畢善鈺，戚夢(mèng)逸，俞海猛

（南瑞集團(tuán)（國(guó)網(wǎng)電力科學(xué)研究院）有限公司，江蘇 南京 211106）

隨著電力系統(tǒng)計(jì)量自動(dòng)化與智能化水平的提高，用電側(cè)數(shù)據(jù)變得更加容易獲取[1-3]。用電側(cè)數(shù)據(jù)蘊(yùn)含豐富的用戶用電信息，具有較大的數(shù)據(jù)挖掘價(jià)值[4-5]，是當(dāng)前電網(wǎng)公司實(shí)現(xiàn)價(jià)值的重要增長(zhǎng)點(diǎn)[6-8]。但由于電網(wǎng)用戶的廣泛性，用電側(cè)的數(shù)據(jù)量龐大，如何從海量的用電數(shù)據(jù)中挖掘有價(jià)值的信息變得至關(guān)重要。負(fù)荷識(shí)別與用電行為分析是用戶側(cè)數(shù)據(jù)的主要應(yīng)用領(lǐng)域，可實(shí)現(xiàn)用戶用電情況的可視化展示，優(yōu)化用戶用電計(jì)劃，從而實(shí)現(xiàn)節(jié)能環(huán)保[9-12]?；诖?，文中應(yīng)用DBN模型進(jìn)行用戶側(cè)數(shù)據(jù)挖掘。在實(shí)現(xiàn)負(fù)荷精準(zhǔn)識(shí)別的基礎(chǔ)上，分析用戶用電行為，為優(yōu)化用電計(jì)劃提供指導(dǎo)。

1 智能用電行為分析架構(gòu)

將深度置信網(wǎng)絡(luò)的人工智能技術(shù)應(yīng)用于家庭用戶用電行為分析，構(gòu)建其系統(tǒng)架構(gòu)，如圖1所示[13-16]?；谌斯ぶ悄芗夹g(shù)的用電行為分析架構(gòu)主要包括離線訓(xùn)練與在線分析兩個(gè)部分。

圖1 基于人工智能技術(shù)的用電行為分析架構(gòu)

1）離線訓(xùn)練：利用負(fù)荷關(guān)口歷史數(shù)據(jù)，通過(guò)事件檢測(cè)識(shí)別家庭電器的開(kāi)啟事件與關(guān)閉事件，提取負(fù)荷電氣量特征；通過(guò)DBN模型訓(xùn)練，實(shí)現(xiàn)負(fù)荷特征庫(kù)的構(gòu)建。

2）在線分析：利用負(fù)荷關(guān)口實(shí)時(shí)數(shù)據(jù)，通過(guò)事件檢測(cè)與特征提取，將負(fù)荷特征集作為已完成訓(xùn)練并滿足精度要求的DBN網(wǎng)絡(luò)輸入數(shù)據(jù)，從而得到負(fù)荷識(shí)別結(jié)果，進(jìn)一步實(shí)現(xiàn)負(fù)荷用電時(shí)間、用電量、用電成本分析等用電行為分析功能。

2 負(fù)荷識(shí)別技術(shù)

家庭負(fù)荷識(shí)別技術(shù)包括事件檢測(cè)、特征提取和特征庫(kù)的構(gòu)建3個(gè)方面。

2.1 事件檢測(cè)

負(fù)荷識(shí)別的基礎(chǔ)是對(duì)電器運(yùn)行的有功功率進(jìn)行穩(wěn)態(tài)分析、事件檢測(cè)，進(jìn)而判斷設(shè)備的類型。以變頻空調(diào)運(yùn)行的有功功率為例，其包含變頻空調(diào)開(kāi)啟與關(guān)閉事件，如圖2所示。事件發(fā)生前后電器穩(wěn)定運(yùn)行狀態(tài)分別稱為前、后穩(wěn)態(tài)，見(jiàn)2圖中深色部分。

事件檢測(cè)的基本原理是根據(jù)前后穩(wěn)態(tài)的功率差值進(jìn)行判斷的。如圖2（a）所示，負(fù)荷開(kāi)啟事件中，前、后穩(wěn)態(tài)有功功率差值為120 W，根據(jù)該值可以初步判定設(shè)備類型，因差值為正值，故判斷為開(kāi)啟事件。如圖2（b）所示，負(fù)荷關(guān)閉事件中，前后穩(wěn)態(tài)的有功功率差值為-1 050 W，則判斷為關(guān)閉事件。

圖2 變頻空調(diào)事件檢測(cè)原理

在事件檢測(cè)原理的基礎(chǔ)上，文中采用基于功率滑動(dòng)窗口的事件檢測(cè)方法，其主要包括功率突變檢測(cè)與啟停事件檢測(cè)。

1）功率突變檢測(cè)

功率突變檢測(cè)的目的是初步判斷是否發(fā)生功率突變情況，并確定功率發(fā)生突變的時(shí)間點(diǎn)，判斷是否發(fā)生功率突變的依據(jù)是，功率序列的方差與平均值是否大于閾值。

對(duì)于如下所示的功率序列：

式中，Pt為檢測(cè)點(diǎn)t所采集的功率序列；Pt為檢測(cè)點(diǎn)t的功率；N為檢測(cè)點(diǎn)左右兩側(cè)的窗口長(zhǎng)度；Pt-n為檢測(cè)點(diǎn)t左側(cè)第n個(gè)點(diǎn)的功率；Pt+n為檢測(cè)點(diǎn)t右側(cè)第n個(gè)點(diǎn)的功率。

計(jì)算功率序列的功率平均值，如下式：

計(jì)算功率序列的方差，如下式：

式中，St為檢測(cè)點(diǎn)t功率序列Pt的方差。

判斷是否發(fā)生功率突變的依據(jù)，如下所示：

式中，λ為功率突變判斷閾值控制參數(shù)。

2）啟停事件檢測(cè)

啟停事件檢測(cè)是在發(fā)生功率突變的基礎(chǔ)上，進(jìn)一步判斷是否發(fā)生負(fù)荷啟停事件或負(fù)荷正常的功率波動(dòng)。判斷是否發(fā)生啟停事件的依據(jù)是功率突變點(diǎn)前后穩(wěn)態(tài)功率差值是否大于閾值。

考慮負(fù)荷穩(wěn)態(tài)運(yùn)行時(shí)功率存在微小波動(dòng)，文中以功率突變點(diǎn)前M個(gè)點(diǎn)的功率平均值作為功率突變前的穩(wěn)態(tài)功率，計(jì)算方法如下：

式中，PB為功率突變點(diǎn)前的穩(wěn)態(tài)功率。

以功率突變點(diǎn)后M個(gè)點(diǎn)的功率平均值作為功率突變后的穩(wěn)態(tài)功率，計(jì)算方法如下：

判斷是否啟停事件的依據(jù)，如下：

式中，Pθ為啟停事件判斷功率閾值。

2.2 特征提取

負(fù)荷運(yùn)行的電氣特征包括暫態(tài)特征與穩(wěn)態(tài)特征，提取暫態(tài)特征對(duì)于數(shù)據(jù)采集系統(tǒng)的采集頻率、存儲(chǔ)空間、計(jì)算速度的要求極高，不適用于家庭負(fù)荷識(shí)別場(chǎng)景[17]。因此，文中提取負(fù)荷的穩(wěn)態(tài)特征。

文中提取的負(fù)荷穩(wěn)態(tài)特征包括穩(wěn)態(tài)功率與穩(wěn)態(tài)電流諧波值。在事件檢測(cè)的基礎(chǔ)上，以負(fù)荷啟動(dòng)前后的功率差值作為負(fù)荷運(yùn)行的穩(wěn)態(tài)功率，以負(fù)荷啟動(dòng)前后的電流差值作為負(fù)荷運(yùn)行的穩(wěn)態(tài)電流，并計(jì)算負(fù)荷電流的諧波總畸變率（Total Harmonics Distortion，THD）。

2.3 構(gòu)建特征庫(kù)

構(gòu)建負(fù)荷特征庫(kù)的目的是實(shí)現(xiàn)負(fù)荷特征參數(shù)與負(fù)荷類型的映射關(guān)系。文中利用DBN模型自動(dòng)學(xué)習(xí)負(fù)荷特征參數(shù)與負(fù)荷類型的映射關(guān)系，DBN模型的訓(xùn)練流程如圖1左側(cè)所示。

3 用戶用電行為分析

在家庭負(fù)荷識(shí)別的基礎(chǔ)上，文中進(jìn)行用戶用電行為分析，分類統(tǒng)計(jì)負(fù)荷用電時(shí)間、用電量與用電費(fèi)用。

3.1 負(fù)荷用電時(shí)間統(tǒng)計(jì)

在事件檢測(cè)到負(fù)荷開(kāi)啟與關(guān)閉事件時(shí)，并進(jìn)行負(fù)荷識(shí)別后，記錄該類型負(fù)荷的累計(jì)開(kāi)啟與關(guān)閉次數(shù)。在記錄該類型負(fù)荷的用電時(shí)間包括用電時(shí)間序列與總用電時(shí)間。

負(fù)荷總用電時(shí)間計(jì)算，如下：

式中，Ti為 i類型負(fù)荷的總用電時(shí)間；TOff，i，g為 i類型負(fù)荷第 g 次用電的關(guān)閉時(shí)間；TOn，i，g為 i類型負(fù)荷第g次用電的開(kāi)啟時(shí)間。

3.2 負(fù)荷用電量統(tǒng)計(jì)

按不同類別負(fù)荷分別計(jì)算負(fù)荷的用電量，負(fù)荷電量計(jì)算如下：

式中，Ei為 i類型負(fù)荷的總用電量；Pi，g為 i類型負(fù)荷第g次用電功率。其計(jì)算方式如下：

式中，PB，i，g為 i類型負(fù)荷第 g次用電啟動(dòng)事件前負(fù)荷總功率；PA，i，g為i類型負(fù)荷第g次用電啟動(dòng)事件后負(fù)荷總功率。

3.3 負(fù)荷用電費(fèi)用統(tǒng)計(jì)

可以結(jié)合實(shí)時(shí)電價(jià)或分時(shí)電價(jià)計(jì)算不同負(fù)荷的用電費(fèi)用。計(jì)算方法如下：

式中，Ci為i類型負(fù)荷的總用電費(fèi)用；cg為第g次用電。

4 算例分析

文中實(shí)驗(yàn)仿真環(huán)境：處理器為Intel Core i7-8550，CPU主頻為1.99 GHz，內(nèi)存為16 GB，所使用軟件平臺(tái)Python 3.5。以某居民用電數(shù)據(jù)進(jìn)行仿真數(shù)據(jù)，采用上述事件檢測(cè)方法對(duì)該居民家中的用電情況進(jìn)行檢測(cè)。共采集到765次負(fù)荷啟停事件，提取每次負(fù)荷啟停事件的前后穩(wěn)態(tài)功率差值及根據(jù)每次負(fù)荷啟停事件的前后電流差值計(jì)算諧波THD[18]。以功率差值與諧波THD作為負(fù)荷特征數(shù)據(jù)集，將其按訓(xùn)練集與測(cè)試集4：1的比例進(jìn)行DBN模型訓(xùn)練。

1）負(fù)荷識(shí)別結(jié)果分析

為對(duì)比所提出算法的有效性與正確性，將常見(jiàn)的人工智能算法的負(fù)荷識(shí)別性能與提出算法進(jìn)行對(duì)比分析。進(jìn)行對(duì)比分析的其他人工智能算法包括支持向量機(jī)（Support Vector Machine，SVM）與BP神經(jīng)網(wǎng)絡(luò)（Back-Propagation Neural Network，BP-NN）。負(fù)荷識(shí)別結(jié)果如表1所示。

表1 不同算法的負(fù)荷識(shí)別準(zhǔn)確率

由表1可知，文中所提出基于DBN的負(fù)荷識(shí)別算法的負(fù)荷識(shí)別準(zhǔn)確率均在95%以上。對(duì)于任意類型負(fù)荷，相比于SVM、BP算法，DBN算法的負(fù)荷識(shí)別準(zhǔn)確率較高。由此可見(jiàn)，所提出基于DBN的負(fù)荷識(shí)別算法具有較高的負(fù)荷識(shí)別準(zhǔn)確率，為實(shí)現(xiàn)用電行為分析提供良好基礎(chǔ)。

2）用戶用電行為分析

利用文中所提出的負(fù)荷識(shí)別及用電行為分析方法，對(duì)該居民某一天共24 h進(jìn)行用電實(shí)時(shí)檢測(cè)分析，統(tǒng)計(jì)該居民用戶的用電行為，計(jì)算各種負(fù)荷的用電情況，如表2所示。根據(jù)分時(shí)電價(jià)計(jì)算各類型負(fù)荷的用電費(fèi)用占比，如圖3所示。

表2 各類型負(fù)荷的用電情況

圖3 各類型負(fù)荷用電費(fèi)用占比

由表2與圖3可知，用電量及用電費(fèi)用加大的負(fù)荷為空調(diào)、電腦、電磁爐、電視機(jī)與待機(jī)電器，其用電量均大于2 kWh，用電費(fèi)用占比均＞8%?？照{(diào)功率較大，用電較長(zhǎng)，用電費(fèi)用占比將近50%；電磁爐雖然用電時(shí)長(zhǎng)較短但功率較大，因此用電費(fèi)用占比較大；電腦、電視機(jī)與待機(jī)負(fù)荷雖功率較小但用電時(shí)長(zhǎng)較長(zhǎng)，因此為實(shí)現(xiàn)節(jié)能環(huán)保，對(duì)于空調(diào)負(fù)荷可以設(shè)置運(yùn)行于智能模式或定時(shí)模式，減小其用電功率或運(yùn)行時(shí)長(zhǎng)；對(duì)于電腦與電視機(jī)長(zhǎng)時(shí)間未使用時(shí)，可以關(guān)機(jī)或待機(jī)；對(duì)于待機(jī)電器，其平均功率約為100 W，功率較大，用電費(fèi)用占比將近10%，因此需要引起重視，優(yōu)化用電安排。

5 結(jié)論

文中從離線訓(xùn)練與在線分析兩個(gè)方面構(gòu)建了基于人工智能技術(shù)的用戶行為分析架構(gòu)，提出了基于DBN的負(fù)荷識(shí)別方法與用電行為分析方法。通過(guò)仿真算例表明，文中所提出的方法負(fù)荷識(shí)別準(zhǔn)確率均大于95%，相比于傳統(tǒng)智能算法具有更高的準(zhǔn)確性，能夠在線實(shí)現(xiàn)精準(zhǔn)負(fù)荷的識(shí)別。通過(guò)用電行為分析表明，該用戶空調(diào)、電視機(jī)等負(fù)荷用電費(fèi)用較高，且待機(jī)負(fù)荷功率較大并具有良好的節(jié)能優(yōu)化空間，需要結(jié)合用電分析結(jié)果制定合理的用電計(jì)劃。