李 爭，王 澤，馮 威，安國慶，王 強，陳 賀

(1.河北科技大學(xué)電氣工程學(xué)院，河北石家莊 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)，河北石家莊 050222)

隨著科技的發(fā)展，中國居民用電量飛速增長，2021年上半年居民用電量占全社會用電量的14.15%左右，居民生活用電量的增長速度曾一度超過了全社會總用電量的增長速度，同時居民用電器也在不斷更新[1]。但大部分電能表僅能對居民總用電量進(jìn)行采集，無法獲取居民所用負(fù)荷的種類和狀態(tài)，居民負(fù)荷數(shù)據(jù)的精細(xì)性無法保證，不利于電能的管理與電能綜合利用率的提升[2]。非侵入式負(fù)荷監(jiān)測(non-intrusive load monitoring,NILM)本質(zhì)為負(fù)荷分解(load disaggregation)，僅需獲取單個用戶的總用電數(shù)據(jù)，并對該用電數(shù)據(jù)進(jìn)行相關(guān)分析處理，即可得到用戶所用電器的種類、啟停時間、能耗等信息。

非侵入負(fù)荷監(jiān)測的核心是對負(fù)荷特征的提取，如負(fù)荷的有功功率、無功功率、V-I軌跡、諧波、特征電流等，通過對負(fù)荷特征的辨識確定負(fù)荷類別[3]。文獻(xiàn)[4]通過遺傳算法對支持向量機進(jìn)行改進(jìn)，以基波功率因數(shù)為特征，結(jié)合電器的有功功率與無功功率進(jìn)行負(fù)荷識別。但該方法僅提高了低功率的負(fù)荷識別率，而家用電器中大功率負(fù)荷占比較大。文獻(xiàn)[5]通過分析現(xiàn)有負(fù)荷特征量的提取方法，發(fā)現(xiàn)復(fù)雜工況環(huán)境下將諧波作為負(fù)荷特征量識別精度高，通過極值差量的方法解決了家用電器存在的偶次諧波相角抖動問題，但僅適用于工作模態(tài)經(jīng)常變化的電器。隨著深度學(xué)習(xí)的發(fā)展，很多研究人員開始將深度學(xué)習(xí)應(yīng)用于非侵入式負(fù)荷分解中。2015年，Kelly博士利用深度學(xué)習(xí)領(lǐng)域的算法構(gòu)建分解模型進(jìn)行負(fù)荷分解實驗，結(jié)果優(yōu)于隱馬爾可夫與組合優(yōu)化等分解方法。這項成果引起了NILM研究人員對深度學(xué)習(xí)領(lǐng)域的關(guān)注。文獻(xiàn)[6]通過對不同負(fù)荷進(jìn)行數(shù)學(xué)建模，建立一個負(fù)荷樣本庫，再利用卷積神經(jīng)網(wǎng)絡(luò)(CNN)對樣本進(jìn)行訓(xùn)練和測試，從而提高非侵入式負(fù)荷識別的精度。文獻(xiàn)[7]以暫態(tài)電流幅值為特征，通過卷積神經(jīng)網(wǎng)絡(luò)對暫態(tài)電流波形相似的負(fù)荷進(jìn)行訓(xùn)練，提高暫態(tài)電流波形相似負(fù)荷的識別率，但實驗電器都為阻性負(fù)荷，對空調(diào)、冰箱、洗衣機等感性與容性負(fù)載的識別率沒有說明。文獻(xiàn)[8]從高頻采樣數(shù)據(jù)提取負(fù)荷的電流、電壓、功率，利用負(fù)荷的穩(wěn)態(tài)電流和電壓繪制V-I軌跡，采用FFT提取負(fù)荷的功率，通過反向BP神經(jīng)網(wǎng)絡(luò)對融合特征進(jìn)行識別。但該方法對相似特性家用電器的識別精度無法保證。

為了解決上述問題，本文提出一種基于CNN與K-means結(jié)合的非侵入式負(fù)荷識別方法。首先，利用改進(jìn)的CUSUM算法記錄負(fù)荷發(fā)生投切事件的時間段；其次，將濾波后的功率段繪制成的P-Q軌跡圖像作為負(fù)荷特征庫,利用K-means算法對卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行改進(jìn)；最后，利用改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)模型對測試集進(jìn)行負(fù)荷辨識。

1 非侵入式負(fù)荷監(jiān)測方法及其改進(jìn)

NILM符合當(dāng)前電網(wǎng)發(fā)展的需求，對智能電網(wǎng)的建設(shè)起著重要作用[9]。電力公司可通過對用戶用電狀況的了解及時調(diào)整配電策略，提高用電效率。當(dāng)用戶側(cè)發(fā)生用電事故時，電力公司也可以及時排查事故地點和原因[10]。對于用戶，NILM可以提供詳細(xì)的用電信息，包括電器類型、啟停時間、用電量等。用戶可以根據(jù)用電信息合理安排各類家用電器的用量。NILM流程如圖1所示。

圖1 非侵入式負(fù)荷監(jiān)測流程圖 Fig.1 Flow chart of non-intrusive load monitoring

通過用戶側(cè)的電表提取用戶的總用電信息，當(dāng)用戶開啟電器時，總線上的電流I、電壓V、有功功率P、無功功率Q等會發(fā)生變化，此時NILM系統(tǒng)會將暫態(tài)事件標(biāo)記，作為識別電器類別、投切時間、用電量的特征[11]。將提取到的特征與特征庫進(jìn)行匹配，生成電器信息使用報告，用戶和電力公司即可獲得詳細(xì)的用電信息。相對于傳統(tǒng)的侵入式負(fù)荷監(jiān)測，不僅節(jié)省了安裝傳感器的成本，一定程度上也保護(hù)了用戶的隱私。

1.1 CUSUM邊沿檢測算法

家用電器發(fā)生投切事件或者工作模態(tài)變化時，伴隨著暫態(tài)事件的發(fā)生。雖然市面上的家用電器功能繁多，結(jié)構(gòu)復(fù)雜，但不同類型的家用電器在啟動和關(guān)閉時具有獨特的暫態(tài)響應(yīng)特征。因此，本文主要對電器啟停時的電氣特性進(jìn)行分析[12]。

由于家用電器結(jié)構(gòu)復(fù)雜、種類繁多，無法構(gòu)建出特定的數(shù)學(xué)模型[13]，故本文將傳統(tǒng)的CUSUM邊沿檢測算法進(jìn)行改進(jìn)，通過統(tǒng)計家用電器在投切和工作模態(tài)變化時的功率變化值Wn，以提高邊沿檢測的準(zhǔn)確率。

基于傳統(tǒng)的CUSUM邊沿檢測算法，本文定義電器邊沿檢測算法中

(1)

(2)

并且Wn的初始值為0。當(dāng)Wn>H時，認(rèn)為電器發(fā)生了投切事件或工作模特發(fā)生了變化，其中H為功率發(fā)生突變的閾值。此時，檢測系統(tǒng)開始對該點進(jìn)行記錄，直到Wn

為檢驗所用算法的有效性，選取6種家用電器進(jìn)行投切檢測實驗，通過將空調(diào)、吹風(fēng)機、電磁爐、電飯煲、暖風(fēng)機、熱水壺依次啟停，記錄電器的功率變化狀況，采樣頻率為6.4 kHz，有功功率變化如圖2所示。

圖2 邊沿檢測突變過程Fig.2 Edge detection mutation process

記錄發(fā)生投切事件的時間段，如表1和表2所示。

表1 電器啟動時間段

表2 電器關(guān)閉時間段

1.2 信號預(yù)處理

獲取用戶總用電數(shù)據(jù)后，需要對該數(shù)據(jù)進(jìn)行預(yù)處理，主要原因是用戶的用電系統(tǒng)易被氣溫、負(fù)荷的使用情況、線路環(huán)境等干擾[14]，導(dǎo)致獲取的電器負(fù)荷信號含有噪聲。這些噪聲會影響事件檢測的結(jié)果，因此對用電數(shù)據(jù)進(jìn)行濾波降噪十分重要。濾波去噪主要分為線性和非線性[15]，線性濾波對數(shù)據(jù)中的高頻率噪聲濾波效果差，容易造成重要信息的缺失。非線性濾波彌補了線性濾波的缺點，但對部分常見噪聲濾波效果不理想。

綜合用戶家用電器的實際使用情況，采用一種針對家用電器的高斯濾波方法，不僅彌補了傳統(tǒng)高斯濾波引起的部分信息缺失，而且對家用電器暫態(tài)特征的信息保存效果很好[16]。適用于家用電器的高斯濾波步驟如下。

1)令n=0，迭代次數(shù)N=7。

2)計算用戶用電負(fù)荷信號中的導(dǎo)數(shù)

(3)

3)計算用戶用電負(fù)荷信號在該點的權(quán)值，對hn(t)進(jìn)行加權(quán)濾波處理：

(4)

式中：gn為高斯濾波權(quán)值；σ為高斯函數(shù)的標(biāo)準(zhǔn)方差。

4)判斷n=N是否成立，不成立則循環(huán)上述步驟，當(dāng)n=N時結(jié)束。

為突出本文所用方法的有效性，在有效電壓為220 V、頻率為50 Hz的條件下，選取電磁爐啟動后的一段功率負(fù)荷信號作為原始信號，利用改進(jìn)的高斯濾波算法對原始信號進(jìn)行濾波，結(jié)果如圖3所示。

圖3 信號濾波前后的波形圖Fig.3 Waveform before and after signal filtering

2 基于CNN的電器識別

2.1 CNN原理

將電器開啟時的暫態(tài)功率波形作為負(fù)荷印記，負(fù)荷辨識問題就轉(zhuǎn)化為對負(fù)荷暫態(tài)功率波形的圖像識別問題[17]。在計算機圖像識別領(lǐng)域中，應(yīng)用較為廣泛的網(wǎng)絡(luò)是CNN[18]。本文使用CNN模型，該網(wǎng)絡(luò)模型的本質(zhì)是一種多層前饋網(wǎng)絡(luò)，核心部由卷積層、池化層、全連接層組成，如圖4所示。

圖4 CNN結(jié)構(gòu)圖Fig.4 CNN structure diagram

卷積層將提取的P-Q軌跡圖像按像素分為多個局部塊。以局部塊為單位，通過卷積核進(jìn)行卷積計算：

(5)

池化層在不影響輸入特征信息的條件下，對特征進(jìn)行降采樣，通過減少數(shù)據(jù)空間，提高計算效率，一定程度上可以防止過擬合。常用的池化方式為最大池化和平均池化，如圖5和圖6所示。

圖5 最大池化層Fig.5 Maximum pooling layer

圖6 平均池化層Fig.6 Average pooling layer

全連接層的主要作用是進(jìn)行特征分類[19]，本質(zhì)上還是回歸，通過對卷積層提取的特征進(jìn)行整合，利用SoftMax激活函數(shù)將圖像的特征轉(zhuǎn)化為分類概率，取其中概率最大的為最終結(jié)果。SoftMax回歸模型為

(6)

SoftMax矩陣表達(dá)式為

(7)

式中：xi為特征映射；bi為偏置；yi為分類概率。

2.2 基于CNN的電器識別流程

首先，將采集的用戶用電數(shù)據(jù)進(jìn)行濾波處理，利用事件檢測算法提取電器投切時的暫態(tài)功率軌跡波形，將暫態(tài)功率波形轉(zhuǎn)化為60×60的像素圖像。

其次，將像素圖像分為測試集和訓(xùn)練集。為保證算法的運行速度，本文采用經(jīng)典的LeNet-5結(jié)構(gòu)，通過3個大小分別為3×3，6×6和8×8的卷積核對輸入尺寸為60×60的圖像進(jìn)行處理，將得到的特征映射圖用reshape函數(shù)進(jìn)行整合，SoftMax作為激活函數(shù)進(jìn)行特征分類。CNN網(wǎng)絡(luò)訓(xùn)練的關(guān)鍵是參數(shù)的初始化，網(wǎng)絡(luò)參數(shù)初始化會對訓(xùn)練效率產(chǎn)生一定的影響。

最后，利用測試集對訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行驗證，并計算電器的識別率。電器識別流程如圖7所示。

圖7 電器識別流程圖Fig.7 Flow chart of electrical appliance identification

2.3 電器特征辨識

本文通過智能電表和7種家用電器搭建電器數(shù)據(jù)采集平臺，采樣頻率為6.4 kHz，如圖8所示。

圖8 電器采樣平臺Fig.8 Appliance sampling platform

采集家用電器數(shù)據(jù)分別為變頻空調(diào)、吹風(fēng)機、電磁爐、電飯煲、微波爐、洗衣機、冰箱的有功功率和無功功率，共采集負(fù)荷數(shù)據(jù)1 280份，其中訓(xùn)練集1 000份，測試集280份，電器識別結(jié)果如圖9所示。

圖9 CNN辨識識別結(jié)果Fig.9 CNN identification results

由圖9可知，識別結(jié)果精度較低的電器為冰箱、變頻空調(diào)、電磁爐與微波爐。通過對電器啟動時P-Q軌跡圖所對應(yīng)的像素矩陣圖進(jìn)行分析，發(fā)現(xiàn)電氣特性相近的電器對應(yīng)的像素矩陣圖也相似。如圖10中編號為1的吹風(fēng)機與編號為1的電飯煲像素矩陣圖相似，編號為3的電飯煲與編號為3的洗衣機的像素矩陣圖也相似。因此，識別精度低的原因可能與電器的自身結(jié)構(gòu)有關(guān)。為了進(jìn)一步驗證卷積神經(jīng)網(wǎng)絡(luò)對電氣特性相似的電器難以區(qū)分，將相似結(jié)構(gòu)的電器歸為一類進(jìn)行負(fù)荷辨識，識別結(jié)果如圖11所示。通過圖11可以看出，電磁爐的識別率從70%提升至90%，而電機類的洗衣機識別率卻從85%降至77.5%，這是由于識別過程中特征重疊的原因，因此需要對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)。

圖10 不同電器P-Q軌跡圖對應(yīng)的像素圖像Fig.10 Pixel images corresponding to P-Q trace diagrams of different electrical appliances

圖11 修改類別后的電器識別結(jié)果Fig.11 Electrical appliance identification results after category modification

3 基于CNN與K-means結(jié)合的負(fù)荷辨識

3.1 K-means聚類方法

K-means算法也稱K-均值算法[20]，與卷積神經(jīng)網(wǎng)絡(luò)不同，是一種無監(jiān)督的學(xué)習(xí)方法，不需要目標(biāo)屬性，核心公式見式(8)。

(8)

式中：Xi為第i個樣本數(shù)據(jù)；μk為第k個簇，可以看作第k個簇的中心；J為樣本中數(shù)據(jù)Xi與μk之間距離的累加和。通過將訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型中的SoftMax層替換為K-means算法實現(xiàn)對卷積神經(jīng)網(wǎng)絡(luò)模型的改進(jìn)。具體步驟如下。

1)提取電器的暫態(tài)功率數(shù)據(jù)，并將數(shù)據(jù)分為測試集和訓(xùn)練集。

2)繪制P-Q軌跡圖像，并將圖像轉(zhuǎn)化為60×60的像素矩陣。構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，并利用訓(xùn)練集進(jìn)行訓(xùn)練。

3)建立K-means算法模型，根據(jù)要識別的電器數(shù)量，將K-means算法的輸入維度設(shè)置為7，輸出為電器的類別，其中距離測度參數(shù)為sqEulidean,初始質(zhì)心位置參數(shù)為sample，聚類重復(fù)次數(shù)為7。

4)將訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型的SoftMax層替換成K-means聚類算法，利用測試集對電器進(jìn)行負(fù)荷辨識。

利用K-means改進(jìn)后的卷積神經(jīng)網(wǎng)絡(luò)負(fù)荷辨識流程如圖12所示。

圖12 改進(jìn)后的CNN辨識流程Fig.12 Improved CNN identification process

3.2 實驗結(jié)果與分析

通過實驗平臺獲取變頻空調(diào)、吹風(fēng)機、電磁爐、電飯煲、微波爐、洗衣機、冰箱依次啟停的負(fù)荷數(shù)據(jù)共1 280份，并將采集到的數(shù)據(jù)分為訓(xùn)練集和測試集，其中訓(xùn)練集1 000份，測試集280份。繪制功率軌跡圖像并將圖像轉(zhuǎn)化為60×60的像素矩陣，利用改進(jìn)后的卷積神經(jīng)網(wǎng)絡(luò)模型對測試集進(jìn)行負(fù)荷辨識，辨識結(jié)果如圖13所示。從辨識結(jié)果可以看出，通過K-means改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)模型增大了相似特性負(fù)荷特征之間的差異，有效避免了卷積神經(jīng)網(wǎng)絡(luò)容易發(fā)生的特征重疊問題，提高了負(fù)荷辨識的準(zhǔn)確率，辨識率達(dá)到了100%。

圖13 改進(jìn)后的電器識別結(jié)果Fig.13 Improved electrical appliance identification results

4 結(jié) 語

為解決非侵入式負(fù)荷辨識中相似特性的家用電器識別率低的問題，采用電器的功率軌跡圖作為負(fù)荷特征，利用K-means算法對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，增大相似特性負(fù)荷特征之間的區(qū)別，提高了負(fù)荷辨識的準(zhǔn)確率。通過改進(jìn)CUSUM算法記錄負(fù)荷啟停的時間，將濾波后的功率段繪制成功率軌跡圖作為負(fù)荷特征庫，避免負(fù)荷穩(wěn)定運行時，電氣特性相似而不易識別。將卷積神經(jīng)網(wǎng)絡(luò)中的SoftMax層替換為K-means模型，有效解決識別過程中特征重疊的問題。通過實驗平臺測試的數(shù)據(jù)集進(jìn)行驗證，結(jié)果表明該方法能夠有效識別家用電器的類別。

本文主要針對電器依次啟停狀況進(jìn)行研究，但是實際電器使用中存在多種電器同時啟停的狀況，未來應(yīng)結(jié)合電器的不同使用場景進(jìn)行更加深入的研究。