郇嘉嘉，汪超群，洪海峰，隋 宇，余夢(mèng)澤，潘險(xiǎn)險(xiǎn)

(1.廣東電網(wǎng)有限責(zé)任公司電網(wǎng)規(guī)劃研究中心，廣州 510080；2.浙江大學(xué)電氣工程學(xué)院，杭州 310007)

非侵入式負(fù)荷識(shí)別(non-intrusive load monitor-ing，NILM)是分析居民用戶用電行為的主要工具，其通過安裝于用戶電源入口處的數(shù)據(jù)采集與通信裝置，完成重要電氣信息的采集、存儲(chǔ)與分析等功能，進(jìn)而實(shí)現(xiàn)用戶內(nèi)部各用電設(shè)備運(yùn)行狀態(tài)和能耗大小的準(zhǔn)確感知[1-2]。相對(duì)于傳統(tǒng)侵入式監(jiān)測(cè)為每臺(tái)電器設(shè)備安裝分析裝置，NILM無須深入用戶內(nèi)部即可掌握各類設(shè)備的用電情況，一方面減少了相關(guān)硬件的投資，另一方面也免去了對(duì)現(xiàn)有電器線路的改造及維護(hù)工作，在很大程度上保護(hù)了用戶的隱私[3]。NILM在能效監(jiān)測(cè)、故障診斷、負(fù)荷建模以及需求響應(yīng)等領(lǐng)域均有大量應(yīng)用[4]，特別是其提供的用能信息對(duì)于用戶了解自身能耗構(gòu)成、引導(dǎo)其合理用電進(jìn)而實(shí)現(xiàn)節(jié)能降損、減少電費(fèi)開支具有重要價(jià)值[5-6]。因此，近年來NILM受到了業(yè)界的廣泛關(guān)注與大力支持，相關(guān)研究工作也取得了重大進(jìn)展[7-8]。

NILM的流程可分為數(shù)據(jù)采集、特征提取、模型訓(xùn)練以及在線識(shí)別等環(huán)節(jié)。其中，特性提取與模型訓(xùn)練直接影響算法的識(shí)別精度。特征提取是指利用數(shù)字信號(hào)處理技術(shù)或電路分析理論從采集的電氣信號(hào)中提煉出有價(jià)值的指標(biāo)，用以區(qū)分不同類別的電器設(shè)備。常用的指標(biāo)包括數(shù)值特征和圖像特征兩類[9]。數(shù)值特征通常分為電壓、電流、諧波和功率等指標(biāo)，圖像特征則以電壓-電流(V-I)軌跡為主[10]。模型訓(xùn)練的作用是根據(jù)提取到的特征以及對(duì)應(yīng)的設(shè)備標(biāo)簽，利用邏輯回歸、機(jī)器學(xué)習(xí)等工具建立輸入與輸出之間的關(guān)聯(lián)，從而驅(qū)動(dòng)在線識(shí)別環(huán)節(jié)對(duì)用戶負(fù)荷進(jìn)行實(shí)時(shí)細(xì)分。模型訓(xùn)練一般有隨機(jī)森林、決策樹、支持向量機(jī)、k-近鄰、神經(jīng)網(wǎng)絡(luò)等分類方法[11]，各方法的訓(xùn)練和識(shí)別效果各異，除與方法自身性質(zhì)有關(guān)外，主要受所采用的電氣特征的影響。

文獻(xiàn)[12]根據(jù)電流的可加性原理，建立了負(fù)荷分離模型，然后利用貝葉斯分類網(wǎng)絡(luò)和自動(dòng)尋優(yōu)技術(shù)實(shí)現(xiàn)了負(fù)荷的在線精準(zhǔn)辨識(shí)。文獻(xiàn)[13]在分析各類電器設(shè)備功率、電流和諧波等特征的基礎(chǔ)上，采用主成分分析方法對(duì)高維特征空間進(jìn)行降維處理，然后與整數(shù)線性規(guī)劃方法相結(jié)合，建立了考慮多特征目標(biāo)函數(shù)的NILM模型。文獻(xiàn)[14]基于離散傅里葉變換提取了電流的基波和各次諧波特征，并對(duì)比了4種負(fù)荷分類模型。計(jì)算結(jié)果驗(yàn)證了將諧波用于負(fù)荷分類的有效性，但是該特征僅反映負(fù)載的非線性特性，導(dǎo)致多狀態(tài)負(fù)荷的識(shí)別效果較差[9]。文獻(xiàn)[15]利用局部平均分解算法對(duì)采集到的混合信號(hào)進(jìn)行負(fù)荷分離，并通過智能學(xué)習(xí)方法提取了獨(dú)立負(fù)荷特征?？紤]到傳統(tǒng)分類方法的局限性，該文獻(xiàn)將電流波形轉(zhuǎn)化為二維圖像，通過卷積神經(jīng)網(wǎng)絡(luò)的強(qiáng)大學(xué)習(xí)能力，有效提升了負(fù)荷辨識(shí)的準(zhǔn)確性。相對(duì)于文獻(xiàn)[15]采用電流特征，文獻(xiàn)[16]則將電壓和電流采樣數(shù)據(jù)繪制為二維V-I軌跡，然后采用歸一化方法將其映射為二值灰色圖像。雖然二值圖像所蘊(yùn)含的電氣信息更加全面，但是低分辨率圖像和歸一化處理方式仍不可避免地會(huì)丟失大量有用信息，特別是傳統(tǒng)淺層學(xué)習(xí)方法無法充分挖掘圖像的高級(jí)特征，因此其負(fù)荷識(shí)別的準(zhǔn)確率仍有進(jìn)一步提升的空間。

區(qū)別于以上特征提取和辨識(shí)方法，現(xiàn)提出一種基于圖像編碼與深度學(xué)習(xí)的非侵入式負(fù)荷識(shí)別方法。該方法將數(shù)值特征與圖像特征相結(jié)合，利用深度學(xué)習(xí)在圖像識(shí)別領(lǐng)域的突出優(yōu)勢(shì)，盡可能挖掘電氣信號(hào)中蘊(yùn)含的重要信息。主要做法是：首先在灰色V-I圖像的基礎(chǔ)上，利用雙線性插值實(shí)現(xiàn)V-I像素點(diǎn)的連續(xù)，并采用圖像編碼技術(shù)分別構(gòu)造電流(R)、電壓(G)和相位(B)3個(gè)通道，從而形成像素連續(xù)的彩色V-I圖像。然后，采用AlexNet算法[17]對(duì)彩色V-I圖像進(jìn)行深度學(xué)習(xí)，通過多層卷積、池化等操作逐層提取V-I圖像的高級(jí)抽象信息，進(jìn)一步提高負(fù)荷識(shí)別的準(zhǔn)確率。最后，采用PLAID公共數(shù)據(jù)集對(duì)所提方法進(jìn)行有效性測(cè)試。

1 像素點(diǎn)連續(xù)的V-I彩色圖像編碼

V-I軌跡是指穩(wěn)態(tài)周期內(nèi)由一系列電壓、電流采樣點(diǎn)繪制而成的二維圖像。對(duì)于大多數(shù)不同工作原理的電器設(shè)備，V-I軌跡呈現(xiàn)的形狀存在較大的差異，因此可從中提取各種形狀參數(shù)(例如面積、曲率、自相交點(diǎn)數(shù)量、循環(huán)方向等)并將其作為區(qū)分不同類別電器設(shè)備的依據(jù)。由于形狀參數(shù)的提取難度較大，且降維后的參數(shù)無法全面反映其原始信息，鑒于此，文獻(xiàn)[16]通過網(wǎng)格化的方法在盡可能保留形狀信息的同時(shí)將V-I軌跡映射為二值灰色圖像，利用該圖像直接進(jìn)行負(fù)荷識(shí)別。相比提取形狀參數(shù)，構(gòu)造二值灰色圖像的過程更簡(jiǎn)單，同時(shí)對(duì)原始信息的保留程度更高，因而負(fù)荷識(shí)別的準(zhǔn)確率也得到了進(jìn)一步提升。

1.1 連續(xù)V-I圖像映射方法

考慮到V-I圖像在映射過程中可能出現(xiàn)像素點(diǎn)間斷的現(xiàn)象，不利于進(jìn)行后續(xù)訓(xùn)練和識(shí)別。為此，采用雙線性插值技術(shù)對(duì)傳統(tǒng)映射方法進(jìn)行了改進(jìn)，具體流程如下。

(1)利用電流鉗、電壓探針以及高頻示波器組成的采樣系統(tǒng)對(duì)某臺(tái)電器設(shè)備的電壓、電流波形進(jìn)行高頻采樣，得到穩(wěn)態(tài)運(yùn)行周期內(nèi)M個(gè)電壓-電流采樣點(diǎn)(vm,im)，m=1,2,…,M。

(2)給定網(wǎng)格或圖像的分辨率為N×N，若將所有樣本點(diǎn)映射到網(wǎng)格中，那么每個(gè)單元格(像素點(diǎn))的尺寸為

(1)

式(1)中：imin、imax分別為電流采樣值的最小和最大值；vmin、vmax分別為電壓采樣值的最小和最大值；Δi、Δv為每個(gè)單元格(像素點(diǎn))的尺寸。

(3)根據(jù)式(2)計(jì)算映射后相鄰兩個(gè)采樣點(diǎn)之間的距離Dm(m=1,2,…,M)。若Dm>1，表明兩點(diǎn)之間的距離大于單元格的長(zhǎng)度或?qū)挾?，即出現(xiàn)不連續(xù)的現(xiàn)象。此時(shí)需要進(jìn)行插值以補(bǔ)全兩點(diǎn)之間的間隔。為簡(jiǎn)便起見，采用雙線性插值技術(shù)實(shí)現(xiàn)間斷點(diǎn)的填充，具體見式(3)、式(4)。填充后新的樣本點(diǎn)集合記為(vj,ij)，j=1,2,…,J。

(2)

(3)

(4)

式中：Km=?Dm」為第m和(m+1)個(gè)采樣點(diǎn)之間需補(bǔ)充的插值點(diǎn)個(gè)數(shù)，?」表示向下取整；(v′m+k,i′m+k)為填充的第k個(gè)插值點(diǎn)，k=1,2,…,Km。

(4)根據(jù)式(5)計(jì)算樣本點(diǎn)(vj,ij)的映射坐標(biāo)，即

(5)

(5)構(gòu)造維度為N×N的零矩陣，然后從第一個(gè)樣本點(diǎn)開始逐一取出所有點(diǎn)的坐標(biāo)，并將矩陣中第rj行第cj列元素置1，直至最后一個(gè)樣本點(diǎn)。所得到的矩陣即為像素點(diǎn)連續(xù)的坐標(biāo)矩陣。

依據(jù)上述方法，可得到某臺(tái)熒光燈設(shè)備的灰色V-I圖像如圖1所示，圖像分辨率為32×32?？梢钥吹?，采用傳統(tǒng)映射方法得到的V-I圖像出現(xiàn)了像素點(diǎn)不連續(xù)的現(xiàn)象，而采用本文方法得到的圖像則不存在這一問題。該結(jié)果說明了上述圖像構(gòu)造方法的有效性。

圖1 某熒光燈的二值V-I灰色圖像

1.2 彩色V-I圖像的編碼方法

分析1.1節(jié)可知，各類電器設(shè)備在形成V-I圖像的過程中均對(duì)電壓和電流信號(hào)進(jìn)行了歸一化處理[式(1)]，且每個(gè)像素點(diǎn)僅用0或1兩種狀態(tài)表示。這種處理方式導(dǎo)致所形成的V-I圖像僅保留了電壓-電流信號(hào)的形狀特征，無法體現(xiàn)設(shè)備之間的數(shù)值差異，尤其是設(shè)備的平均電流、電壓、功率以及相位等數(shù)值特征根本無從體現(xiàn)。例如洗衣機(jī)、空調(diào)的平均電流較大，而白熾燈、計(jì)算機(jī)等設(shè)備的平均電流較小。當(dāng)采用歸一化和映射處理后，所有設(shè)備的電流值均為0或1。顯然，灰色V-I圖像丟失了大量有價(jià)值信息，僅依靠其進(jìn)行負(fù)荷識(shí)別難以大幅提高識(shí)別的精度。因此，有必要將灰色V-I圖像與數(shù)值特征相結(jié)合，利用兩者之間的互補(bǔ)性，增強(qiáng)算法的識(shí)別能力。

如前所述，灰色V-I圖像是一個(gè)單通道的二維像素矩陣。矩陣中每個(gè)點(diǎn)為0或1，分別代表該點(diǎn)是否有V-I軌跡經(jīng)過，而有關(guān)軌跡的大小和方向等信息則無法體現(xiàn)。相比之下，對(duì)于一張彩色圖像，如圖2所示，它由電流(R)、電壓(G)、相位(B)3個(gè)通道疊加而成，每個(gè)通道對(duì)應(yīng)一個(gè)二維矩陣，矩陣中每個(gè)元素可在0～1連續(xù)變化?？梢?，彩色圖像蘊(yùn)含的信息遠(yuǎn)比灰色圖像更加豐富。若能結(jié)合V-I軌跡的形狀特征同時(shí)將數(shù)值信息嵌入RGB通道中，那么就可以將灰色V-I圖像轉(zhuǎn)化為對(duì)應(yīng)的彩色圖像。利用該圖像進(jìn)行分類，無疑會(huì)提升整個(gè)算法的識(shí)別精度。

彩色圖像編碼的核心在于R、G、B矩陣的形成。主要將電流、電壓(功率)以及相位等數(shù)值特征嵌入到對(duì)應(yīng)的通道中，從而形成彩色V-I圖像。

(1)初始化N×N維的A、R、G、B零矩陣。

(2)根據(jù)(vj,ij)和式(5)統(tǒng)計(jì)每個(gè)坐標(biāo)點(diǎn)出現(xiàn)的次數(shù)A(rj,cj)。

(3)構(gòu)造電流R矩陣。逐一取出樣本點(diǎn)(vj,ij)，按式(6)計(jì)算R矩陣中的元素。計(jì)算完成后，按式(7)求每個(gè)坐標(biāo)點(diǎn)的平均值。

R(rj,cj)=R(rj,cj)+f(ij)

(6)

R(rj,cj)=R(rj,cj)/A(rj,cj)

(7)

式中：f(ij)=1/(1+e2ij)，該式用于對(duì)電流信號(hào)進(jìn)行縮放，以保證元素在0～1連續(xù)變化?？s放后，不同設(shè)備之間的電流差異仍能得以保持，同時(shí)避免了因部分設(shè)備電流過大而導(dǎo)致其他設(shè)備電流信息被淹沒的情況出現(xiàn)。

(4)構(gòu)造電壓G矩陣。逐一取出樣本點(diǎn)(vj,ij)，按式(8)計(jì)算G矩陣中的元素。計(jì)算完成后，按式(9)求每個(gè)坐標(biāo)點(diǎn)的平均值。

G(rj,cj)=G(rj,cj)+vj/V

(8)

G(rj,cj)=G(rj,cj)/A(rj,cj)

(9)

同樣，V為所有設(shè)備電壓最大與最小值之差取最大。若采用功率特征，則vj和V分別替換為功率pj和P。其中，pj由pj=vjij計(jì)算得到，P為所有設(shè)備功率的最大值。

(5)構(gòu)造相位B矩陣。逐一取出樣本點(diǎn)(vj,ij)，按式(10)、式(11)計(jì)算B矩陣中的元素。計(jì)算完成后，按式(12)求出每個(gè)坐標(biāo)點(diǎn)的平均值。

B(rj,cj)=B(rj,cj)+θj/2π

(10)

(11)

B(rj,cj)=B(rj,cj)/A(rj,cj)

(12)

式中：θj為相鄰點(diǎn)間相位差；δj=arctan(Δvj/Δij)，Δvj=vj+1-vj，Δij=ij+1-ij，δj∈[-π/2,π/2]。

求得R、G、B矩陣后，將三者疊加即可得到彩色V-I圖像。依據(jù)上述方法，對(duì)圖1中熒光燈設(shè)備各通道矩陣進(jìn)行構(gòu)造，結(jié)果如圖2所示。圖2中，各通道像素點(diǎn)明暗不一致反映了該點(diǎn)所代表數(shù)值(電流、電壓、相位)的大小和差異。正是由于這種差異，合成后的彩色圖像可以蘊(yùn)含更多信息。為進(jìn)一步說明該問題，繪制了PLAID數(shù)據(jù)集中隨機(jī)選取的11類電器設(shè)備的彩色V-I圖像，如圖3所示。可見，雖然圖中大部分設(shè)備的V-I形狀不同，但仍有少數(shù)設(shè)備相似，例如空調(diào)、電風(fēng)扇、吹風(fēng)機(jī)以及白熾燈的V-I形狀較為接近。仔細(xì)觀察可以發(fā)現(xiàn)，上述4類設(shè)備V-I圖像的顏色分布存在較為明顯的差異。這是因?yàn)樗念愒O(shè)備的平均電流、相位等數(shù)值特征不一致，導(dǎo)致對(duì)應(yīng)圖像存在色差。

圖2 某熒光燈各通道V-I圖像及合成后的彩色圖像

圖3 各類電器設(shè)備的彩色V-I軌跡圖像

2 基于改進(jìn)AlexNet的負(fù)荷識(shí)別方法

2.1 算法改進(jìn)

近年來，隨著機(jī)器學(xué)習(xí)的快速發(fā)展，圖像識(shí)別領(lǐng)域涌現(xiàn)出了一系列性能優(yōu)異的算法。特別是在2012年，由Alex開發(fā)的卷積神經(jīng)網(wǎng)絡(luò)算法AlexNet一舉奪得ImageNet大規(guī)模視覺識(shí)別挑戰(zhàn)賽冠軍，這一事件標(biāo)志著圖像識(shí)別領(lǐng)域取得了重大突破。

AlexNet是一類大型、多層卷積神經(jīng)網(wǎng)絡(luò)算法，其基本結(jié)構(gòu)如表1所示。該算法大約有6 000萬個(gè)參數(shù)和65萬個(gè)神經(jīng)元，共分8層，其中前5層為卷積層，后3層為全連接層。在Cifar10、MNIST、ImageNet等數(shù)據(jù)集上，AlexNet均有不俗的表現(xiàn)，尤其是在MNIST手寫數(shù)字識(shí)別中，分類準(zhǔn)確率達(dá)到了99.9%以上。AlexNet出色的性能一方面得益于其通過卷積、池化操作逐層捕獲圖像中的細(xì)節(jié)特征，另一方面則歸功于其應(yīng)用了Dropout、LRN以及最大池化等創(chuàng)新技術(shù)。

表1 AlexNet算法結(jié)構(gòu)

利用AlexNet算法對(duì)V-I圖像進(jìn)行訓(xùn)練識(shí)別。不同于原始算法結(jié)構(gòu)，基于AlexNet的負(fù)荷識(shí)別需要從兩個(gè)方面加以改進(jìn)：一方面，本文負(fù)荷識(shí)別的分類數(shù)為11，即對(duì)11類家電設(shè)備進(jìn)行分類，因此需要將表1中輸出神經(jīng)元個(gè)數(shù)由原來的1 000改為11，以適應(yīng)訓(xùn)練集和測(cè)試集的輸出維度；另一方面，AlexNet默認(rèn)的輸入圖像維數(shù)為224×224，而所構(gòu)造的彩色V-I圖像像素為N×N。當(dāng)N不等于224時(shí)，需要對(duì)V-I圖像的大小進(jìn)行縮放，以匹配其輸入維度。此外，雖然AlexNet最初被設(shè)計(jì)用于識(shí)別ImageNet數(shù)據(jù)集，但是其學(xué)習(xí)到的高級(jí)抽象特征仍可以用于輔助識(shí)別不同類型設(shè)備的V-I軌跡。故此，采用遷移學(xué)習(xí)的方法將預(yù)先訓(xùn)練好的網(wǎng)絡(luò)參數(shù)進(jìn)行復(fù)用，以加快算法的收斂速度。改進(jìn)后的負(fù)荷識(shí)別算法結(jié)構(gòu)如圖4所示。

圖4 改進(jìn)AlexNet負(fù)荷識(shí)別方法

2.2 訓(xùn)練方法

選取交叉熵函數(shù)為最小損失函數(shù)，優(yōu)化方法為自適應(yīng)矩估計(jì)，學(xué)習(xí)速率取1.0×10-3，丟棄率為0.2，批次數(shù)量為100。具體訓(xùn)練步驟如下。

(1)加載預(yù)訓(xùn)練AlexNet模型，并根據(jù)負(fù)荷分類數(shù)，重新配置其輸出神經(jīng)元個(gè)數(shù)。

(2)根據(jù)第1節(jié)中方法，構(gòu)造V-I彩色圖像數(shù)據(jù)集，同時(shí)采用最近鄰方法調(diào)整圖像尺寸，將數(shù)據(jù)集劃分為測(cè)試集和訓(xùn)練集。

(3)將訓(xùn)練集送入AlexNet模型中，以電器類別為標(biāo)簽進(jìn)行有監(jiān)督的學(xué)習(xí)，直至滿足終止條件。

(4)訓(xùn)練完成后，利用測(cè)試集對(duì)算法的識(shí)別能力進(jìn)行有效性檢驗(yàn)。

3 算例測(cè)試及分析

3.1 算例說明

采用PLAID公共數(shù)據(jù)集對(duì)所提負(fù)荷識(shí)別算法進(jìn)行測(cè)試。該數(shù)據(jù)集由55戶家庭的11類共235臺(tái)電器設(shè)備的電壓、電流運(yùn)行采樣數(shù)據(jù)組成，采樣頻率為30 kHz，總樣本數(shù)為1 074組?？紤]到PLAID數(shù)據(jù)集中各類電器設(shè)備的樣本數(shù)相差較大，容易導(dǎo)致部分設(shè)備的識(shí)別效果較差。為此，采用人工少數(shù)類過采樣法(synthetic minority over-sampling technique，SMOTE)對(duì)少數(shù)類樣本進(jìn)行合成擴(kuò)充，擴(kuò)充后的樣本數(shù)為1 925。隨機(jī)選取其中220個(gè)樣本(每類設(shè)備20個(gè)樣本)組成測(cè)試集，剩余1 705個(gè)樣本作為訓(xùn)練集。訓(xùn)練的環(huán)境為IBM 64位兼容機(jī)，內(nèi)存8.0 GB，CPU為Intel Core i7-7700，主頻2.80 GHz。

為評(píng)價(jià)算法的識(shí)別能力，定義了負(fù)荷識(shí)別準(zhǔn)確率(精度)指標(biāo)ε。該指標(biāo)表示分類正確的樣本數(shù)與總測(cè)試樣本數(shù)之比，即

(13)

式(13)中：ntrue為分類正確數(shù)；ntest為總樣本數(shù)。

3.2 參數(shù)優(yōu)選

為獲得負(fù)荷識(shí)別算法的最佳參數(shù)，以訓(xùn)練時(shí)長(zhǎng)和識(shí)別準(zhǔn)確率為衡量標(biāo)準(zhǔn)，通過縱向?qū)Ρ鹊姆椒▽?duì)算法的訓(xùn)練次數(shù)和V-I圖像的像素進(jìn)行了優(yōu)選。當(dāng)分析其中一項(xiàng)參數(shù)對(duì)識(shí)別結(jié)果的影響時(shí)，將另一項(xiàng)參數(shù)固定。

為定量分析訓(xùn)練次數(shù)對(duì)算法性能的影響，繪制了某次測(cè)試過程中識(shí)別精度和損失值隨訓(xùn)練次數(shù)的變化曲線，如圖5所示。整個(gè)測(cè)試用時(shí)約12.5 h，迭代次數(shù)為300次?？梢钥吹剑谟?jì)算初期，隨著訓(xùn)練次數(shù)增加，損失函數(shù)值不斷減小，測(cè)試集的識(shí)別精度也隨之快速增加。當(dāng)訓(xùn)練次數(shù)達(dá)到30次左右，識(shí)別精度即已超過90%，并在后續(xù)訓(xùn)練中開始緩慢增加；當(dāng)訓(xùn)練次數(shù)達(dá)到200次，無論是損失函數(shù)還是測(cè)試集的精度均趨于穩(wěn)定，算法的分類性能將不再發(fā)生大的變化。基于上述分析，將訓(xùn)練次數(shù)設(shè)置為200次，即可在相對(duì)短的時(shí)間內(nèi)獲得較為滿意的識(shí)別效果。

圖5 訓(xùn)練次數(shù)對(duì)算法性能的影響

不同分辨率下負(fù)荷識(shí)別精度盒須圖如圖6所示。由圖6可以直觀地展示負(fù)荷識(shí)別精度的統(tǒng)計(jì)信息，因此能夠客觀地評(píng)價(jià)所提算法的分類性能。盒須圖由“盒”與“須”組成，盒中的橫線表示中位數(shù)，其上下邊界分別表示75%和25%的值。兩條須線分別代表最大和最小值，離群的點(diǎn)則單獨(dú)繪制，用“+”表示。

圖6 不同分辨率下的負(fù)荷識(shí)別精度

分析圖6可知，當(dāng)彩色V-I圖像的分辨率由32增加至128時(shí)，負(fù)荷識(shí)別的精度從95.5%增加到97.7%，而隨著圖像分辨率進(jìn)一步增加，負(fù)荷識(shí)別的精度卻隨之下降，甚至低于分辨率很小時(shí)的精度。這是因?yàn)樵谝欢ǚ秶鷥?nèi)圖像分辨率越高，其所蘊(yùn)含的信息越豐富，較大分辨率相比較小分辨率可以獲得更高的識(shí)別精度。但是過高的圖像分辨率也會(huì)增加隨機(jī)噪聲和擾動(dòng)的影響，從而淹沒有價(jià)值信息，致使負(fù)荷識(shí)別精度不增反降。鑒于此，將V-I圖像的分辨率N設(shè)置為128。

3.3 結(jié)果分析與比較

相對(duì)以往使用灰色V-I圖像進(jìn)行負(fù)荷識(shí)別，提出了基于彩色V-I圖像的負(fù)荷辨識(shí)方法。為說明其優(yōu)勢(shì)，對(duì)比了這兩種測(cè)試場(chǎng)景的識(shí)別結(jié)果，并將其繪制成了混淆矩陣，具體如圖7所示。圖7中，設(shè)備標(biāo)簽1～11分別對(duì)應(yīng)空調(diào)、熒光燈、電風(fēng)扇、冰箱、吹風(fēng)機(jī)、加熱器、白熾燈、計(jì)算機(jī)、微波爐、吸塵器以及洗衣機(jī)11類常用家電設(shè)備。矩陣中的元素代表設(shè)備的數(shù)量，橫坐標(biāo)表示設(shè)備的預(yù)測(cè)類別標(biāo)簽，縱坐標(biāo)表示設(shè)備的真實(shí)類別標(biāo)簽?；煜仃嚨拿恳恍兄捅硎緶y(cè)試集中相應(yīng)設(shè)備的樣本數(shù)，每一列之和表示被預(yù)測(cè)為該類設(shè)備的樣本數(shù)，對(duì)角元?jiǎng)t表示被正確識(shí)別的樣本數(shù)。

圖7 不同特征方案下的混淆矩陣

由圖7可知，使用灰色V-I圖像識(shí)別時(shí)的準(zhǔn)確率為89.1%，而使用彩色V-I圖像識(shí)別時(shí)的準(zhǔn)確率則高達(dá)97.7%。對(duì)比這兩種場(chǎng)景不難得到，空調(diào)、電風(fēng)扇、吹風(fēng)機(jī)、加熱器以及白熾燈的錯(cuò)誤分類數(shù)高是導(dǎo)致灰色V-I圖像識(shí)別準(zhǔn)確率低的直接原因。而結(jié)合圖3可以進(jìn)一步發(fā)現(xiàn)，上述5類設(shè)備的V-I軌跡形狀(即灰色V-I圖像)相似是產(chǎn)生該現(xiàn)象的根本原因。相較而言，使用彩色V-I圖像識(shí)別時(shí)，由于圖像不僅包含了V-I軌跡的形狀信息，而且還嵌入了電流、電壓、相位等數(shù)值信息，因此可以從多個(gè)指標(biāo)維度對(duì)V-I形狀相似的設(shè)備進(jìn)行更加細(xì)致的區(qū)分，從而在極大程度上避免了錯(cuò)誤分類事件的發(fā)生。以上結(jié)果對(duì)比，有力證明了基于彩色圖像編碼的負(fù)荷識(shí)別方法可以充分利用多特征互補(bǔ)的優(yōu)勢(shì)，有效克服單一形狀特征無法全面反映設(shè)備自身屬性的缺點(diǎn)，對(duì)于提高負(fù)荷識(shí)別的準(zhǔn)確率具有重要作用。

負(fù)荷識(shí)別的精度與算法的自身性質(zhì)有關(guān)。選取了6種常見負(fù)荷分類算法，并與本文方法進(jìn)行對(duì)比，結(jié)果如圖8所示。圖8中，KNN、GNB、LR、SVM、DT、RF分別為k-近鄰、貝葉斯、邏輯回歸、支持向量機(jī)、決策樹和隨機(jī)森林算法，所有算法均采用128×128像素的彩色V-I圖像作為負(fù)荷分類的依據(jù)?？梢钥吹剑珹lexNet算法的識(shí)別精度最高，其次是LF和KNN算法。DT、GNB和RF算法的精度相對(duì)較低。SVM在所有分類算法中識(shí)別精度最低，其精度不足40%。以上7種算法的識(shí)別精度對(duì)比驗(yàn)證了AlexNet在負(fù)荷分類中的有效性。

圖8 不同分類算法的負(fù)荷識(shí)別精度

為進(jìn)一步說明本文方法的優(yōu)勢(shì)，將設(shè)備分類結(jié)果與其他文獻(xiàn)中的結(jié)果進(jìn)行比較，具體如表2所示。其中，文獻(xiàn)[18]以奇次諧波為特征進(jìn)行負(fù)荷分類，所采用的算法為多層感知機(jī)模型；文獻(xiàn)[19]基于隨機(jī)森林算法，利用縮減后的有效特征集實(shí)現(xiàn)用能監(jiān)測(cè)；文獻(xiàn)[20]將暫態(tài)與穩(wěn)態(tài)特征相結(jié)合，提出了PCA分類辨識(shí)算法；文獻(xiàn)[9]融合了功率與V-I圖像特征，并成功構(gòu)建了Softmax分類網(wǎng)絡(luò)。由表2可知，除本文方法外，其余文獻(xiàn)對(duì)于空調(diào)、風(fēng)扇以及冰箱等設(shè)備的識(shí)別精度均較低。其原因在于上述三類設(shè)備可以在多種工作模式之間切換，導(dǎo)致其電氣特性復(fù)雜，進(jìn)而增加了負(fù)荷識(shí)別的難度?？紤]到文獻(xiàn)[18]僅依靠諧波特性進(jìn)行分類，未能利用其他特征輔助識(shí)別，因而其識(shí)別精度最差。不同于使用單一特征識(shí)別，文獻(xiàn)[9，19-20]分別提出了多特征融合的負(fù)荷識(shí)別方案，提高了算法的識(shí)別精度。相比以上文獻(xiàn)，本文方法從特征提取和模型訓(xùn)練兩方面加以改進(jìn)，利用彩色圖像編碼與深度學(xué)習(xí)技術(shù)實(shí)現(xiàn)多維、高級(jí)特征的提取與融合，顯著增強(qiáng)了算法的辨識(shí)能力，因此本文方法的負(fù)荷識(shí)別效果優(yōu)于其他4種方法。

表2 不同文獻(xiàn)的設(shè)備識(shí)別精度

3 結(jié)論

提出了一種基于圖像編碼與深度學(xué)習(xí)的電力負(fù)荷智能感知方法。該方法采用雙線性插值技術(shù)實(shí)現(xiàn)了V-I像素點(diǎn)的連續(xù)，同時(shí)結(jié)合多特征互補(bǔ)的優(yōu)勢(shì)，將電流、電壓、相位等數(shù)值特征以不同通道的形式嵌入灰色V-I軌跡中，從而形成了高分辨率的彩色V-I圖像。此外，所提方法借助AlexNet圖像識(shí)別技術(shù)，通過卷積、池化等操作對(duì)彩色V-I圖像進(jìn)行了高級(jí)特征提取。

采用PLAID數(shù)據(jù)集對(duì)本文方法進(jìn)行了測(cè)試。通過測(cè)試，優(yōu)選了負(fù)荷識(shí)別算法的結(jié)構(gòu)參數(shù)，分析了灰色與彩色V-I圖像對(duì)識(shí)別結(jié)果的影響，并進(jìn)一步對(duì)比了本文方法與其他方法的優(yōu)劣。測(cè)試結(jié)果表明，相對(duì)于傳統(tǒng)負(fù)荷識(shí)別方法，基于圖像編碼與深度學(xué)習(xí)的負(fù)荷識(shí)別可以將形狀特征與數(shù)值特征以不同通道在高維空間進(jìn)行深度融合，從而更加全面、立體地揭示了各類電器設(shè)備的本質(zhì)屬性，并最終實(shí)現(xiàn)了負(fù)荷識(shí)別精度的大幅提升。