李云峰，李 欣，劉三豐，湯鵬飛

(武漢中原電子信息有限公司，湖北 武漢 430074)

0 引言

智能電網(wǎng)是未來(lái)電網(wǎng)的發(fā)展方向[1]。隨著社會(huì)快速發(fā)展，各家各戶(hù)對(duì)于各類(lèi)家用電器負(fù)荷的需求也日益增加，相應(yīng)的居民用電占全國(guó)用電的比重也越來(lái)越大。通過(guò)對(duì)各用戶(hù)用電行為的研究，可以獲取居民在不同時(shí)段的家電使用情況，家用電器負(fù)荷監(jiān)測(cè)可以為用戶(hù)提供詳細(xì)的用電清單，使用戶(hù)了解各個(gè)家用電器負(fù)荷的耗電量，指導(dǎo)用戶(hù)合理用電。因此迫切需要對(duì)家用電器負(fù)荷數(shù)據(jù)實(shí)現(xiàn)智能化監(jiān)測(cè)，以達(dá)到節(jié)能省電的目的[2-3]。

現(xiàn)有的對(duì)家用電器的用電負(fù)荷監(jiān)測(cè)主要有兩種，即侵入式和非侵入式[4-7]。侵入式監(jiān)測(cè)要求對(duì)用戶(hù)所有的電氣設(shè)備均安裝數(shù)據(jù)采集裝置，而非侵入式監(jiān)測(cè)只需在某個(gè)電力供給入口處安裝一個(gè)智能電表或采集設(shè)備即可，通過(guò)此終端采集電壓電流等數(shù)據(jù)，然后進(jìn)行相應(yīng)的分析處理提取出最佳的負(fù)荷特征來(lái)對(duì)家用電器負(fù)荷進(jìn)行辨識(shí)，將總的用電負(fù)荷最大程度地分解成單個(gè)用電負(fù)荷，該方法成本低，易維護(hù)，實(shí)用性強(qiáng)，發(fā)展前景廣泛。

非侵入式負(fù)荷監(jiān)測(cè)方法中，結(jié)合穩(wěn)態(tài)和暫態(tài)特征并采用模式識(shí)別、支持向量機(jī)等方法進(jìn)行識(shí)別，精確度更高[8-11]。其中最近鄰算法中，是將總體樣本中對(duì)某些個(gè)體的分析近似為對(duì)整個(gè)總體樣本的分析，準(zhǔn)確性不夠，而均值聚類(lèi)法是將未知樣本到每一類(lèi)樣本中心的距離作為判斷的最終依據(jù)，準(zhǔn)確性較高，但是迭代計(jì)算較為復(fù)雜，因此本文在最近鄰算法的基礎(chǔ)上結(jié)合均值聚類(lèi)算法的優(yōu)勢(shì)，對(duì)識(shí)別算法進(jìn)行了優(yōu)化。主要是通過(guò)對(duì)居民用電設(shè)備的穩(wěn)態(tài)和暫態(tài)特征量的研究，從電壓和電流的暫穩(wěn)態(tài)、瞬時(shí)和穩(wěn)定功率等多角度出發(fā)，進(jìn)行電器特征量提取，將特征空間中的類(lèi)內(nèi)和類(lèi)間相似度作為依據(jù)，建立完備特征庫(kù)，從而辨識(shí)出具有更高識(shí)別度的特征量。

1 諧波特征提取

在數(shù)據(jù)訓(xùn)練階段，在多個(gè)特征量中篩選出辨識(shí)能力強(qiáng)的特征量。在這過(guò)程中需保證所選數(shù)據(jù)樣本的特征向量能最大程度反映出該數(shù)據(jù)樣本的本質(zhì)特性，數(shù)據(jù)樣本若特性相近，其特征向量對(duì)應(yīng)的分析空間中的點(diǎn)應(yīng)該也相近；相反，若樣本之間特性不相近，其特征向量對(duì)應(yīng)的數(shù)據(jù)點(diǎn)也不能相近。

考察家用電器單獨(dú)工作時(shí)所產(chǎn)生的來(lái)自暫態(tài)過(guò)程和穩(wěn)態(tài)過(guò)程中的電壓、電流和功率信號(hào)等多特征量。由于電網(wǎng)電壓一般較穩(wěn)定，故不考慮。

1.1 特征量選取

可選的特征量如下：

(1)來(lái)自功率相關(guān)信號(hào)的特征量：穩(wěn)定有功功率；有功功率沖擊波形暫態(tài)沖擊上升時(shí)間；有功功率沖擊波形的最大功率；有功功率沖擊波形暫態(tài)沖擊衰減時(shí)間；有功功率沖擊波形的暫態(tài)沖擊幅度相對(duì)值；有功功率沖擊波形的暫態(tài)沖擊幅度絕對(duì)值。

(2)來(lái)自電流相關(guān)信號(hào)的特征量：基波電流幅值；偶次諧波；3次諧波電流幅值；5次諧波電流幅值；9次諧波電流幅值；諧波含量；暫態(tài)電流最大值與基波電流比值；電流變化最小值/基波電流幅值。

1.2 數(shù)據(jù)歸一化

將特征值都轉(zhuǎn)換為(0，1)區(qū)間內(nèi)的數(shù)，設(shè)有n維特征向量x=[x1,x2,…,xn]，xk為所有樣本的第k維特征值集合，則第k維特征值xk的線(xiàn)性歸一化值為：

(1)

其中，ak=max(xk)+0.1×max(xk),bk=min(xk)-0.1×min(xk)，ak和bk分別留有10%的裕度。

1.3 特征量篩選

考慮聚類(lèi)分析中的類(lèi)內(nèi)距離和類(lèi)間距離，其比值作為指標(biāo)對(duì)特征量作定量評(píng)估，篩選出分類(lèi)能力較好的特征量，建立用電負(fù)荷識(shí)別模型。

(2)

將距中心的距離由近到遠(yuǎn)排列，取前90%的樣本點(diǎn)，將這些樣本點(diǎn)中的最大值作為D1，這樣可保證準(zhǔn)確性。

可以看出，當(dāng)D1越小，D2越大，即f越小時(shí)，可提高特征量的識(shí)別能力和分類(lèi)效果。

2 負(fù)荷啟停事件檢測(cè)

本文采用基于滑窗的雙邊CUSUM事件檢測(cè)算法，如圖1所示，通過(guò)峰值間增加變化或減少變化的累積和與閾值的判斷，判斷滑窗內(nèi)基波電流的峰值間是否發(fā)生改變；將檢測(cè)到的基波電流變化過(guò)程的距離靠近的滑窗段進(jìn)行融合；當(dāng)采樣的樣例中檢測(cè)到變化后開(kāi)始存儲(chǔ)變化前的穩(wěn)態(tài)過(guò)程，檢測(cè)變化開(kāi)始后的電流信號(hào)，直到之后多個(gè)采樣中均未檢測(cè)到變化。該方法能有效消除負(fù)荷抖動(dòng)帶來(lái)的干擾，且檢測(cè)成功率高。

圖1 基于滑窗的雙邊CUSUM事件檢測(cè)算法

3 基于整體相似度的負(fù)荷辨識(shí)

由于傳統(tǒng)最近鄰法存在著一定缺陷，本文對(duì)相似度計(jì)算進(jìn)行了改進(jìn)。

3.1 每類(lèi)負(fù)荷的KNN相似度

樣本數(shù)據(jù)庫(kù)中，有c類(lèi)負(fù)荷，每類(lèi)有N個(gè)訓(xùn)練數(shù)據(jù)，則共有cN個(gè)訓(xùn)練數(shù)據(jù)，第i類(lèi)第j個(gè)樣本表示為:

(3)

(4)

(5)

3.2 每類(lèi)負(fù)荷的均值中心相似度

已知樣本的全部均值中心為zi1,zi2,…,zig,i=1,2,…,c，計(jì)算未知樣本x=[x1,x2,…,xn]與zi1,zi2,…,zig,i=1,2,…,c的歐式距離dl,l=1,…,cg，選出歐式距離最小的h個(gè)，h滿(mǎn)足dh≤2×min(dl),dh+1>2×min(dl)。

與i類(lèi)的相似度為：

(6)

其中Gi為h個(gè)樣本中屬于第i類(lèi)的均值中心的序號(hào)數(shù)的集合；r為將該樣本與x的距離按照從小到大排列的數(shù)字。

3.3 總相似度

第i類(lèi)負(fù)荷樣本的總相似度為：

(7)

其中0≤a≤b≤1，將未知樣本x判定為相似度最高的類(lèi)別。

基于整體相似度的負(fù)荷識(shí)別流程包括以下幾個(gè)步驟：

(1)對(duì)每一種用電設(shè)備進(jìn)行監(jiān)測(cè)，從暫態(tài)、穩(wěn)態(tài)、電流、功率等多角度提取電器特征量。

(2)特征數(shù)據(jù)進(jìn)行歸一化處理。

(3)以特征空間中的類(lèi)內(nèi)和類(lèi)間相似度為依據(jù)，研究各特征量的識(shí)別能力，建立用電負(fù)荷識(shí)別模型。

(4)在線(xiàn)實(shí)時(shí)監(jiān)測(cè)各用電設(shè)備運(yùn)行過(guò)程中產(chǎn)生的相應(yīng)特征值的波形，判斷用電設(shè)備的開(kāi)閉狀態(tài)。

(5)根據(jù)步驟(4)中特征值進(jìn)行分類(lèi)器相似度計(jì)算。

(6)將步驟(4)中計(jì)算得到的實(shí)際用電負(fù)荷波形作為模型的輸入，根據(jù)模型的輸出結(jié)果來(lái)識(shí)別出每一種用電設(shè)備的工作狀態(tài)。

4 仿真過(guò)程

選取某一用戶(hù)的12種用電設(shè)備：電吹風(fēng)、冰箱、電腦、熱水袋、電熱油汀、微波爐、電飯鍋、電水壺、取暖器、電磁爐、電風(fēng)扇、空調(diào)作為試驗(yàn)對(duì)象，單獨(dú)對(duì)每一種用電設(shè)備的運(yùn)行過(guò)程進(jìn)行監(jiān)測(cè)，包括從開(kāi)啟至穩(wěn)定、穩(wěn)定到關(guān)閉全過(guò)程中的功率、電流和電壓的波動(dòng)情況等，進(jìn)行特征篩選并建立特征數(shù)據(jù)庫(kù)。

以電熱油汀、取暖器、電水壺、電飯鍋為例，運(yùn)用本文中的優(yōu)化算法，計(jì)算各穩(wěn)態(tài)、暫態(tài)事件的各特征值與數(shù)據(jù)庫(kù)中特征值的相似度，從而成功辨識(shí)各電器。

圖2為實(shí)驗(yàn)中采集到的總線(xiàn)上的總體負(fù)荷圖，圖3至圖6則分別為分解出的各個(gè)電器的負(fù)荷圖。實(shí)驗(yàn)結(jié)果表明改進(jìn)后的識(shí)別法的分類(lèi)識(shí)別率高，證明了本文算法的辨識(shí)有效性。

圖2 總體負(fù)荷圖

圖3 電熱油汀負(fù)荷分解效果圖

圖4 取暖器負(fù)荷分解效果圖

圖5 電水壺負(fù)荷分解效果圖

圖6 電飯鍋負(fù)荷分解效果圖

5 結(jié)論

(1)通過(guò)對(duì)用電設(shè)備暫態(tài)和穩(wěn)態(tài)過(guò)程的研究，從電壓和電流暫穩(wěn)態(tài)、功率等多角度出發(fā)，進(jìn)行電器特征量的提取，以特征空間中的類(lèi)內(nèi)和類(lèi)間相似度為依據(jù)，建立特征庫(kù)，從而辨識(shí)出具有更好識(shí)別度的特征量。

(2)處于穩(wěn)態(tài)時(shí)，用電設(shè)備的各個(gè)量都較穩(wěn)定，因此可選取電流奇次諧波相對(duì)基波相位差和電流諧波畸變率，相對(duì)的辨識(shí)性更強(qiáng)。

(3)處于暫態(tài)時(shí)，不同用電設(shè)備的有功功率波動(dòng)很大，因此可選取暫態(tài)波形的沖擊幅度相對(duì)值，能快速識(shí)別出電器類(lèi)型。

(4)將暫態(tài)與穩(wěn)態(tài)特征的相似度結(jié)合起來(lái)，對(duì)用電設(shè)備進(jìn)行研究，建立識(shí)別模型，能保證識(shí)別準(zhǔn)確性。