安琪， 王占彬， 安國慶，*， 李爭，， 陳賀， 李崢， 王耀強(qiáng)

(1. 河北科技大學(xué)電氣工程學(xué)院， 石家莊 050018； 2. 河北省智能配用電裝備產(chǎn)業(yè)技術(shù)研究院(石家莊科林電氣股份有限公司)， 石家莊 050222)

近年來，隨著智能用電技術(shù)、智能電網(wǎng)、電力需求側(cè)管理方案的興起[1-2]，同時(shí)為了給用戶提供更加綠色可靠的電能、減少電能浪費(fèi)和損耗，提出非侵入式負(fù)荷監(jiān)測(non-intrusive load monitoring，NILM)[3]。NILM系統(tǒng)是通過監(jiān)測用戶進(jìn)線端的電氣信息變化來對(duì)用戶內(nèi)部的用電情況進(jìn)行分析。一方面，NILM系統(tǒng)能夠幫助用戶進(jìn)行家庭能耗判斷，減少資源浪費(fèi)。從管理的角度考慮[4]，可以幫助電力供給側(cè)制訂用能計(jì)劃。傳統(tǒng)的用電負(fù)荷識(shí)別在每個(gè)用電設(shè)備上加裝負(fù)荷識(shí)別模塊的做法使得經(jīng)濟(jì)成本較高，管理不便，安裝和維護(hù)都有較大的局限性[5-6]，與傳統(tǒng)方法相比，NILM更具研究價(jià)值，實(shí)用性較強(qiáng)。

文獻(xiàn)[7]基于電壓-電流(V-I)軌跡特征進(jìn)行特征提取，并為灰色V-I軌跡賦值生成了彩色V-I圖像，最后采用深度學(xué)習(xí)算法對(duì)彩色V-I軌跡圖像進(jìn)行負(fù)荷識(shí)別。文獻(xiàn)[8]使用了基于主成分分析-反向傳播(principal components analysis-back propagation，PCA-BP)神經(jīng)網(wǎng)絡(luò)的多特征融合的策略對(duì)負(fù)荷的V-I軌跡、電流特征、諧波特征和功率特征進(jìn)行了特征融合，最后使用Softmax分類算法完成負(fù)荷辨識(shí)任務(wù)。文獻(xiàn)[9]基于快速傅里葉變換提取了低次諧波的幅值和相位作為特征，使用了裝袋決策樹(bagging decision tree， BDT)算法進(jìn)行了負(fù)荷識(shí)別。文獻(xiàn)[10]使用了有功和無功功率的同時(shí)還加入了15次的奇偶次諧波作為負(fù)荷識(shí)別的特征，采用雙向長短記憶網(wǎng)絡(luò)作為分類器完成負(fù)荷識(shí)別。文獻(xiàn)[11]采用有功功率、基波功率因數(shù)和電壓電流三次諧波含量差作為負(fù)荷識(shí)別特征，通過聚類算法完成對(duì)負(fù)荷的識(shí)別。文獻(xiàn)[12]通過提取負(fù)荷的電壓、電流、有功和無功分層譜軌跡特征圖來達(dá)到對(duì)負(fù)荷進(jìn)行監(jiān)測的目的。文獻(xiàn)[13]在電流波形、功率和諧波特征的基礎(chǔ)上添加了新的諧波特征值作為負(fù)荷識(shí)別特征，采用了遺傳算法實(shí)現(xiàn)了負(fù)荷分解和識(shí)別。文獻(xiàn)[14]在考慮負(fù)荷的電氣特征基礎(chǔ)上加入非電氣特征作為負(fù)荷識(shí)別的輸入，使用隨機(jī)森林算法實(shí)現(xiàn)了負(fù)荷識(shí)別。文獻(xiàn)[15]在負(fù)荷投切的暫態(tài)過程中提取了有功增量和無功增量以及諧波等特征作為廣義回歸神經(jīng)網(wǎng)絡(luò)輸入實(shí)現(xiàn)了負(fù)荷識(shí)別。

上述對(duì)負(fù)荷進(jìn)行特征提取主要考慮負(fù)荷的電壓、電流、有功、無功及相關(guān)信息，當(dāng)使用這些特征作為負(fù)荷識(shí)別模型的輸入時(shí)，存在冗余和可分性較差的特征，使得負(fù)荷識(shí)別模型的識(shí)別性能下降，計(jì)算量增加。為解決提取特征中存在冗余特征和可分性較差的問題，現(xiàn)提出一種基于隨機(jī)森林特征重要性度量的方法對(duì)特征進(jìn)行重要性排序，結(jié)合極限學(xué)習(xí)機(jī)篩選出識(shí)別最佳的特征子集。同時(shí)為了提升模型識(shí)別準(zhǔn)確率，使用遺傳算法優(yōu)化的極限學(xué)習(xí)機(jī)參數(shù)，以實(shí)現(xiàn)負(fù)荷識(shí)別。

1 負(fù)荷穩(wěn)態(tài)電流特征提取

不同負(fù)荷穩(wěn)態(tài)運(yùn)行時(shí)電流信號(hào)的時(shí)域特性和頻域特性各異，通過對(duì)電流信號(hào)的時(shí)域波形和頻譜進(jìn)行分析，可以得到不同負(fù)荷電流信號(hào)特征。選擇的負(fù)荷特征為：時(shí)域特征P1～P16，計(jì)算公式如表1所示；頻域特征P17～P29，計(jì)算公式如表2所示。其中，N和K分別表示時(shí)域樣本點(diǎn)數(shù)和頻率點(diǎn)數(shù)；x(n)表示時(shí)域信號(hào)序列；f(k)表示x(n)的頻譜；fk是第k條譜線的頻率值[16]。

表1 電流時(shí)域特征計(jì)算公式Table 1 Calculation formula of current time domain characteristics

表2 電流頻域特征計(jì)算公式Table 2 Calculation formula of current frequency domain characteristics

表1、表2中，P1，P5～P6和P10～P16是對(duì)時(shí)間序列分布情況的體現(xiàn)；P2～P4和P7～P9是對(duì)幅值和時(shí)域能量大小的體現(xiàn)；P17是對(duì)頻域能量大小的體現(xiàn)；P21，P24～P25是對(duì)主頻信息的體現(xiàn)；P18～P20，P22～P23和P26～P29是對(duì)頻譜的分散或集中程度的體現(xiàn)[17]。

2 非侵入式負(fù)荷識(shí)別算法原理

2.1 隨機(jī)森林特征選擇

隨機(jī)森林(random forest，RF)算法是一種基于決策樹的集成算法。隨機(jī)森林的抽樣方法使得大約1/3的樣本沒有被選中，這部分樣本稱為袋外數(shù)據(jù)[18]。

對(duì)輸入特征進(jìn)行重要性評(píng)價(jià)是隨機(jī)森林算法的一個(gè)重要功能，通過對(duì)不參與決策樹訓(xùn)練的袋外數(shù)據(jù)進(jìn)行擾動(dòng)，計(jì)算其分類準(zhǔn)確率差值來得到特征重要性[19]。具體步驟如下。

步驟1隨機(jī)森林進(jìn)行Bootstrap抽樣，通過抽取K個(gè)樣本數(shù)據(jù)集，生成K棵決策樹，各棵決策樹獨(dú)立生成。

步驟2令k=1，訓(xùn)練決策樹Tk，訓(xùn)練輸入為第k個(gè)數(shù)據(jù)集，計(jì)算第k個(gè)袋外數(shù)據(jù)集的準(zhǔn)確率Lk。

步驟4對(duì)所有樣本數(shù)據(jù)集k=2，3，…，K重復(fù)步驟2、步驟3。

步驟5計(jì)算特征重新排列后的分類準(zhǔn)確率誤差，公式為

(1)

步驟6由式(1)可以得到特征f對(duì)袋外數(shù)據(jù)準(zhǔn)確率的影響程度，公式為

(2)

ef的方差為

(3)

步驟7由式(2)、式(3)計(jì)算特征f重要性，公式為

(4)

步驟8通過式(4)得到全部特征的fVI。

為選擇出最優(yōu)特征子集，對(duì)排序后的特征集每次刪除一個(gè)特征生成特征子集，計(jì)算特征子集的準(zhǔn)確率，最后選擇準(zhǔn)確率最高的作為最優(yōu)特征集。

2.2 極限學(xué)習(xí)機(jī)

極限學(xué)習(xí)機(jī)(extreme learning machine，ELM)是一種隨機(jī)生成權(quán)值和偏置參數(shù)的單隱層前饋神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型，具有較強(qiáng)的泛化能力和快速的計(jì)算能力[20]。

設(shè)N個(gè)訓(xùn)練樣本和輸出標(biāo)簽表示為(xi，ti)，i=1，2，…，N，其中xi=[xi1，xi2，…，xin]T∈Rn，ti=[ti1，ti2，…，tim]T∈Rm，n和m分別為輸入和輸出層節(jié)點(diǎn)數(shù)。ELM的網(wǎng)絡(luò)模型為

(5)

式(5)中：ωi=[ωi1，ωi2，…，ωin]T，為隱含層與輸入層的權(quán)值；βi=[βi1，βi2，…，βin]T，為隱含層與輸出層的權(quán)值；L為隱含層節(jié)點(diǎn)數(shù)；bi為隱含層的偏置。

激活函數(shù)g(x)為

(6)

要使ELM模型的輸出誤差最小逼近N個(gè)訓(xùn)練樣本，需滿足的條件為

(7)

即存在ωi、βi和bi使得

(8)

式(8)矩陣簡化為

Hβ=T

(9)

式(9)中：H為隱含層節(jié)點(diǎn)的輸出矩陣；β為隱含層與輸出層的權(quán)值矩陣；T為期望輸出矩陣。

盡管各個(gè)高校財(cái)務(wù)部門想盡種種辦法，但因每天財(cái)務(wù)部門所能處理的總體業(yè)務(wù)量有限，只能在排隊(duì)時(shí)間和人數(shù)總量上稍微有所限制。財(cái)務(wù)預(yù)約報(bào)銷 “排隊(duì)時(shí)間長、手續(xù)繁瑣、下班時(shí)仍有師生不愿離去”導(dǎo)致報(bào)賬人員辦理報(bào)銷業(yè)務(wù)時(shí)和財(cái)務(wù)人員的矛盾沖突頻發(fā)，探究其根本原因：

H(ω1，ω2，…，ωL，b1，b2，…，bL，x1，x2，…，xL)

(10)

(11)

(12)

式(12)等價(jià)于最小化損失函數(shù)，即

(13)

在極限學(xué)習(xí)機(jī)中，ωi和bi是隨機(jī)給定的參數(shù)，訓(xùn)練過程等價(jià)于求解式(14)，即

(14)

式(14)中：H+為矩陣H的Moore-Penrose廣義逆矩陣。

2.3 遺傳算法優(yōu)化極限學(xué)習(xí)機(jī)

ELM的輸入層到隱含層的權(quán)值ωi和隱含層的偏置bi均為隨機(jī)得到，當(dāng)隨機(jī)值出現(xiàn)零時(shí)節(jié)點(diǎn)失效，會(huì)影響ELM泛化性能[21]。為減小影響，采用遺傳算法(genetic algorithm，GA)優(yōu)化ELM的ωi和bi的步驟如下。

步驟1對(duì)ωi和bi進(jìn)行編碼，得到初始種群，染色體個(gè)體長度取決于參數(shù)個(gè)數(shù)。

步驟3根據(jù)適應(yīng)度值對(duì)染色體進(jìn)行選擇、交叉、變異，得到最優(yōu)的ωi和bi參數(shù)，采用該參數(shù)建立ELM網(wǎng)絡(luò)模型。

2.4 模型評(píng)價(jià)指標(biāo)

使用準(zhǔn)確率和混淆矩陣評(píng)價(jià)識(shí)別結(jié)果。準(zhǔn)確率計(jì)算公式為

(15)

式(15)中：Nture為識(shí)別正確的樣本數(shù)量；Ntotal測試樣本總數(shù)量。

3 非侵入式負(fù)荷識(shí)別流程

非侵入式負(fù)荷識(shí)別流程如圖1所示。

圖1 基于RF-GA-ELM的非侵入式負(fù)荷識(shí)別流程Fig.1 Non-intrusive load identification process based on RF-GA-ELM

首先，采集家用電器高頻穩(wěn)態(tài)電流作為原始信號(hào)，對(duì)原始信號(hào)進(jìn)行時(shí)頻分析，提取16維時(shí)域特征和13維頻域特征作為負(fù)荷特征；其次，對(duì)29維時(shí)頻特征進(jìn)行結(jié)合后向序列選擇的隨機(jī)森林特征優(yōu)選[22]，剔除冗余和可分性較差特征，得到最優(yōu)特征子集；最后，使用遺傳算法對(duì)ELM模型進(jìn)行參數(shù)優(yōu)化，建立RF-GA-ELM非侵入式負(fù)荷識(shí)別模型。

4 算例分析

4.1 數(shù)據(jù)采集與預(yù)處理

實(shí)驗(yàn)采集了11個(gè)家用電器共16種負(fù)荷狀態(tài)的穩(wěn)態(tài)電流數(shù)據(jù)來驗(yàn)證所提模型的可行性和有效性。

使用采樣頻率為6.4 kHz的智能電表進(jìn)行數(shù)據(jù)采集，負(fù)荷包括空調(diào)制冷(L1)、空調(diào)制熱(L2)、微波爐(L3)、熱水器(L4)、熱水壺(L5)、電熱爐(L6)、冰箱(L7)、電磁爐(L8)、電吹風(fēng)(L9)、電飯煲(L10)、洗衣機(jī)(L11)、油煙機(jī)(L12)、電磁爐+熱水壺(L13)、空調(diào)制熱+微波爐(L14)、空調(diào)制冷+熱水壺(L15)、空調(diào)制熱+熱水壺(L16)。每種負(fù)荷狀態(tài)得到300個(gè)穩(wěn)態(tài)電流樣本，對(duì)電流樣本進(jìn)行時(shí)頻分析，提取29個(gè)時(shí)頻特征作為樣本特征。最后，將數(shù)據(jù)集中的訓(xùn)練樣本與測試樣本比例劃分設(shè)置為2∶1。

4.2 隨機(jī)森林特征優(yōu)選

將提取時(shí)頻特征后的數(shù)據(jù)樣本作為隨機(jī)森林輸入，使用隨機(jī)森林進(jìn)行10次特征重要性計(jì)算并取fVI平均值，得到的29個(gè)穩(wěn)態(tài)電流時(shí)頻特征重要性fVI排序如圖2所示。

圖2 29個(gè)穩(wěn)態(tài)電流特征重要性排序Fig.2 Ranking of the importance of 29 steady-state current features

為比較特征對(duì)于ELM識(shí)別準(zhǔn)確率的影響，每次從特征集合中去掉一個(gè)fVI值最小的特征，并計(jì)算該特征子集下的測試樣本在ELM的識(shí)別準(zhǔn)確率，最后從特征集合中選擇識(shí)別準(zhǔn)確率最高的特征子集。

特征子集的識(shí)別準(zhǔn)確率變化曲線如圖3所示，計(jì)算時(shí)間隨特征個(gè)數(shù)變化曲線如圖4所示。

由圖3、圖4可知，當(dāng)選擇全部29維特征作為ELM的輸入，由于多維特征之間存在可分性較差的冗余特征，識(shí)別準(zhǔn)確率僅為76.58%，且計(jì)算耗時(shí)較長。隨著特征數(shù)量減少，計(jì)算時(shí)間呈下降趨勢。在特征集合序列后向選擇的第15次特征選擇中，得到了15維的最優(yōu)特征子集，相對(duì)更小的特征子集，使用最優(yōu)特征子集在計(jì)算耗時(shí)未顯著增加的情況下ELM識(shí)別效果達(dá)到最優(yōu)，識(shí)別準(zhǔn)確率達(dá)到91.92%。

為進(jìn)一步驗(yàn)證隨機(jī)森林特征優(yōu)選的有效性，使用16維時(shí)域特征、13維頻域特征、29維時(shí)頻特征和15維隨機(jī)特征進(jìn)行對(duì)比實(shí)驗(yàn)，對(duì)比實(shí)驗(yàn)結(jié)果如表3所示。

圖3 識(shí)別準(zhǔn)確率隨特征個(gè)數(shù)變化曲線Fig.3 Variation curve of recognition accuracy with the number of features

圖4 計(jì)算時(shí)間隨特征個(gè)數(shù)變化曲線Fig.4 Variation curve of calculation time with characteristic number

表3 不同特征集識(shí)別準(zhǔn)確率比較Table 3 Comparison of recognition accuracy of different feature sets

由對(duì)比實(shí)驗(yàn)可知，在單獨(dú)使用時(shí)域、頻域特征作為輸入時(shí)，負(fù)荷識(shí)別準(zhǔn)確率較低。不使用特征優(yōu)選的特征集識(shí)別準(zhǔn)確率同樣較低?？梢娛褂秒S機(jī)森林算法進(jìn)行特征優(yōu)選能夠有效地選取特征中的重要特征，顯著提升模型的識(shí)別準(zhǔn)確率。

4.3 遺傳算法優(yōu)化極限學(xué)習(xí)機(jī)

為進(jìn)一步提升ELM模型的識(shí)別性能，采用GA對(duì)ELM的權(quán)值和偏置參數(shù)優(yōu)化。GA個(gè)體編碼使用二進(jìn)制編碼。GA進(jìn)化曲線如圖5所示。

圖5 GA進(jìn)化曲線Fig.5 Evolution curve of GA

由進(jìn)化曲線可知，GA迭代55次后收斂，得到最優(yōu)權(quán)值和偏置。將優(yōu)化后權(quán)值和偏置作為ELM模型參數(shù)，并將經(jīng)過特征選擇的15維特征子集作為RF-GA-ELM模型輸入進(jìn)行負(fù)荷識(shí)別。

4.4 負(fù)荷識(shí)別模型對(duì)比

使用RF-GA-ELM模型對(duì)家用電器的16類負(fù)荷狀態(tài)進(jìn)行識(shí)別，識(shí)別的混淆矩陣如圖6所示，可以看出，所提模型在洗衣機(jī)L11、油煙機(jī)L12上出現(xiàn)少量誤分類情況，這是由于兩種負(fù)荷的電流時(shí)頻特征相似程度高導(dǎo)致了模型誤分類。計(jì)算可得所提模型整體識(shí)別準(zhǔn)確率高達(dá)98.94%。

為進(jìn)一步驗(yàn)證所提模型的負(fù)荷識(shí)別性能，GA-ELM與RF-GA-ELM進(jìn)行對(duì)比。模型輸入為原始29維時(shí)頻特征。GA-ELM的識(shí)別混淆矩陣如圖7所示。

圖6 RF-GA-ELM識(shí)別混淆矩陣Fig.6 RF-GA-ELM recognition confusion matrix

圖7 GA-ELM識(shí)別混淆矩陣Fig.7 GA-ELM recognition confusion matrix

由混淆矩陣圖7可知，未進(jìn)行特征選擇的GA-ELM由于存在可分性較差的特征對(duì)多種負(fù)荷產(chǎn)生了誤分類，整體識(shí)別準(zhǔn)確率為92.25%。

綜上分析，加入特征選擇的RF-GA-ELM較不進(jìn)行特征選擇的GA-ELM識(shí)別準(zhǔn)確率提升了6.69%?？梢娂尤胩卣鬟x擇對(duì)GA-ELM識(shí)別準(zhǔn)確率有較大的提升。同時(shí)所提模型單次識(shí)別時(shí)間0.008 3 s，具有較低的計(jì)算成本使得本模型更適合進(jìn)行負(fù)荷識(shí)別的實(shí)際應(yīng)用。

5 結(jié)論

針對(duì)現(xiàn)有負(fù)荷識(shí)別模型特征冗余度高、可分性較差的問題，提出一種基于RF-GA-ELM的負(fù)荷識(shí)別模型，提高負(fù)荷識(shí)別準(zhǔn)確率。首先利用結(jié)合后向序列選擇的隨機(jī)森林算法對(duì)29個(gè)電流信號(hào)時(shí)頻特征進(jìn)行優(yōu)選，減少特征冗余度，然后利用RF-GA-ELM模型對(duì)11個(gè)家用電器共16種負(fù)荷狀態(tài)進(jìn)行識(shí)別。對(duì)比實(shí)驗(yàn)證明，采用RF-GA-ELM模型識(shí)別準(zhǔn)確率可達(dá)98.94%，較傳統(tǒng)模型準(zhǔn)確率提高了6.69%，同時(shí)識(shí)別時(shí)間僅為0.008 3 s。上述結(jié)果表明：隨機(jī)森林特征優(yōu)選可有效減少冗余和可分性較差的特征，提升模型的負(fù)荷識(shí)別效果;遺傳算法對(duì)極限學(xué)習(xí)機(jī)的權(quán)值和偏置的參數(shù)尋優(yōu)可以避免參數(shù)隨機(jī)生成帶來的不穩(wěn)定性，對(duì)提升模型的識(shí)別準(zhǔn)確率有重要意義。