黃佳凌，林順富，2，詹銀楓，劉持濤，李東東

（1.上海電力大學(xué)電氣工程學(xué)院，上海 200090；2.上海市智能電網(wǎng)需求響應(yīng)重點(diǎn)實(shí)驗(yàn)室，上海 200063；3.國網(wǎng)上海市電力公司青浦供電公司，上海 201700）

城鄉(xiāng)居民生活用電量在全社會(huì)用電量的占比逐年提高。隨著智能電網(wǎng)在全球電力工業(yè)中的發(fā)展與應(yīng)用[1]，家庭用戶內(nèi)部電器使用信息的感知與獲取成為近年的研究熱點(diǎn)。家庭電器使用信息可以讓電力公司進(jìn)一步了解居民負(fù)荷組成情況，有助于節(jié)能措施的實(shí)施和電網(wǎng)經(jīng)濟(jì)運(yùn)行。傳統(tǒng)的侵入式負(fù)荷監(jiān)測(cè)需要為每個(gè)居民電器安裝智能插座等分離式傳感裝置，成本高且不便于維護(hù)[2]。美國麻省理工大學(xué)的Hart教授提出的非侵入式負(fù)荷監(jiān)測(cè)技術(shù)有可能通過家庭總功率、總電流等數(shù)據(jù)來獲取家庭中每個(gè)電器耗電數(shù)據(jù)[3]。由于基于非侵入式負(fù)荷監(jiān)測(cè)（non-intrusive load monitoring，NILM）技術(shù)的居民家庭監(jiān)測(cè)設(shè)備具有低成本、易維護(hù)的優(yōu)點(diǎn)，近年來受到廣泛的關(guān)注[4]。

非侵入式負(fù)荷監(jiān)測(cè)技術(shù)主要包括三個(gè)技術(shù)環(huán)節(jié)：負(fù)荷開關(guān)事件檢測(cè)、負(fù)荷特征提取和負(fù)荷辨識(shí)[2]，其中負(fù)荷開關(guān)事件檢測(cè)是重要的基礎(chǔ)和前提。當(dāng)前，負(fù)荷開關(guān)事件檢測(cè)方法有譜圖理論算法[5]、雙邊累加求和算法[6-7]、小波分解算法[8]、自適應(yīng)粒子群算法[9]及二分遞推奇異值分解算法[10]等。其中，文獻(xiàn)[10]提出的二分遞推奇異值分解算法能有效降低開關(guān)事件檢測(cè)的漏檢、誤檢率，但是，該方法基于漢克爾矩陣變換和奇異值分解，運(yùn)算量大且對(duì)硬件設(shè)備要求高，不便于應(yīng)用在低成本的監(jiān)測(cè)終端中。

基于開關(guān)事件檢測(cè)和長短時(shí)神經(jīng)網(wǎng)絡(luò)將家庭總有功功率曲線分解，可以獲得單一電器的耗電數(shù)據(jù)?；诖撕碾姅?shù)據(jù)，用戶可以改變用電習(xí)慣以節(jié)約電費(fèi)；電網(wǎng)公司制定合理的需求響應(yīng)策略，實(shí)現(xiàn)削峰填谷。家庭總有功功率曲線電器級(jí)別的分解將是非侵入式監(jiān)測(cè)技術(shù)中的研究熱點(diǎn)。文獻(xiàn)[11]基于暫態(tài)功率波形和功率變化量作為負(fù)荷特征，利用動(dòng)態(tài)時(shí)間規(guī)整（dynamic time warping，DTW）和聚類算法與歷史波形數(shù)據(jù)庫對(duì)比后得到相似事件集，得到開關(guān)事件的檢測(cè)后，最終實(shí)現(xiàn)負(fù)荷分解。但上述兩篇文獻(xiàn)均只實(shí)現(xiàn)了能量的分解。文獻(xiàn)[12]將電器根據(jù)運(yùn)行狀態(tài)數(shù)分布分類并選擇負(fù)荷分解的方式，對(duì)于多狀態(tài)電器使用雙向長短期記憶網(wǎng)絡(luò)和樹結(jié)構(gòu)Parzen 估計(jì)算法進(jìn)行優(yōu)化參數(shù)，對(duì)于單一狀態(tài)的電器則引入電流、功率作為負(fù)荷特征，最后使用多層感知器和極大似然估計(jì)分解出負(fù)荷的耗能量。該算法實(shí)現(xiàn)了單一電器曲線分解。

綜上所述，本文提出一種基于開關(guān)事件和長短時(shí)神經(jīng)網(wǎng)絡(luò)的居民家庭負(fù)荷曲線分解方法，還原組合功率曲線中單一負(fù)荷的運(yùn)行曲線，計(jì)算出其耗電量，同時(shí)提出一種基于差分和方法的非侵入式負(fù)荷開關(guān)事件檢測(cè)方法。首先，基于差分和方法檢測(cè)居民家庭總有功功率曲線中的突變特征，并采用硬閾值函數(shù)濾除細(xì)節(jié)信號(hào)的噪聲，實(shí)現(xiàn)突變點(diǎn)位置的準(zhǔn)確檢測(cè)；其次，利用居民電器組合開關(guān)模型和長短時(shí)神經(jīng)網(wǎng)絡(luò)對(duì)多負(fù)荷功率曲線進(jìn)行負(fù)荷曲線分解；最后，用實(shí)驗(yàn)測(cè)試數(shù)據(jù)和REDD 數(shù)據(jù)庫對(duì)所提方法進(jìn)行驗(yàn)證，與已有算法進(jìn)行分析對(duì)比，結(jié)果證明所提方法具有更高的準(zhǔn)確性。

1 差分和開關(guān)事件檢測(cè)

總有功功率是檢測(cè)負(fù)荷開關(guān)事件的重要分析對(duì)象，其伴隨著用電設(shè)備電流、電壓值的變化而產(chǎn)生相應(yīng)的變化，在居民負(fù)荷開關(guān)狀態(tài)變化時(shí)存在著突變點(diǎn)[7]。因此，負(fù)荷開關(guān)事件的檢測(cè)即為總有功功率曲線中突變點(diǎn)的檢測(cè)。

1.1 差分和數(shù)學(xué)定義

差分是研究離散數(shù)學(xué)的一種算法，是對(duì)離散信號(hào)求微分運(yùn)算，反映了離散量之間的一種變化。差分可以分為前向差分ΔP+和后向差分ΔP-，差分和信號(hào)S（i）定義為

其中

式中：P為居民家庭有功功率；i為采樣點(diǎn)序號(hào)（i=1，2，3，…，N）；N為采樣總點(diǎn)數(shù)；H為以某一時(shí)間點(diǎn)為中心的最大差分半徑；ω為局部分析窗口長度。

1.2 差分和開關(guān)事件檢測(cè)步驟

基于差分和算法的開關(guān)事件檢測(cè)流程圖如圖1所示。

圖1 差分和算法流程圖Fig.1 Flow chart of difference summation method

具體步驟如下：

1）對(duì)居民負(fù)荷總有功功率P進(jìn)行差分和運(yùn)算，得到差分和信號(hào)S（i）；

2）對(duì)S（i）進(jìn)行硬閾值濾波，得到全新的差分和信號(hào)S′（i）；

3）對(duì)S′（i）中所有的值進(jìn)行判斷，若為變號(hào)零點(diǎn)，則為負(fù)荷開關(guān)事件。

1.3 開關(guān)事件檢測(cè)評(píng)價(jià)指標(biāo)

選用混淆矩陣[11]來評(píng)估負(fù)荷開關(guān)事件檢測(cè)的準(zhǔn)確率，如表1所示。表中，1為真，0為假。

表1 混淆矩陣Tab.1 Confusion matrix

真陽性（true positive，TP）表示算法檢測(cè)出開關(guān)事件存在，真實(shí)情況中也發(fā)生開關(guān)事件；假陰性（false negative，F(xiàn)N）表示算法未檢測(cè)出開關(guān)事件，而真實(shí)情況發(fā)生開關(guān)事件，即漏檢事件；假陽性（false positive，F(xiàn)P）表示算法檢測(cè)出開關(guān)事件，而真實(shí)情況未發(fā)生開關(guān)事件，即誤檢事件；真陰性（true negative，TN）表示算法中未檢測(cè)出開關(guān)事件，真實(shí)情況也未發(fā)生開關(guān)事件。

同時(shí)，引入真陽性率（true positive rate，TPR）、準(zhǔn)確率（precision rate，PR）、F1 分?jǐn)?shù)和絕對(duì)時(shí)間偏差（absolute time deviation，ATD）4個(gè)指標(biāo)，如下式所示：

式中：t（i）為所有TP 樣本中負(fù)荷真實(shí)開關(guān)時(shí)刻；(i)為所有TP 樣本中算法檢測(cè)出的開關(guān)時(shí)刻；T為數(shù)據(jù)總時(shí)長。

如果aTPR越大，aPR越大，aF1越大，而aATD越小，則說明檢測(cè)算法的綜合評(píng)價(jià)越好。

2 開關(guān)事件匹配模型

開關(guān)事件匹配模型是指將組合數(shù)據(jù)中同一類型負(fù)荷開和關(guān)事件的匹配。由于負(fù)荷類型辨識(shí)工作非討論重點(diǎn)，在此不過多闡述。開關(guān)事件匹配模型可以還原負(fù)荷運(yùn)行的真實(shí)情況，了解負(fù)荷使用先后順序。

2.1 負(fù)荷開關(guān)事件匹配方法

恒功率負(fù)荷指在運(yùn)行工作時(shí)，功率穩(wěn)定輸出的負(fù)荷。對(duì)于恒功率負(fù)荷，其運(yùn)行周期及工況相對(duì)穩(wěn)定。檢測(cè)到開事件后，可直接與后續(xù)開關(guān)事件中出現(xiàn)的第一個(gè)同類型負(fù)荷的關(guān)事件匹配。

變功率負(fù)荷的運(yùn)行周期及工況均不穩(wěn)定。在某一個(gè)運(yùn)行周期中，常出現(xiàn)多個(gè)干擾事件，則選取這一運(yùn)行周期內(nèi)最后一個(gè)同類型負(fù)荷的關(guān)事件匹配檢測(cè)到的開事件。根據(jù)實(shí)驗(yàn)室采集數(shù)據(jù)，典型負(fù)荷運(yùn)行周期如表2所示。以變功率負(fù)荷空調(diào)舉例說明，檢測(cè)到空調(diào)的開事件后，在28 800 s內(nèi)以檢測(cè)到的最后一個(gè)空調(diào)關(guān)事件匹配該開事件。

表2 典型負(fù)荷數(shù)據(jù)的運(yùn)行周期Tab.2 Operation cycle of typical load data

2.2 開關(guān)事件匹配步驟

開關(guān)事件匹配具體步驟如圖2所示。具體步驟如下：

圖2 開關(guān)事件匹配流程圖Fig.2 Flow chart of switch event matching

1）對(duì)開關(guān)事件集合進(jìn)行開與關(guān)事件判斷；

2）若為開事件，記錄該開事件負(fù)荷類型，若為關(guān)事件，則返回判斷下一個(gè)開關(guān)事件；

3）根據(jù)開事件負(fù)荷類型，判斷其是否為恒功率負(fù)荷；

4）若為恒功率負(fù)荷，則匹配開關(guān)事件集合中該開事件后的第一個(gè)同類型負(fù)荷關(guān)事件；若為非線性變功率負(fù)荷，則匹配開關(guān)事件集合中該類型負(fù)荷運(yùn)行周期內(nèi)的最后一個(gè)關(guān)事件。

3 長短時(shí)神經(jīng)網(wǎng)絡(luò)負(fù)荷曲線分解

3.1 長短時(shí)神經(jīng)網(wǎng)絡(luò)

長短時(shí)神經(jīng)網(wǎng)絡(luò)（long short-term memory networks，LSTM）是基于循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）的一類特殊神經(jīng)網(wǎng)絡(luò)，可解決RNN 中出現(xiàn)的長期依賴問題。長短時(shí)神經(jīng)網(wǎng)絡(luò)的內(nèi)部構(gòu)造中含有4 個(gè)相互交錯(cuò)的神經(jīng)網(wǎng)絡(luò)層，分別為遺忘層、輸入層、更新層和輸出層。其具體計(jì)算過程如下：

1）遺忘層最終傳遞信息ft表示為

式中：σ為sigmoid 函數(shù)；Wf為遺忘層的權(quán)重向量；[ht-1xt]為將先前輸出信息與當(dāng)前輸入信息結(jié)合成一個(gè)信息向量；bf為遺忘層的偏置項(xiàng)。

2）輸入層最終更新信息it和候選信息~t表示為

式中：Wi，Wc為輸入層兩個(gè)函數(shù)的不同權(quán)重向量；bi，bc為輸入層兩個(gè)函數(shù)的偏置項(xiàng)。

3）更新層最終輸入下一層的信息Ct表示為

式中：Ct-1為先前單元信息。

4）輸出層是決定最后的輸出信息，最后輸出中間信息ot和輸入下一單元的信息ht表示為

式中：Wo為輸出層的權(quán)重向量；bo為輸出層的偏置項(xiàng)。

3.2 負(fù)荷曲線分解流程

差分和算法與長短時(shí)神經(jīng)網(wǎng)絡(luò)的負(fù)荷曲線分解流程圖如圖3所示。具體由以下4步組成：

圖3 負(fù)荷曲線分解流程圖Fig.3 Flow chart of load curve decomposition

1）根據(jù)開關(guān)事件合集和負(fù)荷總功率數(shù)據(jù)P選擇數(shù)據(jù)樣本X，劃分訓(xùn)練集和驗(yàn)證集；

2）對(duì)訓(xùn)練集和驗(yàn)證集進(jìn)行歸一化處理；

3）進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，當(dāng)誤差值或者訓(xùn)練次數(shù)滿足判定條件后，停止訓(xùn)練，得到預(yù)測(cè)的負(fù)荷數(shù)據(jù)；

4）利用預(yù)測(cè)的負(fù)荷數(shù)據(jù)和開關(guān)事件進(jìn)行負(fù)荷曲線分解，得到單一負(fù)荷曲線。

3.3 負(fù)荷曲線分解評(píng)價(jià)指標(biāo)

文獻(xiàn)[13-14]均采用功率分解準(zhǔn)確率和能量分解準(zhǔn)確率作為非侵入式負(fù)荷分解的評(píng)價(jià)指標(biāo)。功率分解準(zhǔn)確率的公式表示為

式中：(t)為t時(shí)刻功率的估計(jì)值；P（t）為t時(shí)刻功率的實(shí)際值。

能量分解準(zhǔn)確率的公式表示為

式中：∑t∈TP(t)為T時(shí)段所消耗電能的實(shí)際值，∑t∈T(t)為T時(shí)段所消耗電能的估計(jì)值。

4 實(shí)驗(yàn)室數(shù)據(jù)驗(yàn)證

在實(shí)驗(yàn)室內(nèi)利用泰克P5201電壓采集設(shè)備和泰克A622 電流探頭采集各類負(fù)荷的數(shù)據(jù)，每秒鐘連續(xù)采集10 個(gè)周期，每個(gè)周期64 個(gè)數(shù)據(jù)點(diǎn)，每秒鐘總共640 個(gè)數(shù)據(jù)點(diǎn)。所采集的電器共5 種：電水壺、電飯鍋、飲水機(jī)、微波爐和空調(diào)。在實(shí)驗(yàn)算法中，通過實(shí)驗(yàn)室實(shí)驗(yàn)數(shù)據(jù)，選擇差分和局部分析窗口長度ω的值為3。

4.1 差分和開關(guān)事件檢測(cè)

4.1.1 單個(gè)線性恒功率負(fù)荷開關(guān)事件檢測(cè)

以恒功率電水壺為例，敘述所提差分和算法的檢測(cè)過程。電水壺開啟時(shí)，有功功率曲線出現(xiàn)第1個(gè)突變點(diǎn)，開啟時(shí)刻為17 s；關(guān)閉時(shí)，有功功率曲線出現(xiàn)第2 個(gè)突變，關(guān)閉時(shí)刻為186 s。功率曲線如圖4a 所示。對(duì)電水壺的有功功率數(shù)據(jù)進(jìn)行差分和計(jì)算，獲得差分和信號(hào)如圖4b所示。

圖4 電水壺有功功率曲線和差分和信號(hào)圖Fig.4 Active power curves and difference summation signal figure of electric kettle

在電水壺開關(guān)時(shí)刻，差分和信號(hào)出現(xiàn)對(duì)應(yīng)的變號(hào)零點(diǎn)，開啟時(shí)刻為17.5 s，關(guān)閉時(shí)刻為186.5 s。

將所提算法（方法4）與滑動(dòng)雙邊累積和（cumulative sum，CUSUM）算法[6-7]（方法1）、小波分解算法[8]（方法2）和奇異值分解（singular value decomposition，SVD）分解算法[10]（方法3）進(jìn)行對(duì)比。

采用非參數(shù)化的滑動(dòng)雙邊CUSUM 變點(diǎn)檢測(cè)方法對(duì)電水壺的開關(guān)事件進(jìn)行檢測(cè)，設(shè)定閾值h=80 W，當(dāng)功率變化值En超過閾值h時(shí)，則判定出現(xiàn)開關(guān)事件，其開啟事件結(jié)果局部圖如圖5所示，此方法檢測(cè)出電水壺的開啟時(shí)刻為18 s，關(guān)閉時(shí)刻為186 s。

圖5 CUSUM算法檢測(cè)結(jié)果局部圖Fig.5 Partial details of the detection results of the CUSUM algorithm

采用具有二階消失矩陣的Daubechies 2 號(hào)小波[8]對(duì)電水壺的有功功率曲線進(jìn)行分解，得到細(xì)節(jié)信號(hào)w1，同時(shí)采用硬閾值濾波函數(shù)對(duì)細(xì)節(jié)信號(hào)進(jìn)行過濾。如圖6 所示，小波分解在四個(gè)尺度細(xì)節(jié)信號(hào)中可識(shí)別的突變點(diǎn)位置并不相同，所以得到的檢測(cè)結(jié)果也不一致，增加了漏檢、誤檢的可能性，同時(shí)也無法保證開關(guān)時(shí)刻的準(zhǔn)確率。

圖6 小波分解四個(gè)尺度細(xì)節(jié)信號(hào)圖Fig.6 Detailed signal diagram at four scales of wavelet transform

SVD分解算法[10]是一種基于二分遞推奇異值分解的突變點(diǎn)檢測(cè)方法，用不同層次空間的細(xì)節(jié)信號(hào)體現(xiàn)原始信號(hào)的突變點(diǎn)特征，圖7 為SVD 四層[10]信號(hào)分解后的細(xì)節(jié)信號(hào)圖，其在開關(guān)事件處出現(xiàn)明顯的變號(hào)零點(diǎn)，此方法檢測(cè)出電水壺的開啟時(shí)刻為17.5 s，關(guān)閉時(shí)刻為186.5 s。

圖7 SVD細(xì)節(jié)信號(hào)圖Fig.7 Detailed signal diagram of SVD

使用4 種方法對(duì)電水壺開關(guān)事件進(jìn)行檢測(cè)，結(jié)果如表3所示。

表3 電水壺開關(guān)事件檢測(cè)結(jié)果對(duì)比Tab.3 Comparison of detection results of electric kettle

4.1.2 單個(gè)非線性變功率負(fù)荷開關(guān)事件檢測(cè)

非線性變功率負(fù)荷的運(yùn)行工況比較復(fù)雜，在實(shí)際應(yīng)用中為開關(guān)事件檢測(cè)的一個(gè)難點(diǎn)。以非線性變功率負(fù)荷空調(diào)數(shù)據(jù)為例，圖8 為實(shí)驗(yàn)室測(cè)試環(huán)境下的空調(diào)有功功率曲線圖。

圖8 空調(diào)總有功功率曲線Fig.8 Active power curve of air conditioner

由圖8可知，空調(diào)的運(yùn)行特性較明顯，空調(diào)開啟后，出現(xiàn)多次上升突變，且呈現(xiàn)一個(gè)爬坡狀態(tài)，增加了檢測(cè)難度，這使得絕對(duì)時(shí)間偏差的計(jì)算無法準(zhǔn)確進(jìn)行，選擇第一個(gè)突變點(diǎn)作為開啟時(shí)刻，同時(shí)在表4中我們只選用其中3個(gè)評(píng)價(jià)指標(biāo)。

表4 空調(diào)開關(guān)事件檢測(cè)結(jié)果對(duì)比Tab.4 Comparison of detection results of air conditioner

由表4 可知，對(duì)于空調(diào)這樣運(yùn)行工況復(fù)雜的負(fù)荷，方法1 出現(xiàn)了多次誤檢事件；方法2 出現(xiàn)了多次漏檢事件；方法3 和方法4 相比，所提方法4的aTPR，aPR和aF1均大于方法3。因此，方法4 在這四種方法中綜合評(píng)價(jià)最高。

4.1.3 組合負(fù)荷開關(guān)事件檢測(cè)

為說明算法流程，選用實(shí)驗(yàn)室測(cè)量的較為理想的負(fù)荷組合場(chǎng)景，負(fù)荷類型及開關(guān)順序如圖9所示。

圖9 組合場(chǎng)景功率曲線圖Fig.9 Power curve of the combined scene

用四種方法分別對(duì)組合場(chǎng)景進(jìn)行檢測(cè)分析，結(jié)果如表5所示。當(dāng)檢測(cè)時(shí)刻與真實(shí)開關(guān)時(shí)刻的絕對(duì)誤差大于3 s時(shí)，視為漏檢。

表5 組合場(chǎng)景開關(guān)事件檢測(cè)結(jié)果對(duì)比Tab.5 Comparison of detection results of combination scene

同時(shí)，對(duì)仿真算法運(yùn)行時(shí)間進(jìn)行對(duì)比，使用Inter（R）Pentium（R）CPU G3250@3.20GHz 3.20GHz 64 位計(jì)算機(jī)，每種方法做5 組實(shí)驗(yàn)，最后取平均值。最后，4 種方法所耗時(shí)間分別為：0.046 s，0.364 s，0.642 s，0.241 s。結(jié)合表3～表5 和運(yùn)行耗時(shí)可知，在檢測(cè)準(zhǔn)確度較高的方法3 與方法4 中，方法4 的耗時(shí)小于方法3，并且在仿真算法中具有更簡(jiǎn)單的程序，方法3 運(yùn)算所占內(nèi)存更大，應(yīng)用于多用戶終端時(shí)，方法4 的適用性更強(qiáng)。

4.2 負(fù)荷曲線分解仿真及算法對(duì)比

4.2.1 長短時(shí)神經(jīng)網(wǎng)絡(luò)負(fù)荷曲線分解

為了說明提取方法，以4.1.3 節(jié)中所提理想組合場(chǎng)景的曲線作為分析對(duì)象，提取微波爐的功率曲線，如圖10 所示。利用長短時(shí)神經(jīng)網(wǎng)絡(luò)對(duì)功率曲線空缺部分（圖10b 黑色表示部分）進(jìn)行預(yù)測(cè)填補(bǔ)，再將總功率曲線與填補(bǔ)后的曲線進(jìn)行相減，即可通過該兩條曲線提取出單一負(fù)荷的運(yùn)行曲線。

圖10 應(yīng)用于負(fù)荷曲線分解的長短時(shí)神經(jīng)網(wǎng)絡(luò)Fig.10 Application of load curves decomposition of LSTM

4.2.2 單一負(fù)荷曲線分解

用所提方法對(duì)單一負(fù)荷電水壺、電飯鍋、微波爐和空調(diào)進(jìn)行負(fù)荷曲線分解，并計(jì)算出評(píng)價(jià)指標(biāo)功率分解準(zhǔn)確率和能量分解準(zhǔn)確率。

表6顯示，對(duì)于線性負(fù)荷的曲線分解，所提方法的功率分解準(zhǔn)確率和能量分解準(zhǔn)確率都達(dá)到99%，而對(duì)于非線性負(fù)荷，準(zhǔn)確率也達(dá)到96%。

表6 單一負(fù)荷的功率分解準(zhǔn)確率和能量分解準(zhǔn)確率Tab.6 Accuracies of power and energy estimation of a single load

4.2.3 組合數(shù)據(jù)負(fù)荷分解

對(duì)4.1.3 節(jié)中所提組合場(chǎng)景進(jìn)行負(fù)荷曲線分解，將分解后的單一負(fù)荷曲線和原始功率曲線進(jìn)行疊加對(duì)比，如圖11所示。

圖11 長短時(shí)神經(jīng)網(wǎng)絡(luò)在組合場(chǎng)景下的負(fù)荷曲線分解圖Fig.11 Load curves decomposition diagram of the combined scene of LSTM

4.2.4 與線性差值算法對(duì)比

為了說明所提負(fù)荷曲線分解算法的準(zhǔn)確度，采用線性插值（linear interpolation，LI）的方法提取單一負(fù)荷曲線，分解結(jié)果如圖12所示。

圖12 線性插值負(fù)荷曲線分解圖Fig.12 Load curves decomposition diagram of linear interpolation

對(duì)比圖11 和圖12，可以看出，利用長短時(shí)神經(jīng)網(wǎng)絡(luò)分解出的各個(gè)單一負(fù)荷功率曲線更平穩(wěn)。

表7 展示了LSTM 與LI 的功率分解和能量分解的結(jié)果。對(duì)比結(jié)果顯示，在組合場(chǎng)景下，LSTM也具有明顯的優(yōu)勢(shì)，每一種負(fù)荷的準(zhǔn)確率均在90%以上。

表7 組合場(chǎng)景下的功率分解準(zhǔn)確率和能量分解準(zhǔn)確率Tab.7 Accuracies of power and energy decomposition of load combination scene

5 REDD數(shù)據(jù)庫驗(yàn)證

REDD 數(shù)據(jù)集單個(gè)負(fù)荷有功功率采樣時(shí)間每個(gè)相隔3 s，對(duì)于其中缺失的數(shù)據(jù)，因?yàn)樾∮? min的數(shù)據(jù)缺失主要由無線傳輸?shù)墓收蠈?dǎo)致，可直接使用線性插值法補(bǔ)全數(shù)據(jù)[11]。選用REDD 數(shù)據(jù)庫中的低頻功率數(shù)據(jù)進(jìn)行驗(yàn)證，由于不涉及負(fù)荷辨識(shí)，因此本次驗(yàn)證將用負(fù)荷1、負(fù)荷2、負(fù)荷3代表不同的負(fù)荷。REDD數(shù)據(jù)功率曲線圖如圖13所示。

圖13 REDD數(shù)據(jù)功率曲線圖Fig.13 Power curve of REDD data

分別用四種方法對(duì)REDD數(shù)據(jù)庫中60 min的負(fù)荷功率數(shù)據(jù)進(jìn)行開關(guān)事件檢測(cè)，檢測(cè)結(jié)果如表8所示。

表8 REDD數(shù)據(jù)開關(guān)事件檢測(cè)結(jié)果對(duì)比Tab.8 Comparison of detection results of REDD data

重復(fù)進(jìn)行5次實(shí)驗(yàn)，并記錄下運(yùn)算時(shí)長，最后求出平均值，四種方法所耗時(shí)間分別為：0.056 s，0.599 s，3.347 s，0.393 s。結(jié)合表8 可以看出，相對(duì)于方法1和方法2，方法3、方法4有效提高了檢測(cè)精度，并且更為準(zhǔn)確地還原了負(fù)荷開關(guān)的具體時(shí)刻，然而方法3 運(yùn)行時(shí)間明顯長于方法4，應(yīng)用于實(shí)際情況時(shí)，方法4會(huì)使設(shè)備運(yùn)行更快，能有效節(jié)約時(shí)間和設(shè)備使用內(nèi)存。

REDD 數(shù)據(jù)的功率分解準(zhǔn)確率和能量分解準(zhǔn)確率如表9 所示。由結(jié)果可以看出，相比于LI 方法，所提分解算法對(duì)于復(fù)雜混合功率曲線具有更好的分解效果，再次證明所提方法的有效性。

表9 REDD數(shù)據(jù)下的功率分解準(zhǔn)確率和能量分解準(zhǔn)確率Tab.9 Accuracies of power and energy estimation of REDD data

6 結(jié)論

針對(duì)當(dāng)前負(fù)荷開關(guān)事件檢測(cè)算法準(zhǔn)確度不高、實(shí)用性差的問題，利用負(fù)載特征及開關(guān)響應(yīng)特征，提出一種基于差分和計(jì)算的檢測(cè)方法。差分和檢測(cè)負(fù)荷開關(guān)事件算法可降低現(xiàn)有方法的漏檢，提高負(fù)荷開關(guān)事件發(fā)生時(shí)刻的檢測(cè)準(zhǔn)確率，并在此基礎(chǔ)上，提高了運(yùn)行速度，減小了程序運(yùn)算內(nèi)存，針對(duì)未知負(fù)載也具有良好的檢測(cè)準(zhǔn)確度，在實(shí)際情況下具有更好的適用性。同時(shí)，為了分解出總有功功率下單一負(fù)荷的曲線，提出一種基于開關(guān)事件匹配和利用長短時(shí)神經(jīng)網(wǎng)絡(luò)的負(fù)荷曲線分解方法?；陂_關(guān)事件匹配和長短時(shí)神經(jīng)網(wǎng)絡(luò)的負(fù)荷曲線分解可將混合負(fù)荷曲線較為精確地分解成單一負(fù)荷曲線，并計(jì)算出單一負(fù)荷的耗能。最后，通過實(shí)驗(yàn)數(shù)據(jù)和REDD 數(shù)據(jù)庫驗(yàn)證了方法的有效性。

由于不涉及負(fù)荷辨識(shí)，下一步將完善負(fù)荷辨識(shí)的方法，提高辨識(shí)的準(zhǔn)確率，在此基礎(chǔ)上開展閉環(huán)非侵入式檢測(cè)系統(tǒng)研究，同時(shí)，跟進(jìn)實(shí)際設(shè)備產(chǎn)品的研發(fā)與應(yīng)用。