王愛囡，袁 麓，丁長波，曹高楊，高 鵬

(1.合肥工業(yè)大學(xué) 電子科學(xué)與應(yīng)用物理學(xué)院, 安徽 合肥 230009; 2.億江(北京)信息科技有限公司，北京 100176; 3.西安理工大學(xué) 自動化與信息工程學(xué)院，陜西 西安 710048)

隨著智能電網(wǎng)的快速發(fā)展，電網(wǎng)的應(yīng)變能力和交互能力的智能化水平不斷提高，使需求側(cè)管理越來越重要。電力負(fù)荷監(jiān)測是獲取用戶用電詳細(xì)數(shù)據(jù)的有效方法和手段，正逐漸從研究領(lǐng)域走向應(yīng)用。

電力負(fù)荷監(jiān)測分為直接的侵入式監(jiān)測和非侵入方式，直接方式是利用具有物聯(lián)網(wǎng)功能的新型電器或智能插座獲取負(fù)荷的用電信息，實施成本高，對用戶影響大[1-2]。非侵入式電力負(fù)荷檢測(non-intrusive load monitoring，NILM)是在電力供給的入口處采集線上電流、電壓、功率等電力信號特征，進(jìn)行電器辨識和電能量測，實現(xiàn)對用戶用電情況的精確獲取。具有不打擾用戶，后期加裝方便，成本低的特點。

在眾多的非侵入式電力負(fù)荷識別研究工作中，研究者大多采用瞬態(tài)的事件檢測方法?；谒矐B(tài)的負(fù)荷識別方法是在負(fù)荷投入和切除的瞬間，采集多種特征值進(jìn)行負(fù)荷識別，如利用負(fù)荷瞬態(tài)時的功率[3-4]、Minkowski距離[5]等。但此類研究存在一些缺陷，負(fù)荷的瞬態(tài)特征量不具備線性疊加性，僅適用于單個負(fù)荷投切發(fā)生的情形識別，多個負(fù)荷同時或者時間接近發(fā)生時則不適用。而穩(wěn)態(tài)負(fù)荷識別方法[6]，如基于數(shù)學(xué)規(guī)劃組合優(yōu)化算法[7]，是對已知的負(fù)荷進(jìn)行優(yōu)化組合，從而得出所有負(fù)荷的用電狀態(tài)。這種方法要求已知負(fù)荷的種類和數(shù)量，當(dāng)負(fù)荷數(shù)量增加時，組合的數(shù)量很大，對僅有開、關(guān)兩種狀態(tài)的20種負(fù)荷來說，組合種類達(dá)1 048 576種組合。而且對硬件性能要求很高，非常不利于大規(guī)模推廣使用。其他，如人工神經(jīng)網(wǎng)絡(luò)法[8]，算法學(xué)習(xí)訓(xùn)練時間較長，辨識效率不高；聚類分析方法[9]、整數(shù)劃歸方法[10]等，可識別多種負(fù)荷，但降低了識別的準(zhǔn)確率，并且也需已知所有負(fù)荷種類和特征。

在實際應(yīng)用中，此前算法研究對涉及小功率電器辨識精度提高方面研究和論述較少。此外，在多種非線性類電器同時或間隔很近投切的疊加情況時，如何提高辨識分辨率，是此類研究的一個難點。由此，本文提出一種非侵入電力負(fù)荷監(jiān)測系統(tǒng)的設(shè)計方法，綜合瞬態(tài)與穩(wěn)態(tài)監(jiān)測技術(shù)的優(yōu)勢，采用改進(jìn)的基于滑動窗的雙邊CUSUM算法實現(xiàn)事件檢測，對負(fù)荷事件進(jìn)行在線實時檢測，響應(yīng)速度快，能夠區(qū)分事件的暫態(tài)區(qū)和穩(wěn)態(tài)區(qū)，并且分辨出真正的負(fù)荷事件和負(fù)荷本身的波動，具有突出的抗干擾能力。在負(fù)荷分解與辨識方法上，加入多種電流諧波相關(guān)的穩(wěn)態(tài)特征值，結(jié)合基于TOPSIS的相似度匹配算法，多負(fù)荷疊加辨識效率高，小功率負(fù)荷辨識穩(wěn)定精確，負(fù)載特征值樣本庫在線收集新的負(fù)荷類型，無需訓(xùn)練數(shù)學(xué)模型。在系統(tǒng)設(shè)計方面，采用分布式邊緣計算的技術(shù)架構(gòu)，應(yīng)用于密集的集群用戶，易于實現(xiàn)產(chǎn)品化設(shè)計，性價比高。具有較高的實用性，易于推廣。

1 系統(tǒng)總體設(shè)計

系統(tǒng)總體結(jié)構(gòu)見圖1，主要包括設(shè)備層、量測層、辨識傳輸層、主站層以及顯示設(shè)備。設(shè)備層是在線監(jiān)測對象，即電力線路和線上負(fù)荷。量測層實時采集負(fù)荷辨識以及負(fù)荷計量所需數(shù)據(jù)，包括負(fù)荷采集終端、電壓互感器、電流互感器等設(shè)備。辨識傳輸層接收多路負(fù)荷采集終端數(shù)據(jù)，進(jìn)行負(fù)荷分解、辨識等算法處理，當(dāng)有事件切除時，計算能耗信息，這些數(shù)據(jù)處理結(jié)果通過4G方式傳輸?shù)胶笈_服務(wù)器。辨識傳輸層主要設(shè)備是集中器。主站層主要是服務(wù)器和顯示設(shè)備，安裝有平臺軟件和數(shù)據(jù)庫，主站層下發(fā)對辨識傳輸層、量測層設(shè)備的數(shù)據(jù)指令以及前端軟件的升級指令、更新負(fù)載特征值樣本數(shù)據(jù)庫升級包。顯示設(shè)備如手機APP或者PC瀏覽器，可以查看用戶電器運行狀態(tài)以及各電器的分項、分時段能耗統(tǒng)計報表。

圖1 系統(tǒng)總體結(jié)構(gòu)圖

系統(tǒng)設(shè)計為實時在線監(jiān)測系統(tǒng)，數(shù)據(jù)采集、負(fù)荷事件處理為連續(xù)工作方式，對硬件處理能力要求高，傳輸數(shù)據(jù)量巨大，因此系統(tǒng)采用在用戶側(cè)實現(xiàn)邊緣計算的分布式系統(tǒng)架構(gòu)，負(fù)荷分解與辨識的處理過程由集中器完成，這樣的系統(tǒng)設(shè)計可以實現(xiàn)海量用戶數(shù)的電力負(fù)荷實時監(jiān)測，提升系統(tǒng)效率，減輕云端負(fù)荷。

2 系統(tǒng)硬件設(shè)計

2.1 負(fù)荷采集終端

電力線端的電流、電壓和功率信號在線采集、存儲、預(yù)處理由負(fù)荷監(jiān)測終端實現(xiàn)。其設(shè)計見圖2，由計量芯片ATT7053BU、ARM處理器STM32F407、串口芯片ADM2587和互感器等組成。ATT7053BU具有 SPI，UART 通訊接口，內(nèi)部含三路19 bit sigma-delta ADC模塊，支持2 000∶1的動態(tài)范圍，可以同時得到兩路計量通道的有功功率、無功功率等電能計量參數(shù)，最高采樣頻率高達(dá)14.4 KHz。ARM處理器通過高速SPI接口實時將ATT7053BU采樣計算到的電能計量參數(shù)讀取出來，經(jīng)過數(shù)據(jù)過濾處理，進(jìn)行事件檢測算法進(jìn)行判斷，最終提取出特征數(shù)據(jù)，通過UART接口轉(zhuǎn)換為RS485通信方式發(fā)送給數(shù)據(jù)集器模塊。用戶側(cè)的負(fù)荷監(jiān)測終端部署多個，每戶電表對應(yīng)一個，見圖1。

圖2 負(fù)荷采集終端硬件結(jié)構(gòu)圖

2.2 集中器

集中器連接負(fù)荷采集終端和后端數(shù)據(jù)平臺，具有較強的處理能力和通信能力，負(fù)荷分解與辨識計算過程在集中器完成，最后辨識結(jié)果數(shù)據(jù)發(fā)送到主站服務(wù)器數(shù)據(jù)庫。這種邊緣計算的設(shè)計在大規(guī)模部署時非常重要。見圖3所示，由ARM處理器STM32F407、LTE-4G通信模塊、FLASH存儲器W29N02GV、串口芯片等組成。負(fù)荷特征識別由ARM處理器接收特征值數(shù)據(jù)，通過與負(fù)荷特征值數(shù)據(jù)庫中的數(shù)據(jù)進(jìn)行比對，判斷最終識別結(jié)果，然后通過LTE-4G通信模塊發(fā)送給平臺軟件。

圖3 集中器硬件結(jié)構(gòu)圖

這些數(shù)據(jù)包括負(fù)載辨識結(jié)果、總功耗分解結(jié)果、竊電行為等，上傳至主站服務(wù)器數(shù)據(jù)庫；并將來自服務(wù)器對數(shù)據(jù)采集終端的升級指令及升級軟件包下發(fā)至各數(shù)據(jù)采集分析終端，實現(xiàn)軟件遠(yuǎn)程升級。集中器可連接多個數(shù)據(jù)采集分析終端，缺省支持12個終端。

3 系統(tǒng)算法實現(xiàn)

3.1 數(shù)據(jù)采集與數(shù)據(jù)緩存

系統(tǒng)的工作過程見圖4，首先是數(shù)據(jù)采集與緩存。負(fù)荷采集終端在電力線上實時采集數(shù)據(jù)，包括電流瞬時值i、功率瞬時值p。

負(fù)荷識別時采用的特征值有電流諧波幅值，諧波總畸變率THD等，最高諧波次數(shù)為21次等，根據(jù)Nyquist定律，采樣頻率Fs最小應(yīng)為2 100 Hz，實際應(yīng)用采樣頻率Fs設(shè)置為3 000 Hz。

3.2 事件檢測算法

采集完成后采用CUSUM算法進(jìn)行事件檢測，這是一種變點檢測算法，在很多場合都有使用，例如在機器故障的檢測以及各種信號突變的監(jiān)測等[11]。CUSUM算法優(yōu)勢在于將整個過程小偏移累加起來，起到放大作用，提高小偏移的靈敏度。本系統(tǒng)采用改進(jìn)的基于滑動窗雙邊CUSUM算法[12]實現(xiàn)電流有效值瞬態(tài)變化的較為靈敏的檢測，用于判斷負(fù)荷事件的投切，具有一定的優(yōu)勢。其實現(xiàn)過程如下。

見圖4，從數(shù)據(jù)緩存中獲取一包波形數(shù)據(jù)，包括電流瞬時值和功率瞬時值。與文獻(xiàn)[12]提到的算法不同，本文采用電流有效值檢測與三個數(shù)據(jù)子窗口的方式，電流有效值的使用非常重要，電流有效值延遲了突變，又能兼顧到前后段數(shù)據(jù)。根據(jù)大量測試數(shù)據(jù)，電流有效值的使用有效的增強了小功率負(fù)荷事件檢測的穩(wěn)定性，提高了抗干擾能力。

圖4 系統(tǒng)工作流程圖

(1)

(2)

式中：λ為外界引入的噪聲水平。當(dāng)xn的變化量大于λ時才認(rèn)為有可能有事件的投入或切除。

文獻(xiàn)[12]算法在事件檢測之后，當(dāng)有事件發(fā)生未檢測到時，滑動窗向前移動的策略為p=p+Ld-d，而當(dāng)Ld等于檢測延遲d時，窗口將不再向前移動，陷入死循環(huán)。本文為了解決這一問題，在滑動窗向前移動時，首先判斷Ld是否等于d，當(dāng)不等于時，p=p+Ld-d，當(dāng)?shù)扔跁rp=p+ 1。

圖5 滑動窗雙邊CUSUM算法的演進(jìn)過程

關(guān)于上述參數(shù)λ和閾值Z的選擇問題，文獻(xiàn)[12]提供了一種思路。確定累積和閾值Z的方法見圖6(以投入事件為例)。圖6中，X0是均值計算窗口中計算出的均值，hmin指的是系統(tǒng)能檢測出的最小變化幅度，tn是事件發(fā)生的時刻，Tmax是設(shè)定的檢測事件需經(jīng)過最長的時間。陰影部分的面積即代表閾值Z的大小。

圖6 推算Z的方法

由圖6可得，陰影部分面積為：

Z=(hmin-λ)Tmax

(3)

而在離散采樣系統(tǒng)中：

Z=(hmin-λ)NmaxTs

(4)

式(4)中Nmax為系統(tǒng)允許的最大延遲采樣點數(shù)，Ts為采樣間隔。由于實際電力系統(tǒng)中很多設(shè)備在啟動過程中并非瞬時啟動，上述陰影部分不一定是一個矩形，噪聲水平也比較難以確定。因此引入系數(shù)β1和系數(shù)β2來進(jìn)行修正，其中β1≤1，β2≥1。式(4)可進(jìn)一步改進(jìn)為：

Z=β1(hmin-β2λ)NmaxTs

(5)

在實際系統(tǒng)中根據(jù)對檢測精度的具體要求選擇適當(dāng)?shù)膆min及Tmax對閾值Z進(jìn)行初始化。

3.3 負(fù)荷分解與辨識算法

事件檢測出結(jié)果后，對引起此次檢測事件的負(fù)荷波形分離處理。采用電流瞬時值在波形疊加時進(jìn)行波形分離比功率瞬時值具有更穩(wěn)定優(yōu)勢。圖7和圖8分別為單個典型負(fù)荷的電流瞬時值波形。圖9為多個典型負(fù)荷的電流瞬時值以及電流有效值波形疊加，電流有效值可以對事件發(fā)生的節(jié)點做有效的判斷。即使是小負(fù)荷情況下，比如低于100 W，電流有效值也可以對事件發(fā)生做準(zhǔn)確的檢測，見圖10。

當(dāng)為負(fù)荷投入事件時，分離出的波形由事件后穩(wěn)態(tài)波形減去事件前穩(wěn)態(tài)波形；負(fù)荷切除事件時，分離出的波形由事件前穩(wěn)態(tài)波形減去事件后穩(wěn)態(tài)波形。事件前后相減的波形相位差要為0。波形數(shù)據(jù)分離后，提取各個穩(wěn)態(tài)特征值。與采用單個特征值的負(fù)荷辨識相比，本系統(tǒng)選擇具有較好指證性的參數(shù)，如電流諧波幅值，將主要針對非線性負(fù)荷的辨識。系統(tǒng)采用多個(缺省為8個)特征值是大幅度提高負(fù)荷識別率的重要措施。這種方式將會帶來巨大的運算工作量，因此，算法的效率尤為重要。

提取的電流數(shù)據(jù)特征值包括：有效值、峰值、波峰系數(shù)、基波幅值、3次諧波幅值、5次諧波幅值、7次諧波幅值和電流總諧波畸變率THD[13]。其中有效值、峰值、波峰系數(shù)由電流時域波形計算，電流瞬時值計算各次諧波，最高諧波次數(shù)為21次。

圖7 各電器波形圖(時域)

圖8 各電器波形圖(頻域)

圖9 電流波形與有效值

圖10 電流波形與有效值(小負(fù)荷)

各個特征值的計算如下。

1)電流有效值Irms:

(6)

式中：ik是采集的電流電流瞬時值序列；N為每周期點數(shù)，N=FS/F0，其中FS是采樣頻率，F(xiàn)0是工頻50 Hz。

2)電流峰值Ip：

Ip=max(ik),0≤k≤N

(7)

3)波峰系數(shù)ICF：

(8)

4)電流總諧波畸變率THDi：

(9)

式中：Ih為第h次諧波電流，I1為基波電流，IH為諧波電流含量。

系統(tǒng)采用TOPSIS (Technique for Order Preference by Similarity to an Ideal Solution )算法[14]進(jìn)行負(fù)荷辨識，借助多特征問題的正理想解和負(fù)理想解對各個事件進(jìn)行評價，具有識別效率高，避免訓(xùn)練數(shù)學(xué)模型的特點。

1)根據(jù)各個特征值構(gòu)造判斷矩陣：

(10)

式中：aij(i∈K,j∈M)(K為“負(fù)載樣本特征值數(shù)據(jù)庫”中的樣本數(shù)，M為特征值參數(shù)的種類數(shù))表示接收到的事件特征值樣本的第j個特征參數(shù)與“負(fù)載樣本特征值數(shù)據(jù)庫”中第i個樣本的第j個特征參數(shù)的相似度，其值由下式計算：

(11)

式中：d0是此次事件的特征值樣本，dm是“負(fù)載樣本特征值數(shù)據(jù)庫”中的樣本，a與b是包括d0和dm所有樣本的特征值參數(shù)的最大值和最小值，皆為1行n列的矩陣，n為特征值樣本的參數(shù)個數(shù)。

(12)

vij=ωj·rij,(i∈K,j∈M)

(13)

式中：ωj是第j個特征值樣本的權(quán)重，由以下a)～d)步驟完成。

a)數(shù)據(jù)平移：rij=rij+1。

b)計算j個屬性下第i個樣本的值在此屬性中所占的比重：

(14)

式中：i=1，2，…，n；j=1，2，…，m。

c)計算第j個屬性的熵值：

(15)

式中：k>0，k=1/ln(m)；ej≥0。

d)計算第j個屬性的權(quán)重：

(16)

4)計算理想解x*和負(fù)理想解x-：

(17)

5)計算各負(fù)載匹配樣本到理想解和負(fù)理想解的距離。

a)理想解的距離s*：

(18)

b)負(fù)理想解的距離s-：

(19)

6)計算各負(fù)載匹配樣本對理想解的相對接近度指數(shù)Di：

(20)

可見，0≤Di≤1，各負(fù)載匹配樣本到理想解的距離越小，Di越大，特征值樣本與負(fù)載匹配樣本Ci越相似。

7)求出具有最大接近度指數(shù)的負(fù)載匹配樣本：

Dmax=max(Di)

(21)

Dmax對應(yīng)樣本的負(fù)載類型即就是識別出的引起此次事件發(fā)生的負(fù)載。

當(dāng)Dmax大于等于設(shè)定的閾值時，表示負(fù)載識別成功。當(dāng)Dmax小于設(shè)定的閾值時，表示負(fù)載未識別，將此次事件推送到終端顯示，由用戶進(jìn)行標(biāo)注，并存入“負(fù)荷樣本特征值數(shù)據(jù)庫”，當(dāng)此負(fù)載再次出現(xiàn)時，就能夠成功識別。

當(dāng)此次事件為負(fù)荷投入事件時，將識別結(jié)果存入負(fù)荷監(jiān)測數(shù)據(jù)庫。當(dāng)此次事件為負(fù)荷切除事件時，匹配上一次同負(fù)載的負(fù)荷投入事件，利用負(fù)載運行時間，計算該負(fù)載消耗的電能，將辨識結(jié)果與電能計算的結(jié)果一并存入負(fù)荷監(jiān)測數(shù)據(jù)庫。

4 系統(tǒng)測試與分析

與其它文獻(xiàn)通過算例仿真來驗證算法的有效性不同，本系統(tǒng)經(jīng)過試點測試，在居民小區(qū)為典型應(yīng)用的場景下，進(jìn)行事件檢測、特征值提取以及負(fù)荷辨識。以某小區(qū)為例，現(xiàn)場設(shè)備與居民樓道電表箱并列安裝，每戶電表的進(jìn)線端安裝互感器采集數(shù)據(jù)，試點結(jié)果數(shù)據(jù)通過居民用戶電能app軟件進(jìn)行電器確認(rèn)，中間測試數(shù)據(jù)的抽樣驗證通過電能質(zhì)量分析儀在線采集。30天后，后臺負(fù)荷監(jiān)測數(shù)據(jù)庫得到3.47萬條有效數(shù)據(jù)結(jié)果。其中，在事件檢測系統(tǒng)中，事件發(fā)生的累積和閾值Z設(shè)定為60，最小辨識負(fù)荷為100 W。以居民家中典型的5種電器為例，得到的部分現(xiàn)場數(shù)據(jù)見表1～3。表1為典型樣本庫數(shù)據(jù)，表2為實際測量數(shù)據(jù)的舉例，表3為事件檢測及負(fù)荷辨識結(jié)果的統(tǒng)計。表4是與文獻(xiàn)[12]中算法事件檢測結(jié)果對比統(tǒng)計。表5是與應(yīng)用文獻(xiàn)[15]K-means聚類算法的電器負(fù)載識別結(jié)果對比統(tǒng)計。

表1 典型電器樣本庫舉例

表2 測試數(shù)據(jù)舉例

表3 事件檢測及負(fù)荷辨識結(jié)果統(tǒng)計

表5 電器負(fù)載識別結(jié)果對比統(tǒng)計

由以上數(shù)據(jù)可以看出，本文改進(jìn)的事件監(jiān)測算法對常見家用電器的識別率達(dá)到90%以上或接近?？照{(diào)與電視機識別率相對較低，是因為空調(diào)在啟動時波形波動較大，導(dǎo)致提取的特征值不穩(wěn)定。而液晶電視機屬于小功率電器，當(dāng)整體電路中存在開啟的空調(diào)或者微波爐時，電視機事件容易被大功率電器的波動淹沒，導(dǎo)致事件檢測不到。后續(xù)工作將不斷完善負(fù)荷樣本特征值數(shù)據(jù)庫，解決由于特征值不穩(wěn)定導(dǎo)致識別率低的問題。

5 結(jié) 語

與現(xiàn)有的非侵入式負(fù)荷監(jiān)測算法相比，本文的系統(tǒng)設(shè)計將瞬態(tài)與穩(wěn)態(tài)法結(jié)合，采用改進(jìn)的基于滑動窗的雙邊CUSUM算法進(jìn)一步完善，TOPSIS相似度算法實現(xiàn)高效率的多特征值精確匹配。使事件檢測和負(fù)荷辨識現(xiàn)場在線準(zhǔn)確率提高10%～20%。

系統(tǒng)設(shè)計滿足實際需求，可識別未知負(fù)荷，可通過動態(tài)設(shè)置調(diào)整對非線性、小功率負(fù)荷有效識別。邊緣計算的系統(tǒng)架構(gòu)很好的解決了多特征值參數(shù)的應(yīng)用帶來運算和存儲壓力。

后續(xù)研究將專注于將負(fù)荷監(jiān)測信號處理與用電行為模式識別結(jié)合，融合后臺人工智能算法的結(jié)果，進(jìn)一步提高系統(tǒng)大數(shù)據(jù)的應(yīng)用水平。