繆巍巍，曾 锃，王傳君，李世豪，曾文浩

（1.國網(wǎng)江蘇省電力公司信息通信分公司，江蘇 南京 210024；2.南京工程學院，江蘇 南京 211167）

在未來泛在電力物聯(lián)網(wǎng)的建設(shè)中，非侵入式負荷分析能夠提供極大的便利。通過利用該方法，電網(wǎng)管理人員能夠準確有效地獲取用電用戶的用電行為分析，為電網(wǎng)的智能化管理奠定堅實的基礎(chǔ)。同時，非侵入式負荷監(jiān)測實施成本低且對用戶干擾小，通過非侵入式負荷監(jiān)測，電網(wǎng)公司能夠預測各類負荷曲線，協(xié)助電網(wǎng)調(diào)度工作，而用電用戶也可通過非侵入式負荷監(jiān)測，詳細掌握工廠或家庭的用電情況，提升用電的智能程度，因此具有廣泛的應(yīng)用前景[1]。

深度學習作為一種廣泛使用的人工智能技術(shù)，以其較強的泛用性和較高的準確率，獲得了各領(lǐng)域?qū)W者的重點關(guān)注[2-3]。目前，深度學習發(fā)展迅速，并帶動了各類智能化技術(shù)的突破[4]。另外，不少研究單位致力于將深度學習實用化的工作，且取得了顯著的成果。與傳統(tǒng)人工智能技術(shù)只能以CPU為載體不同，深度學習能夠通過使用GPU、FPGA等載體來多線程操作，極大地提高了深度學習的性能[5-7]。使用GPU實現(xiàn)深度學習，一是能夠提高算法的運行速度，二是可以一定程度地降低功耗，且具有較短的技術(shù)研發(fā)周期，在深度學習的工程化、實用化方面具有極大的優(yōu)勢[8]。

傳統(tǒng)的非侵入式負荷監(jiān)測方法，是通過模式識別的方法對負荷特征進行學習和訓練，過程繁瑣，需要的樣本也較大，存在著模型難以求解、準確識別所需的完備負荷特征庫在實際中難以獲得、部分特征往往不滿足疊加或進行數(shù)學運算的問題[9-12]。

1 基于奇異值特征矩陣重構(gòu)的深度學習負荷監(jiān)測

為了解決負荷特征學習和訓練模型難以求解、識別準確率不高的問題，提出一種基于奇異值特征矩陣重構(gòu)的深度學習非侵入式負荷監(jiān)測方法。本方法使用基于奇異值特征矩陣重構(gòu)的方法對信號進行預處理，能夠有效剔除信號中的噪聲與其他干擾信息，并保留信號的特征信息；利用卷積神經(jīng)網(wǎng)絡(luò)算法對重構(gòu)的特征矩陣進行深度學習，實現(xiàn)負荷特征的獲取與識別，能夠有效提高識別的效率和準確率。

本方法首先使用奇異值分解對采集到的混合信號進行負荷分離；其次根據(jù)信號奇異值的大小和特征，設(shè)定奇異值的門限；在此基礎(chǔ)上，保留通過門限的奇異值，及對應(yīng)的左右奇異值向量；再次，由左右奇異值向量構(gòu)建對應(yīng)矩陣，并求對應(yīng)的克羅內(nèi)克積，實現(xiàn)信號的特征矩陣重構(gòu)；最后將大量典型家電的運行電流數(shù)據(jù)轉(zhuǎn)換成數(shù)據(jù)特征圖的形式，并使用卷積神經(jīng)網(wǎng)絡(luò)模型進行訓練，進而建立能夠處理重構(gòu)特征矩陣數(shù)據(jù)的卷積神經(jīng)網(wǎng)絡(luò)模型，從重構(gòu)的特征矩陣中提取獨立負荷特征。

本方法的思想是利用奇異值分解和信號的結(jié)構(gòu)特征，將大量典型家電的運行電流數(shù)據(jù)轉(zhuǎn)換成重構(gòu)特征矩陣，并建立能夠處理重構(gòu)特征矩陣數(shù)據(jù)的卷積神經(jīng)網(wǎng)絡(luò)模型，實現(xiàn)辨識負荷特征的目的。本發(fā)明的方法主要包含的步驟如圖1所示。

圖1 非侵入式負荷檢測流程圖

首先根據(jù)采集到的電流信號的頻率、電流和電壓等特征，對數(shù)據(jù)進行分包，并完成數(shù)據(jù)標準化等操作，將采集到的數(shù)據(jù)形成標準化的數(shù)據(jù)矩陣。

然后，利用奇異值分解算法對標準化的數(shù)據(jù)矩陣進行負荷分離，即：

其中，X（t）為處理前信號，Σ為奇異值對角向量矩陣，U為左奇異值向量矩陣，V為右奇異值向量。

接著，根據(jù)信號奇異值的大小及電流信號的頻率、電流、電壓等特征，以及信號的實際狀態(tài)，設(shè)定奇異值的門限。

其中，η為常數(shù)，根據(jù)信號特征確定。

保留通過門限K的奇異值，構(gòu)建對應(yīng)的對角矩陣Σk，并獲取對應(yīng)的左奇異值向量矩陣Uk，右奇異值向量矩陣Vk。

求左右奇異值向量矩陣Uk、Vk對應(yīng)的克羅內(nèi)克積實現(xiàn)信號的特征矩陣重構(gòu)

然后對卷積神經(jīng)網(wǎng)絡(luò)模型進行訓練，完成網(wǎng)絡(luò)的權(quán)值初始化，并將重構(gòu)的特征矩陣作為卷積神經(jīng)網(wǎng)絡(luò)的輸入。卷積神經(jīng)網(wǎng)絡(luò)輸出的結(jié)果是分類的結(jié)果，即輸入的信號包含哪幾種負荷特征，具體種類的數(shù)量由訓練集的種類數(shù)量決定。

2 卷積神經(jīng)網(wǎng)絡(luò)的配置

經(jīng)過6個卷積層、2個池化層和3個全連接層的向前傳播得到輸出值。

求出網(wǎng)絡(luò)的輸出值與目標值之間的誤差，當誤差大于設(shè)定的期望值時，將誤差傳回網(wǎng)絡(luò)中，依次求得全連接層、下采樣層和卷積層的誤差。各層的誤差可以理解為對于網(wǎng)絡(luò)的總誤差，網(wǎng)絡(luò)應(yīng)承擔多少；當誤差等于或小于設(shè)定的期望值時，結(jié)束訓練。誤差函數(shù)為：

其中，m為樣本個數(shù)，i為第i個樣本，x(i)為第i個系統(tǒng)輸入，hθ（x(i)）為通過卷積網(wǎng)絡(luò)后的輸出即預測值，y(i)為理想輸出即訓練集的實際種類。通過隨機梯度下降算法來減小誤差，逼近分類目標。

根據(jù)求得誤差進行權(quán)值更新，并從重構(gòu)的特征矩陣中提取獨立負荷特征，進而建立能夠處理重構(gòu)特征矩陣數(shù)據(jù)的卷積神經(jīng)網(wǎng)絡(luò)模型。

基于該模型進行提取數(shù)據(jù)特征，從而達到辨識負荷特征的目的。

3 實驗仿真驗證

本實驗使用MTK團隊提供的REDD數(shù)據(jù)集，REDD數(shù)據(jù)集中包含6個不同家庭數(shù)周的電力數(shù)據(jù)，以及其中兩個家庭主電源的高頻電流/電壓數(shù)據(jù)。數(shù)據(jù)本身和用于收集數(shù)據(jù)的硬件文獻中有更詳細的描述。

本實驗選取第3戶用戶在2011年5月30日前的用電數(shù)據(jù)作為訓練數(shù)據(jù)，用2011年6月1日的用電數(shù)據(jù)作為測試數(shù)據(jù)。該用戶主要使用的電器類型有：照明、燃氣設(shè)備、手機電子設(shè)備、冰箱、處置、洗碗機、爐、照明、洗衣機、烘干機、微波爐和個煙霧報警器等，為了實驗簡便，只顯示用電占比前3的電器。某段時間內(nèi)的具體檢測結(jié)果如圖2所示。

在圖2中，CE appliance代表燃氣設(shè)備，Washer dryer代表帶烘干功能的洗衣機，F(xiàn)ridge代表冰箱。從圖2中可以看出，本文算法能夠有效地在復雜數(shù)據(jù)中分析出用戶的具體用電行為，并且獲得每種電器的能量分解。

圖2 用電行為檢測結(jié)果

4 結(jié)束語

本文提出了一種基于奇異值特征矩陣重構(gòu)的深度學習非侵入式負荷監(jiān)測方法，通過利用矩陣特征重構(gòu)的方法，將大量典型家電的運行電流數(shù)據(jù)轉(zhuǎn)換成重構(gòu)特征矩陣的形式，并使用卷積神經(jīng)網(wǎng)絡(luò)模型進行訓練，從重構(gòu)的特征矩陣中提取獨立負荷特征，解決了負荷特征學習和訓練模型難以求解、識別準確率不高的問題，從而達到有效辨識負荷特征的目的。