5%，結(jié)構(gòu)熵權(quán)法識別準確率為77．5%。為了進一步深入對比文中方法算法和單一特征的識別準確率，現(xiàn)對不同家電負荷分別進行實驗，對多種家電工作狀況試驗各設置運行40次，并統(tǒng)計分析了本方法和單一特征識別出的次數(shù)和準確率，詳細數(shù)據(jù)如表4所示。

表3 家庭5火線2上主要家用電器特征量Tab．3 Characteristics of major home appliances of household 5 wire 2

圖3 PSO算法的收斂性(有功功率)Fig．3 Convergence of PSO algorithm(active power)

圖4 PSO算法的收斂性(電流諧波特征)Fig．4 Convergence of PSO algorithm(current harmonic characteristics)

圖5 PSO算法的收斂性(無功功率)Fig．5 Convergence of PSO algorithm(reactive power)

從表4中的數(shù)據(jù)可以看出，有功功率識別的平均準確率為31．25%，電流諧波特征的平均識別準確率為48．875%，無功功率識別的平均準確率為34．375%，有功+無功+諧波電流的平均識別準確率為61．875，而結(jié)構(gòu)熵權(quán)法的平均識別準確率為78．75%，多特征明顯高于單一特征的識別準確率，且考慮居民用電行為的準確率更高，因此，考慮居民用電行為的結(jié)構(gòu)熵權(quán)法可以有效地提高負荷識別準確率。

表4 家庭5負荷識別準確率Tab．4 Household 5 load recognition accuracy rate

5 結(jié)束語

為了提高電力負荷分解性能，提出了利用多個特征量進行識別，并創(chuàng)新性地將居民用電行為作為一種特征去識別電器負荷。利用熵值法來去確定每個特征的權(quán)重，然后根據(jù)賦值法對各方案賦值，通過賦值和權(quán)重最終確定識別結(jié)果。通過實驗驗證，該方法可以有效提高電器識別的準確率。下一步，將會針對多狀態(tài)電器進行深入研究，更進一步提高用戶用電體驗。