武 昕，嚴(yán) 萌，郭一凡，黃楷焱，焦 點(diǎn)

（1. 華北電力大學(xué)電氣與電子工程學(xué)院，北京市 102206；2. 北京電力經(jīng)濟(jì)技術(shù)研究院有限公司，北京市 100008）

0 引言

能源革命與工業(yè)物聯(lián)網(wǎng)的發(fā)展促使電力系統(tǒng)的運(yùn)行環(huán)境與產(chǎn)業(yè)模式發(fā)生巨大變革，快速推動(dòng)傳統(tǒng)電網(wǎng)向以新能源為主體的新型電力系統(tǒng)轉(zhuǎn)變［1］，促進(jìn)能源體系由高耗能向低碳綠色轉(zhuǎn)變。靈活調(diào)度需求側(cè)資源能夠推動(dòng)信息與電能的雙向互動(dòng)，進(jìn)一步挖掘需求側(cè)資源的潛力有助于實(shí)現(xiàn)對(duì)清潔能源的高效利用［2］。需求側(cè)用電管理與能效優(yōu)化是保障需求側(cè)資源具有靈活調(diào)節(jié)能力的重要一環(huán)，對(duì)于緩解電力供應(yīng)緊張具有重要意義。負(fù)荷監(jiān)測(cè)是用電管理的關(guān)鍵技術(shù)，有助于提高用戶(hù)用電效率，優(yōu)化需求側(cè)資源配置，同時(shí)也是電網(wǎng)實(shí)現(xiàn)智能化、互動(dòng)化的關(guān)鍵之一［3］。

負(fù)荷監(jiān)測(cè)技術(shù)分為侵入式和非侵入式。由于電網(wǎng)無(wú)法直接實(shí)現(xiàn)對(duì)用戶(hù)負(fù)荷的管理，因此非侵入式負(fù)荷監(jiān)測(cè)技術(shù)的研究逐漸發(fā)展起來(lái)。該技術(shù)只需在入戶(hù)電表處對(duì)總電流、電壓等信息進(jìn)行采集，不會(huì)對(duì)用戶(hù)正常用電造成干擾，由此便可分析得到各負(fù)荷的能效信息［4］。

目前，已對(duì)非侵入式負(fù)荷數(shù)據(jù)的分解辨識(shí)展開(kāi)了深入的研究。文獻(xiàn)［5］將電流波形轉(zhuǎn)換為加權(quán)遞歸圖塊用于負(fù)荷識(shí)別，在工業(yè)數(shù)據(jù)集LILACD 和居民數(shù)據(jù)集PLAID 中進(jìn)行驗(yàn)證，能夠提高負(fù)荷識(shí)別準(zhǔn)確率。文獻(xiàn)［6］提出了一種無(wú)監(jiān)督的負(fù)荷監(jiān)測(cè)結(jié)果標(biāo)注方法，利用少量電器的先驗(yàn)知識(shí)實(shí)現(xiàn)了2 個(gè)家庭負(fù)荷類(lèi)別的標(biāo)注。文獻(xiàn)［7］通過(guò)Karhunen- Loève展開(kāi)的迭代方法提高頻譜分解的分辨率，并利用快速反卷積技術(shù)進(jìn)行功率分解。文獻(xiàn)［8-9］利用顏色編碼將負(fù)荷V-I軌跡轉(zhuǎn)化為視覺(jué)表示，利用預(yù)先訓(xùn)練的神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)負(fù)荷辨識(shí)，在PLAID 和WHITED 數(shù)據(jù)集上均獲得了較高的識(shí)別精度。文獻(xiàn)［10］構(gòu)建多目標(biāo)粒子群對(duì)負(fù)荷分解模型進(jìn)行優(yōu)化，選用WHITED 數(shù)據(jù)集中的常用負(fù)荷生成聚合電流，獲得了較高的分解精度。文獻(xiàn)［11-13］提出了基于多特征、多算法的分解框架，對(duì)于多個(gè)負(fù)荷同時(shí)運(yùn)行的情況分解精度較高。文獻(xiàn)［14-15］將形狀特征、諧波特征和統(tǒng)計(jì)特征用于負(fù)荷辨識(shí)，在不同的場(chǎng)景下均具有較好的辨識(shí)效果。文獻(xiàn)［16］采用對(duì)功率和V-I軌跡進(jìn)行特征提取和融合后的復(fù)合特征進(jìn)行負(fù)荷辨識(shí)。文獻(xiàn)［17］利用設(shè)備使用模式確定了負(fù)荷的先驗(yàn)概率，在Tracebase 數(shù)據(jù)集中的12 個(gè)用戶(hù)和REDD 數(shù)據(jù)集中的6 個(gè)用戶(hù)驗(yàn)證了算法的可行性。

目前的分解辨識(shí)方法依靠預(yù)實(shí)驗(yàn)獲取待監(jiān)測(cè)用戶(hù)負(fù)荷電信號(hào)形成先驗(yàn)特征數(shù)據(jù)，再將待監(jiān)測(cè)負(fù)荷特征與先驗(yàn)特征數(shù)據(jù)進(jìn)行對(duì)比實(shí)現(xiàn)辨識(shí)，一方面造成實(shí)際中工作量大，另一方面通過(guò)針對(duì)性預(yù)實(shí)驗(yàn)訓(xùn)練的分類(lèi)網(wǎng)絡(luò)僅對(duì)樣本數(shù)據(jù)來(lái)源的用戶(hù)是有效的，對(duì)于未進(jìn)行預(yù)實(shí)驗(yàn)的用戶(hù)來(lái)說(shuō)，所用負(fù)荷的品牌、工作狀態(tài)及運(yùn)行環(huán)境繁雜，實(shí)際的負(fù)荷特征參數(shù)與先驗(yàn)特征數(shù)據(jù)差異較大，難以保證預(yù)先訓(xùn)練分類(lèi)網(wǎng)絡(luò)的通用性及可分性，辨識(shí)準(zhǔn)確率明顯下降。

基于此，本文提出構(gòu)建典型居民負(fù)荷的通用性結(jié)構(gòu)化特征圖譜，通過(guò)對(duì)負(fù)荷波形進(jìn)行信息抽取、負(fù)荷特征優(yōu)化融合和特征知識(shí)量化表征形成負(fù)荷特征圖譜，從而將多變無(wú)序的負(fù)荷波形轉(zhuǎn)化為有序可分的結(jié)構(gòu)化特征數(shù)據(jù)。在此基礎(chǔ)上，構(gòu)建負(fù)荷的組合支持向量機(jī)分類(lèi)模型，保證對(duì)同類(lèi)負(fù)荷的通用性和對(duì)不同類(lèi)負(fù)荷的可分性，確保對(duì)不同用戶(hù)均能達(dá)到較高的辨識(shí)精度。

1 問(wèn)題描述及實(shí)現(xiàn)結(jié)構(gòu)

1.1 非侵入式負(fù)荷監(jiān)測(cè)原理及本文實(shí)現(xiàn)結(jié)構(gòu)

電網(wǎng)對(duì)負(fù)荷的管理權(quán)限被限制在電表之外，因此非侵入式負(fù)荷監(jiān)測(cè)是主動(dòng)獲取負(fù)荷數(shù)據(jù)的可行方式，無(wú)須介入用戶(hù)內(nèi)部，在電力入口處進(jìn)行采集，但該用戶(hù)全部用電信息都表現(xiàn)在采集到的數(shù)據(jù)中，須對(duì)采集信號(hào)進(jìn)行分析處理以獲得各負(fù)荷詳細(xì)的用電情況。同時(shí)，應(yīng)保證整個(gè)監(jiān)測(cè)過(guò)程全程自動(dòng)執(zhí)行，不對(duì)用戶(hù)的正?；顒?dòng)造成干擾。

首先，采集數(shù)據(jù)應(yīng)包含較豐富的負(fù)荷特征信息以保證負(fù)荷辨識(shí)的準(zhǔn)確性，應(yīng)通過(guò)高頻采集獲取負(fù)荷信號(hào)波形，以保留細(xì)節(jié)特征，為辨識(shí)提供可靠的數(shù)據(jù)支撐。高頻采集必然會(huì)導(dǎo)致龐大的數(shù)據(jù)量，當(dāng)負(fù)荷狀態(tài)發(fā)生切換時(shí)會(huì)引起負(fù)荷電流的變化，則有效信息均集中在有狀態(tài)變化時(shí)的波形數(shù)據(jù)中。因此，應(yīng)先從高頻采集的波形數(shù)據(jù)中分離提取出由負(fù)荷狀態(tài)切換引起的事件波形。

將事件波形獨(dú)立分解后，波形信號(hào)所對(duì)應(yīng)的負(fù)荷類(lèi)型是未知的，應(yīng)對(duì)其進(jìn)行類(lèi)別判定以實(shí)現(xiàn)負(fù)荷辨識(shí)。波形數(shù)據(jù)雖包含了大量信息，卻呈現(xiàn)出無(wú)序雜亂的特點(diǎn)，同類(lèi)負(fù)荷不同設(shè)備的波形存在很大差異，不同品牌、型號(hào)，甚至不同運(yùn)行環(huán)境均會(huì)造成負(fù)荷波形的差異，同時(shí)，不同類(lèi)負(fù)荷的波形會(huì)出現(xiàn)相似的情況，如附錄A 圖A1 所示。波形數(shù)據(jù)不能直接體現(xiàn)同種負(fù)荷的一致性及不同種負(fù)荷的可分性，直接利用波形數(shù)據(jù)難以進(jìn)行類(lèi)別判定，不具有通用性，因此應(yīng)對(duì)其進(jìn)行轉(zhuǎn)化。

雜亂無(wú)序的數(shù)據(jù)應(yīng)轉(zhuǎn)化為通用且可分的結(jié)構(gòu)化特征信息，本文基于知識(shí)圖譜原理基于波形數(shù)據(jù)構(gòu)建各類(lèi)負(fù)荷結(jié)構(gòu)化特征圖譜，形成通用的特征體系，將變化多樣的波形數(shù)據(jù)轉(zhuǎn)化為具有同類(lèi)一致性和異類(lèi)可分性的結(jié)構(gòu)化特征數(shù)據(jù)，使其適合分類(lèi)器決策，從而構(gòu)建分類(lèi)器實(shí)現(xiàn)相應(yīng)的類(lèi)別判定，有效解決由于波形多變無(wú)序而須針對(duì)不同用戶(hù)獲取專(zhuān)門(mén)的訓(xùn)練數(shù)據(jù)與樣本的問(wèn)題，是使監(jiān)測(cè)過(guò)程自動(dòng)執(zhí)行的關(guān)鍵。實(shí)現(xiàn)結(jié)構(gòu)如圖1 所示。圖中，藍(lán)色代表不同的負(fù)荷類(lèi)別，綠色表示屬性特征，符號(hào)對(duì)應(yīng)的特征詳見(jiàn)附錄A 表A1，粉色表示實(shí)體特征，連接線(xiàn)上的數(shù)值代表該屬性特征的權(quán)重，下同。

圖1 整體實(shí)現(xiàn)結(jié)構(gòu)Fig.1 Overall implementation structure

綜上，構(gòu)建形成負(fù)荷圖譜及分類(lèi)器模型后，在負(fù)荷監(jiān)測(cè)過(guò)程中，先對(duì)高頻采集電流進(jìn)行事件波形提取并分解，以獲取有效信息；然后，依據(jù)負(fù)荷特征圖譜將事件波形轉(zhuǎn)化為結(jié)構(gòu)化特征數(shù)據(jù)，保證其一致性與可分性；最后，將結(jié)構(gòu)化特征數(shù)據(jù)通過(guò)分類(lèi)器進(jìn)行類(lèi)別判定，實(shí)現(xiàn)負(fù)荷辨識(shí)。整個(gè)過(guò)程可以對(duì)不同用戶(hù)自動(dòng)執(zhí)行非侵入式負(fù)荷監(jiān)測(cè)。

1.2 負(fù)荷結(jié)構(gòu)化特征圖譜構(gòu)建原理

負(fù)荷圖譜是適應(yīng)變化無(wú)序負(fù)荷波形的關(guān)鍵，是雜亂數(shù)據(jù)層統(tǒng)一的結(jié)構(gòu)化知識(shí)庫(kù)，需要預(yù)先進(jìn)行構(gòu)建，形成后可直接用于不同用戶(hù)的負(fù)荷監(jiān)測(cè)過(guò)程。

圖譜的形成是將同類(lèi)負(fù)荷變化且雜亂的波形數(shù)據(jù)轉(zhuǎn)化為該類(lèi)負(fù)荷統(tǒng)一的結(jié)構(gòu)化信息，從而使同類(lèi)負(fù)荷的數(shù)據(jù)樣本具有一致性，且與不同種負(fù)荷樣本間具有可分性，從而適合分類(lèi)決策。各類(lèi)典型負(fù)荷作為圖譜的本體（如空調(diào)、熱水器、冰箱等），各本體不同設(shè)備的采集波形來(lái)自最底層數(shù)據(jù)層，無(wú)序多變不具備決策條件，需要向上抽象形成結(jié)構(gòu)化特征信息。圖譜構(gòu)建過(guò)程包括3 個(gè)過(guò)程。

首先，對(duì)本體所屬的先驗(yàn)波形樣本進(jìn)行信息轉(zhuǎn)化與抽取。從各類(lèi)負(fù)荷的大量波形數(shù)據(jù)中向上抽象，形成屬性-實(shí)體-關(guān)系模式的特征信息，構(gòu)建本體的特征知識(shí)基本表征體系。從波形中抽取典型參數(shù)作為備選屬性，抽取具有初步可分效果的特性作為實(shí)體，實(shí)體應(yīng)對(duì)同類(lèi)負(fù)荷具有一致性，且具備從波形中抽取的條件，如“阻性”“間續(xù)運(yùn)行”等。

然后，對(duì)負(fù)荷屬性特征進(jìn)行融合，形成初步的負(fù)荷特征圖譜。雖然對(duì)波形進(jìn)行了信息抽取，但依然缺乏邏輯與層次性，且存在大量冗余和無(wú)效的特征屬性，應(yīng)對(duì)其優(yōu)化融合。確定有效實(shí)體后，給定負(fù)荷分類(lèi)中有效的實(shí)體計(jì)算模型，同時(shí)從大量備選屬性中選取有效屬性作為負(fù)荷屬性，計(jì)算出相應(yīng)的屬性值對(duì)應(yīng)到實(shí)體，形成負(fù)荷本體的基礎(chǔ)知識(shí)庫(kù)，結(jié)合已有的結(jié)構(gòu)化數(shù)據(jù)對(duì)知識(shí)庫(kù)中屬性進(jìn)行優(yōu)化融合。

最后，對(duì)負(fù)荷特征圖譜中的特征屬性進(jìn)一步加工，進(jìn)行量化表征，形成較完備的負(fù)荷圖譜。前兩個(gè)過(guò)程得到了負(fù)荷的基本特征表達(dá)，描述負(fù)荷本體的實(shí)體特性與屬性特征已確定，但缺失特征相對(duì)于不同本體的關(guān)系及各特征的重要程度，因此，需要確定各屬性特征的權(quán)重形成較完備的特征知識(shí)描述，從而構(gòu)建為成形的負(fù)荷圖譜。

1.3 組合支持向量機(jī)負(fù)荷辨識(shí)模型

依據(jù)負(fù)荷特征圖譜，將變化、無(wú)規(guī)律的負(fù)荷波形數(shù)據(jù)轉(zhuǎn)化為有序的結(jié)構(gòu)化特征數(shù)據(jù)，便于構(gòu)建分類(lèi)器進(jìn)行負(fù)荷類(lèi)別判定。負(fù)荷圖譜對(duì)應(yīng)的特征空間，其特征維度高，因此選擇支持高維特征決策的支持向量機(jī)（SVM）作為負(fù)荷辨識(shí)的基分類(lèi)器模型，并以此分類(lèi)器為基礎(chǔ)提升分類(lèi)模型的辨識(shí)準(zhǔn)確度。

居民負(fù)荷的類(lèi)別是有限可枚舉的，因此，基于負(fù)荷圖譜對(duì)應(yīng)的特征空間，訓(xùn)練形成每類(lèi)負(fù)荷本體的SVM 分類(lèi)器。負(fù)荷波形數(shù)據(jù)將依次通過(guò)所有的分類(lèi)器，依據(jù)圖譜把波形轉(zhuǎn)化為相應(yīng)負(fù)荷本體特征空間中對(duì)應(yīng)的特征數(shù)據(jù)，作為該類(lèi)SVM 的輸入。由于SVM 為二值分類(lèi)器，輸出為1 或0，分別代表“是”或“否”屬于相應(yīng)SVM 的負(fù)荷類(lèi)別。理想情況下，當(dāng)負(fù)荷波形被所有負(fù)荷本體的SVM 分類(lèi)器判決后，只有所屬類(lèi)別的SVM 分類(lèi)器應(yīng)輸出為1，而其他類(lèi)別分類(lèi)器輸出應(yīng)均為0。但在實(shí)際中，受限于分類(lèi)器的準(zhǔn)確率，必然存在較多誤判的情況，因此會(huì)造成多個(gè)分類(lèi)器輸出1。只要有多于1 個(gè)分類(lèi)器判決為1，就不能對(duì)負(fù)荷類(lèi)別進(jìn)行判定。因此，應(yīng)提高各類(lèi)負(fù)荷SVM 分類(lèi)器的準(zhǔn)確率，做到近乎絕對(duì)準(zhǔn)確，才能避免輸出多個(gè)1，解決無(wú)法決策的問(wèn)題。

基分類(lèi)模型的形式固定，因此單個(gè)分類(lèi)器的準(zhǔn)確率很難大幅度提升，若要達(dá)到近乎絕對(duì)準(zhǔn)確的分類(lèi)效果，基于“集弱成強(qiáng)”思想，利用分類(lèi)器組合的群體決策替代基分類(lèi)器的單一決策。對(duì)每類(lèi)負(fù)荷本體訓(xùn)練分類(lèi)器組合以全面提升各類(lèi)負(fù)荷的SVM 分類(lèi)器性能。由訓(xùn)練數(shù)據(jù)構(gòu)建多個(gè)獨(dú)立的基分類(lèi)器，每個(gè)基分類(lèi)器均進(jìn)行決策，依據(jù)群體決策結(jié)果進(jìn)行多數(shù)表決分類(lèi)，其準(zhǔn)確率能夠得到顯著提升。假設(shè)由20 個(gè)獨(dú)立的基分類(lèi)器形成一個(gè)組合分類(lèi)器，基分類(lèi)器的錯(cuò)誤率均為δ0=0.25，則只有當(dāng)多于半數(shù)的基分類(lèi)器判決錯(cuò)誤時(shí)，組合分類(lèi)器決策才會(huì)錯(cuò)誤，其錯(cuò)誤率δ為：

式中：i為基分類(lèi)器的個(gè)數(shù)；δ遠(yuǎn)低于單一基分類(lèi)器決策的誤差率。

本文在基分類(lèi)器基礎(chǔ)上構(gòu)建各類(lèi)負(fù)荷的組合SVM 分類(lèi)器，應(yīng)滿(mǎn)足以下條件才能顯著提高準(zhǔn)確率：首先每個(gè)基分類(lèi)器的錯(cuò)誤率小于0.5，即優(yōu)于隨機(jī)分類(lèi)；同時(shí)，組合中基分類(lèi)器的訓(xùn)練過(guò)程應(yīng)相互獨(dú)立。

2 結(jié)構(gòu)化特征圖譜下的組合支持向量機(jī)非侵入式負(fù)荷辨識(shí)方法

依據(jù)整體實(shí)現(xiàn)結(jié)構(gòu)，本章詳細(xì)介紹實(shí)現(xiàn)方法，包括事件波形檢測(cè)與分離、結(jié)構(gòu)化特征圖譜構(gòu)建及組合支持向量機(jī)分類(lèi)器構(gòu)建。事件波形檢測(cè)在前期已進(jìn)行了較充分的研究，形成了有效的分解方法與流程，在文獻(xiàn)［18］中進(jìn)行了詳細(xì)的描述，本文重點(diǎn)闡述負(fù)荷特征圖譜與組合分類(lèi)器模型的構(gòu)建方法。

2.1 基于知識(shí)圖譜的結(jié)構(gòu)化負(fù)荷特征圖譜構(gòu)建

從變化且無(wú)序的負(fù)荷波形數(shù)據(jù)中提取出有效的實(shí)體、屬性等信息，在此基礎(chǔ)上形成負(fù)荷特征的知識(shí)表達(dá)，形成對(duì)同類(lèi)負(fù)荷一致、異類(lèi)負(fù)荷可分的特征體系。本文依據(jù)1.2 節(jié)的建譜過(guò)程對(duì)典型居民負(fù)荷構(gòu)建特征圖譜。

2.1.1 負(fù)荷波形的信息抽取

根據(jù)波形數(shù)據(jù)抽取各類(lèi)特征參數(shù)，考慮兩類(lèi)參數(shù)，一類(lèi)是可從波形中提取的電參數(shù)，如有功功率、電流最大值、有效值等，該類(lèi)特征參數(shù)抽選為負(fù)荷本體的屬性；另一類(lèi)是可從波形中提取的由本體功能、結(jié)構(gòu)等決定的通用特征，該類(lèi)特征相對(duì)屬性具有更好的一致性與可分性，則抽選為實(shí)體。

首先，進(jìn)行負(fù)荷屬性特征抽選。從波形中提取可計(jì)算的電參數(shù)作為屬性，如有功功率P、無(wú)功功率Q、功率因數(shù)PF、電流有效值IRMS、電流最大值Im、電流畸變率THD、電流波形與標(biāo)準(zhǔn)正弦波之間的皮爾遜系數(shù)r等，均可通過(guò)采集的負(fù)荷電壓和電流計(jì)算提取相應(yīng)參數(shù)。為了使屬性盡可能全面，把可以從波形數(shù)據(jù)中直接計(jì)算的參數(shù)特征均抽取為屬性，記作屬性集Lp，如式（2）所示。

在此階段，將可能的相關(guān)參數(shù)均列入屬性集。

然后，進(jìn)行負(fù)荷的實(shí)體特征抽選。實(shí)體特征應(yīng)具備初步的可分性，因此，抽選同類(lèi)負(fù)荷在結(jié)構(gòu)、功能、操作運(yùn)行特點(diǎn)上具有一定通用性，與不同類(lèi)負(fù)荷具有區(qū)分度，且能夠從波形中抽取的特性作為實(shí)體，本文抽取以下幾類(lèi)特征為實(shí)體。

1）負(fù)荷的物理結(jié)構(gòu)決定了其呈現(xiàn)阻性或非阻性，該特征對(duì)同類(lèi)負(fù)荷具有一致性，且可通過(guò)波形中抽取的屬性進(jìn)行計(jì)算。阻性負(fù)荷的波形應(yīng)呈現(xiàn)正弦形式，且電流電壓無(wú)相位差，利用屬性PF及皮爾遜系數(shù)r即可進(jìn)行抽取，若滿(mǎn)足式（3）則為阻性負(fù)荷。

式中：σ1和σ2分別為PF與r的閾值，根據(jù)大量實(shí)驗(yàn)分析，取值均需大于0.9。

2）負(fù)荷的工作特點(diǎn)決定了其運(yùn)行方式為間續(xù)或連續(xù)運(yùn)行，對(duì)同類(lèi)負(fù)荷具有一致性，且體現(xiàn)在波形中。間續(xù)運(yùn)行負(fù)荷（如洗衣機(jī)等）在波形中表現(xiàn)為明顯的周期性變化，因此在較短的時(shí)間間隔內(nèi)能夠檢測(cè)到多次相同的事件波形，若滿(mǎn)足式（4）則為間續(xù)運(yùn)行負(fù)荷。

式中：N（Ts）為T(mén)s間隔內(nèi)檢測(cè)到相同事件波形的次數(shù)；N1為大于2 的整數(shù)閾值。附錄A 圖A2 給出了間續(xù)負(fù)荷（洗衣機(jī)）與連續(xù)負(fù)荷（熱水器）的電流波形。

3）負(fù)荷的功能與操作特點(diǎn)決定了其運(yùn)行時(shí)間為固定或隨機(jī)。如電飯煲、冰箱等，其功能與操作特點(diǎn)決定了負(fù)荷開(kāi)啟到結(jié)束運(yùn)行的時(shí)間相對(duì)固定，不會(huì)發(fā)生明顯的隨機(jī)波動(dòng)，通過(guò)在波形中檢測(cè)負(fù)荷的開(kāi)斷確定其運(yùn)行的持續(xù)時(shí)間，若滿(mǎn)足式（5）則為運(yùn)行時(shí)間固定的負(fù)荷。檢測(cè)到該負(fù)荷的實(shí)際運(yùn)行時(shí)間浮動(dòng)范圍T′during如式（6）所示。

式中：Tduring為同類(lèi)負(fù)荷前n次的平均運(yùn)行時(shí)間；α為允許范圍內(nèi)的浮動(dòng)閾值，取值小于平均運(yùn)行時(shí)間的10%；n為運(yùn)行總次數(shù)。

2.1.2 負(fù)荷屬性特征的優(yōu)化融合

對(duì)波形進(jìn)行信息抽取后形成了圖譜的實(shí)體-屬性特征，屬性集中特征較多，且存在大量冗余，部分屬性會(huì)弱化負(fù)荷的可分性。因此，對(duì)屬性特征進(jìn)行優(yōu)化融合，形成最優(yōu)的屬性集合。

屬性集Lp中的元素未進(jìn)行任何處理，所代表的特征信息存在冗余。由于實(shí)體特征具有較好的一致性與可分性，其涉及的屬性特征作為必選元素，因此，僅對(duì)其他屬性進(jìn)行融合優(yōu)化。將Lp表示為兩類(lèi)子集，如式（7）所示。

式中：Le為實(shí)體特征涉及的屬性構(gòu)成的子集；Lo為其他屬性形成的子集，即對(duì)Lo中的元素優(yōu)化融合。

Lo的優(yōu)化融合即為屬性特征的選擇，選擇的目標(biāo)是使負(fù)荷圖譜形成的特征空間具有最優(yōu)決策能力，即圖譜的特征空間應(yīng)對(duì)同類(lèi)負(fù)荷具有良好的一致性，對(duì)不同類(lèi)負(fù)荷具有良好的可分性。所選擇的屬性所形成的特征空間對(duì)負(fù)荷波形樣本進(jìn)行結(jié)構(gòu)化后，應(yīng)使負(fù)荷樣本點(diǎn)在特征空間中的類(lèi)間離散度盡可能大，類(lèi)內(nèi)離散度盡可能小。因此，利用類(lèi)內(nèi)、類(lèi)間散布矩陣對(duì)圖譜特征空間的性能進(jìn)行量度，構(gòu)建優(yōu)化目標(biāo)函數(shù)。

當(dāng)選取m0個(gè)屬性后，即構(gòu)成了m0維特征空間，負(fù)荷波形即可抽取為特征空間中的樣本點(diǎn)，一個(gè)樣本點(diǎn)表現(xiàn)為一個(gè)m0維向量，記作a。同類(lèi)負(fù)荷對(duì)應(yīng)的樣本點(diǎn)記作{a(i)}，i=1，2，…，K，其中K為該類(lèi)負(fù)荷的樣本點(diǎn)數(shù)量，該點(diǎn)集中樣本點(diǎn)間的距離之和即可反映在該特征空間中分布的緊密程度，因此，類(lèi)內(nèi)散布矩陣Sw定義如式（8）所示。

式中：X為類(lèi)內(nèi)各樣本點(diǎn)的平均距離，記作該樣本集的均值向量，如式（9）所示。

同理，對(duì)于不同類(lèi)別的負(fù)荷樣本，則利用負(fù)荷樣本的類(lèi)間距離表征其在特征空間中的分布離散程度，量度類(lèi)別間的可分性，因此，類(lèi)間散布矩陣Sb定義如式（10）所示。

式中：C為類(lèi)別總數(shù)；P(ωc)為該類(lèi)樣本ωc出現(xiàn)的概率；Xc為利用式（9）得到的各類(lèi)樣本集的均值向量；X0為各類(lèi)樣本集的總均值向量，如式（11）所示。

使各類(lèi)樣本點(diǎn)的類(lèi)內(nèi)離散度Sw最小、類(lèi)間離散度Sb最大的特征空間性能最優(yōu)，即可分性最好，因此采用行列式形式構(gòu)建目標(biāo)函數(shù)，如式（12）所示。

式中：λc為矩陣SSb的特征值。將使目標(biāo)函數(shù)J1最大的特征子集作為最終選擇的屬性子集，記作L?o。

Lo優(yōu)化融合后的子集L?o與Le形成負(fù)荷圖譜的屬性集合L?p，如式（13）所示。

2.1.3 特征的知識(shí)量化表征與加工

將圖譜中的特征屬性進(jìn)行融合后，得到了使該類(lèi)負(fù)荷一致性與可分性最優(yōu)的特征屬性集合，但集合中各屬性對(duì)負(fù)荷本體的表達(dá)程度并不相同，因此為了更準(zhǔn)確地利用特征元素表達(dá)負(fù)荷本體，對(duì)融合后的圖譜進(jìn)行知識(shí)加工，即量化屬性集合中各元素對(duì)本體的表達(dá)程度。

假設(shè)某類(lèi)負(fù)荷中有N個(gè)樣本點(diǎn)，特征空間中包含M個(gè)特征屬性。由于特征屬性取值范圍差異大，首先將各特征屬性的取值進(jìn)行標(biāo)準(zhǔn)化，即

式中：l為特征屬性的實(shí)際取值；l*為特征屬性取值標(biāo)準(zhǔn)化后的值；lmax和lmin分別為該特征屬性取值的最大和最小值。

屬性集中第j個(gè)特征所體現(xiàn)負(fù)荷本體的信息熵記作Sj，如式（15）所示。

根據(jù)屬性特征的信息熵即可表征該特征的權(quán)重值，如式（17）所示，從而得到負(fù)荷本體屬性集中各特征的權(quán)重值，至此負(fù)荷圖譜構(gòu)建完成。

2.2 組合支持向量機(jī)負(fù)荷分類(lèi)模型

形成結(jié)構(gòu)化特征圖譜后，即可將事件波形轉(zhuǎn)化為便于分類(lèi)的特征數(shù)據(jù)，輸入各類(lèi)負(fù)荷的SVM 分類(lèi)器中進(jìn)行決策以實(shí)現(xiàn)負(fù)荷辨識(shí)。本節(jié)闡述分類(lèi)器構(gòu)建方法，對(duì)每類(lèi)負(fù)荷構(gòu)建組合SVM 分類(lèi)器。

首先，利用負(fù)荷的原始訓(xùn)練數(shù)據(jù)構(gòu)建多個(gè)基分類(lèi)器，在分類(lèi)未知樣本時(shí)組合預(yù)測(cè)結(jié)果。本文通過(guò)處理訓(xùn)練數(shù)據(jù)集構(gòu)建組合分類(lèi)器，對(duì)某一類(lèi)別的負(fù)荷特征數(shù)據(jù)進(jìn)行隨機(jī)分組，將其類(lèi)別標(biāo)記為1。對(duì)該類(lèi)別以外的其他負(fù)荷特征數(shù)據(jù)進(jìn)行相同的隨機(jī)分組，將其類(lèi)別標(biāo)記為0，兩組數(shù)據(jù)保持?jǐn)?shù)量相同。

完成組合SVM 分類(lèi)器的模型參數(shù)訓(xùn)練后，即可利用其進(jìn)行未知負(fù)荷類(lèi)別的辨識(shí)。通過(guò)負(fù)荷分解后得到事件波形，從波形中提取計(jì)算負(fù)荷圖譜中涉及的屬性值。在輸入SVM 分類(lèi)器前，需要對(duì)負(fù)荷類(lèi)別進(jìn)行預(yù)分類(lèi)，即判定該未知負(fù)荷所屬于的3 種實(shí)體特征并記作集合Z，然后只需將負(fù)荷特征數(shù)據(jù)輸入該實(shí)體特征對(duì)應(yīng)的分類(lèi)器中，而不需要輸入至不包含上述實(shí)體特征集合Z的SVM 分類(lèi)器，從而提高分類(lèi)模型的準(zhǔn)確率與運(yùn)算效率。

負(fù)荷數(shù)據(jù)通過(guò)式（18）結(jié)合圖譜中的特征權(quán)重，得到屬性特征的實(shí)際取值。

式中：lj和分別為第j個(gè)屬性特征的初始取值與賦權(quán)重后的取值。將賦權(quán)后的各特征屬性的取值記作向量。

歸一化后的負(fù)荷特征向量輸入SVM 分類(lèi)器中，通過(guò)組合分類(lèi)器C，e=1，2，…，q，判斷未知負(fù)荷波形是否屬于所判定的負(fù)荷類(lèi)別，如式（19）所示。

式中：Vote（·）表示求投票結(jié)果。

最后，通過(guò)分類(lèi)器集合LCo的決策實(shí)現(xiàn)未知負(fù)荷類(lèi)型的分類(lèi)，選擇票數(shù)最高且為1 的分類(lèi)器對(duì)應(yīng)的負(fù)荷類(lèi)別作為負(fù)荷辨識(shí)結(jié)果。

本文算法的整體流程如圖2 所示，主要包括事件波形檢測(cè)與分離、組合支持向量機(jī)分類(lèi)辨識(shí)和結(jié)構(gòu)化特征圖譜構(gòu)建3 個(gè)部分。圖中：γ為穩(wěn)態(tài)電流判定閾值；λ為T(mén)的閾值。結(jié)構(gòu)化特征圖譜構(gòu)建與組合支持向量機(jī)分類(lèi)辨識(shí)屬于預(yù)先構(gòu)建，即利用大量已知標(biāo)簽的獨(dú)立波形數(shù)據(jù)形成各類(lèi)典型負(fù)荷的通用結(jié)構(gòu)化特征圖譜，同時(shí)在特征圖譜基礎(chǔ)上，建立該類(lèi)負(fù)荷的組合支持向量機(jī)模型。當(dāng)圖譜與分類(lèi)器模型構(gòu)建完成后，可在實(shí)際處理過(guò)程中直接運(yùn)行執(zhí)行，即非侵入式監(jiān)測(cè)終端實(shí)時(shí)檢測(cè)到事件波形并分離提取后，波形轉(zhuǎn)化為各類(lèi)負(fù)荷特征圖譜下的結(jié)構(gòu)化特征數(shù)據(jù)；然后，輸入各類(lèi)負(fù)荷的組合SVM 分類(lèi)器模型中進(jìn)行決策；最后，得到?jīng)Q策結(jié)果即為辨識(shí)結(jié)果。

圖2 基于結(jié)構(gòu)化特征圖譜的組合支持向量機(jī)非侵入式負(fù)荷辨識(shí)的流程圖Fig.2 Flow chart of combined SVM non-intrusive load identification based on structured characteristic spectrum

結(jié)構(gòu)化特征圖譜與組合SVM 分類(lèi)器模型的構(gòu)建過(guò)程是預(yù)先進(jìn)行，在實(shí)時(shí)監(jiān)測(cè)的過(guò)程中則是利用已經(jīng)構(gòu)建好的圖譜與模型對(duì)事件波形轉(zhuǎn)化為結(jié)構(gòu)化特征數(shù)據(jù)，并進(jìn)行分類(lèi)決策。

3 實(shí)驗(yàn)分析

本文通過(guò)實(shí)測(cè)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)驗(yàn)證，主要從兩方面進(jìn)行，一是對(duì)負(fù)荷特征圖譜的驗(yàn)證，驗(yàn)證其對(duì)變化無(wú)序的波形數(shù)據(jù)結(jié)構(gòu)化的效果；二是驗(yàn)證整體方法，如分類(lèi)器對(duì)負(fù)荷的辨識(shí)準(zhǔn)確性等。

3.1 結(jié)構(gòu)化特征圖譜的驗(yàn)證與分析

所建負(fù)荷特征圖譜涉及的負(fù)荷種類(lèi)繁雜，本文選擇了常用居民負(fù)荷中的6 種負(fù)荷進(jìn)行實(shí)驗(yàn)分析，分別是空調(diào)（AC）、電暖氣（EH）、電視（TV）、電熱水器（WH）、筆記本電腦（LT）和冰箱（RF）。

本文充分考慮負(fù)荷的品牌、型號(hào)等因素造成的波形差異，因此構(gòu)建圖譜時(shí)涉及多種實(shí)際采集環(huán)境，包括實(shí)驗(yàn)室搭建的小型用電網(wǎng)絡(luò)、北京市昌平區(qū)某二手家電市場(chǎng)的采集數(shù)據(jù)、公開(kāi)數(shù)據(jù)集BLUED 和REDD 中的負(fù)荷數(shù)據(jù)、寧波地區(qū)20 戶(hù)試點(diǎn)用戶(hù)的采集數(shù)據(jù)以及北京地區(qū)20 戶(hù)實(shí)際居民用戶(hù)的采集數(shù)據(jù)。

先對(duì)采集的負(fù)荷數(shù)據(jù)進(jìn)行波形信息提取。由于負(fù)荷特征種類(lèi)繁多［19-21］，本文選擇了附錄A 表A1 所示的負(fù)荷特征。為方便展示，用特征編號(hào)代表涉及的特征種類(lèi)。在各特征中進(jìn)行有效特征的選取與融合，由于負(fù)荷類(lèi)別較多，涉及的特征子集龐雜，且過(guò)程一致，因此附錄A 圖A3（a）和（b）僅展示空調(diào)的特征子集中2 種不同特征個(gè)數(shù)的J1值結(jié)果。

根據(jù)散布矩陣確定最優(yōu)的特征子集，特征散布程度根據(jù)行列式值J1計(jì)算。附錄A 圖A4 展示了所有情況下特征數(shù)量對(duì)應(yīng)的不同最優(yōu)J1值結(jié)果。對(duì)于空調(diào)來(lái)說(shuō)，特征子集中包含8 個(gè)特征時(shí)的J1值最大，說(shuō)明該子集中的特征組合具有較好的通用性和可分性，因此將最優(yōu)特征子集中的各特征作為特征融合后的屬性特征。

屬性選擇與融合后，形成了圖譜雛形，再為各屬性特征確定權(quán)重。圖3 所示為6 種負(fù)荷對(duì)應(yīng)的特征圖譜。圖中不同色塊表示的含義同圖1，符號(hào)對(duì)應(yīng)的特征詳見(jiàn)附錄A 表A1，連接線(xiàn)上的數(shù)值代表該屬性特征的權(quán)重。確定各負(fù)荷特征權(quán)重后，就形成了完整的特征圖譜，屬性特征不同程度地表達(dá)負(fù)荷特征。

圖3 負(fù)荷特征圖譜及各特征權(quán)重Fig.3 Load characteristic spectrum and characteristic weight

3.2 負(fù)荷特征知識(shí)圖譜效果驗(yàn)證與算法對(duì)比

負(fù)荷特征圖譜構(gòu)建完成后，在此基礎(chǔ)上，對(duì)整個(gè)處理過(guò)程進(jìn)行驗(yàn)證，通過(guò)基于組合的支持向量機(jī)模型進(jìn)行負(fù)荷辨識(shí)。利用實(shí)際采集的3 個(gè)居民用戶(hù)負(fù)荷數(shù)據(jù)進(jìn)行驗(yàn)證，通過(guò)附錄A 圖A5 所示的非侵入式采集系統(tǒng)在用戶(hù)電力入口處進(jìn)行7 d 的數(shù)據(jù)采集；然后先進(jìn)行事件波形提取，基于負(fù)荷特征圖譜將波形轉(zhuǎn)化為結(jié)構(gòu)化特征數(shù)據(jù)；再通過(guò)組合SVM 分類(lèi)器進(jìn)行負(fù)荷辨識(shí)，整個(gè)過(guò)程不對(duì)用戶(hù)造成中斷與干擾，且無(wú)須進(jìn)行先驗(yàn)數(shù)據(jù)采集。在運(yùn)行過(guò)程中非侵入式采集裝置的采樣頻率為10 kHz。

本文算例中僅對(duì)5 種典型負(fù)荷的辨識(shí)過(guò)程進(jìn)行展示。實(shí)際用戶(hù)中用電工況復(fù)雜，通常為多個(gè)設(shè)備同時(shí)運(yùn)行，需要在辨識(shí)前對(duì)采集數(shù)據(jù)進(jìn)行事件波形分解，采用文獻(xiàn)［18］中的方法，在此不再進(jìn)行重復(fù)驗(yàn)證。根據(jù)分解得到的負(fù)荷電壓、電流波形，利用2.1節(jié)所述方法抽取不同負(fù)荷類(lèi)別與對(duì)應(yīng)的屬性特征，其中部分提取特征見(jiàn)附錄A 表A2。

基于所構(gòu)建的負(fù)荷圖譜，利用組合SVM 分類(lèi)模型對(duì)負(fù)荷類(lèi)別進(jìn)行辨識(shí)，辨識(shí)結(jié)果同樣可驗(yàn)證負(fù)荷圖譜的有效性。不同的負(fù)荷種類(lèi)對(duì)應(yīng)不同的SVM 分類(lèi)器組，對(duì)于某一類(lèi)負(fù)荷來(lái)說(shuō)，其對(duì)應(yīng)的分類(lèi)器組由8 個(gè)基分類(lèi)器組成。每類(lèi)負(fù)荷對(duì)應(yīng)的分類(lèi)器組分別對(duì)未知負(fù)荷類(lèi)型進(jìn)行判斷，輸出為1 時(shí)判定為是該類(lèi)負(fù)荷；輸出為0 時(shí)判定為非該類(lèi)負(fù)荷。利用8 個(gè)基分類(lèi)器進(jìn)行群體決策，輸出的1 越多，則該未知負(fù)荷屬于此分類(lèi)器對(duì)應(yīng)的負(fù)荷類(lèi)型的可能性越大。各分類(lèi)器組對(duì)應(yīng)的群體決策結(jié)果如圖4所示。

圖4 中的每一行代表了不同分類(lèi)器組的群體決策結(jié)果，每一列代表了負(fù)荷的實(shí)際類(lèi)別。對(duì)角線(xiàn)上的數(shù)值表示負(fù)荷分類(lèi)的概率，顏色越深代表概率值越大。由圖4 可知，對(duì)角線(xiàn)上的數(shù)值均為1，預(yù)測(cè)結(jié)果與真實(shí)結(jié)果相同，因此，說(shuō)明組合SVM 分類(lèi)器是有效的。

圖4 不同分類(lèi)器組的波形種類(lèi)群體決策結(jié)果Fig.4 Group decision-making results of waveform types for different classifier groups

圖5 展示了3 個(gè)實(shí)際用戶(hù)負(fù)荷用電數(shù)據(jù)的整體辨識(shí)準(zhǔn)確率，平均辨識(shí)準(zhǔn)確率為97.6%。選擇文獻(xiàn)［22-24］中的算法進(jìn)行對(duì)比，均需要通過(guò)預(yù)實(shí)驗(yàn)獲取待監(jiān)測(cè)用戶(hù)負(fù)荷的先驗(yàn)數(shù)據(jù)。文獻(xiàn)［22］提出了2 種遷移學(xué)習(xí)方案，即設(shè)備遷移學(xué)習(xí)和跨域遷移學(xué)習(xí)，提高了對(duì)復(fù)雜狀態(tài)負(fù)荷的識(shí)別準(zhǔn)確率。文獻(xiàn)［23］通過(guò)元學(xué)習(xí)的方式學(xué)習(xí)不同數(shù)據(jù)集上的候選預(yù)測(cè)因子的特征，提高了算法的運(yùn)行效率。文獻(xiàn)［24］采用負(fù)荷穩(wěn)態(tài)運(yùn)行時(shí)的電流波形特征，通過(guò)動(dòng)態(tài)時(shí)間彎曲（DTW）算法計(jì)算未知負(fù)荷波形與穩(wěn)態(tài)波形特征庫(kù)中各負(fù)荷波形的距離實(shí)現(xiàn)辨識(shí)。當(dāng)應(yīng)用于不同用戶(hù)時(shí)，本文算法辨識(shí)準(zhǔn)確率整體較高，說(shuō)明其結(jié)構(gòu)化是有效的，對(duì)不同用戶(hù)變化的負(fù)荷數(shù)據(jù)具有更好的適用性。

圖5 針對(duì)不同用戶(hù)負(fù)荷的算法準(zhǔn)確率對(duì)比Fig.5 Comparison of algorithm accuracy for different user loads

為了進(jìn)一步驗(yàn)證有效性，本文采集單臺(tái)電器運(yùn)行時(shí)的電流和電壓數(shù)據(jù)，基于4 種不同構(gòu)建方式得到圖譜，結(jié)合SVM 分類(lèi)模型，辨識(shí)準(zhǔn)確率見(jiàn)附錄A圖A6。由圖A6 可知，基于第4 種構(gòu)建方法的圖譜辨識(shí)準(zhǔn)確率較高，平均辨識(shí)準(zhǔn)確率達(dá)到95.7%。因此，本文構(gòu)建的負(fù)荷特征圖譜能夠在不干擾用戶(hù)情況下為監(jiān)測(cè)終端的負(fù)荷辨識(shí)提供標(biāo)準(zhǔn)特征數(shù)據(jù)，從而保證負(fù)荷辨識(shí)的準(zhǔn)確性。負(fù)荷圖譜的構(gòu)建不是實(shí)時(shí)進(jìn)行的，其表征系數(shù)等參數(shù)會(huì)是一個(gè)長(zhǎng)期更新和修正的過(guò)程，隨著負(fù)荷波形樣本不斷累加，負(fù)荷圖譜的準(zhǔn)確性和通用性會(huì)不斷提升，并不斷接近絕對(duì)準(zhǔn)確。

4 結(jié)語(yǔ)

本文構(gòu)建了負(fù)荷結(jié)構(gòu)化特征圖譜，將負(fù)荷無(wú)序多變的波形數(shù)據(jù)轉(zhuǎn)化為具有通用性與可分性的結(jié)構(gòu)化特征數(shù)據(jù)，進(jìn)而構(gòu)建組合支持向量機(jī)分類(lèi)模型實(shí)現(xiàn)負(fù)荷辨識(shí)。建譜過(guò)程為從大量不同來(lái)源、已知標(biāo)簽的負(fù)荷數(shù)據(jù)中提取負(fù)荷實(shí)體和屬性特征，然后利用散布矩陣對(duì)負(fù)荷特征進(jìn)行融合，最終通過(guò)特征定權(quán)完成特征圖譜的構(gòu)建。對(duì)各典型負(fù)荷形成基支持向量機(jī)模型，并利用組合分類(lèi)器組提升辨識(shí)準(zhǔn)確率。在構(gòu)建負(fù)荷圖譜及組合SVM 分類(lèi)器模型基礎(chǔ)上，即可通過(guò)事件波形檢測(cè)與分離、組合支持向量機(jī)分類(lèi)辨識(shí)和結(jié)構(gòu)化特征圖譜構(gòu)建3 個(gè)過(guò)程對(duì)不同用戶(hù)自動(dòng)執(zhí)行非侵入式負(fù)荷監(jiān)測(cè)。實(shí)驗(yàn)部分展示了6 種典型負(fù)荷的圖譜構(gòu)建過(guò)程，并利用3 個(gè)實(shí)際用戶(hù)的采集數(shù)據(jù)進(jìn)行辨識(shí)，平均負(fù)荷辨識(shí)準(zhǔn)確率達(dá)到97.6%，且對(duì)不同用戶(hù)中的負(fù)荷數(shù)據(jù)均具有適用性，驗(yàn)證了所提方法對(duì)同類(lèi)負(fù)荷具有通用性，對(duì)不同類(lèi)負(fù)荷具有可分性。

結(jié)合本文算法可見(jiàn)，關(guān)于結(jié)構(gòu)化負(fù)荷特征圖譜的構(gòu)建仍有許多難題需要進(jìn)一步探索，在后續(xù)的研究工作中，需要將負(fù)荷圖譜持續(xù)更新以適應(yīng)目前快速迭代的家用電器，從而提高非侵入式負(fù)荷辨識(shí)的準(zhǔn)確率。

附錄見(jiàn)本刊網(wǎng)絡(luò)版（http：//www.aeps-info.com/aeps/ch/index.aspx），掃英文摘要后二維碼可以閱讀網(wǎng)絡(luò)全文。