買亞龍，唐 寅，李 堅，孫佳寧，高 翔，許 磊

（1. 電子科技大學(xué)機械與電氣工程學(xué)院，四川成都 611731；2. 電子科技大學(xué)廣西智能制造產(chǎn)業(yè)技術(shù)研究院，廣西柳州 545003）

引 言

能源和環(huán)境是當(dāng)今人類面對的兩個重大課題，更高效的用電是應(yīng)對日趨嚴(yán)峻的能源環(huán)境問題的關(guān)鍵手段。居民用電是能源的主要流向之一，居民用電需求的激增將引發(fā)一系列能源環(huán)境問題，因此充分挖掘用戶側(cè)的“減碳節(jié)能”潛力至關(guān)重要，其中的關(guān)鍵手段是提高用戶對家中負(fù)荷耗能的感知與監(jiān)測，以便用戶能及時發(fā)現(xiàn)家中的異常用電行為并做出積極響應(yīng)。要做到這些，就必須克服傳統(tǒng)電表只能記錄用戶總用電量而不能記錄各個用電設(shè)備用電量的局限性，實現(xiàn)“細(xì)粒化”的用電監(jiān)測，即負(fù)荷監(jiān)測。

傳統(tǒng)的侵入式負(fù)荷監(jiān)測（Intrusive Load Monitoring, ILM）需要給用戶的每一個用電設(shè)備加裝傳感器，需要對所有傳感器的數(shù)據(jù)進行處理并上傳服務(wù)器，以此來監(jiān)測每一種用電設(shè)備的用電情況。雖然這種方法有很好的監(jiān)測效果，但用戶的接受度較低，因其安裝成本和隱私泄露的風(fēng)險大大增加，且隨著用電設(shè)備的增加，其靈活性和擴展性降低，并不適用于大部分用戶。非侵入式負(fù)荷監(jiān)測（Non-intrusive Load Monitoring,NILM）是20世紀(jì)90年代由Hart教授提出的一種以最小的代價獲取用戶能耗信息的技術(shù)[1]。只需在用戶的電力入口處（入戶總線）安裝設(shè)備就能夠?qū)崿F(xiàn)對居民家中用電負(fù)荷的監(jiān)測，安裝成本大大降低，可靠性高，用戶接受程度高。非侵入式負(fù)荷監(jiān)測系統(tǒng)從總負(fù)荷中分解出各個用電負(fù)荷的運行情況，從各個負(fù)荷的使用情況分析用戶的用電行為，形成優(yōu)化電能供給，提高供電側(cè)電能質(zhì)量以及供電的可靠性。用戶側(cè)以細(xì)粒化的用電信息為依據(jù)，優(yōu)化自身的用電行為，減少不必要的電能消耗[2]。

1 非接觸式高頻同步電力數(shù)據(jù)采集裝置設(shè)計

1.1 基于霍爾傳感器的非接觸式電流測量

傳統(tǒng)的接觸式測量需要將測量儀器直接接入電路，這必然會對原有電路產(chǎn)生或多或少的影響，測量結(jié)果與實際值之間就不可避免地存在誤差。另外，高頻電力數(shù)據(jù)采集裝置的應(yīng)用場景是家庭入口總線處或者更高電壓的場景總線處，若采用接觸式的測量方案，則在安裝或檢修裝置時，勢必會給操作人員帶來不必要的風(fēng)險，也給設(shè)備的維護增加不小的難度。非接觸式電力數(shù)據(jù)采集裝置測量設(shè)備不需要直接接入電路，因而不會對電路中原有器件的運行狀態(tài)產(chǎn)生干擾，采集到的電力數(shù)據(jù)更加準(zhǔn)確，而且操作人員不存在與高壓線路直接接觸的風(fēng)險，降低了裝置的危險系數(shù)。對此，本文提出了一種基于霍爾傳感器的非接觸式電流測量方法。在測量裝置與通電直導(dǎo)線（無限長）相距r處的霍爾電動勢為：

式中：R為霍爾系數(shù)；ic是電流強度；d是半導(dǎo)體材料平行于磁場方向的寬度；I為源電流；μ0為磁常數(shù)。由被測電流與霍爾電動勢的關(guān)系，可計算得到被測電流值。

1.2 硬件裝置設(shè)計

硬件部分的整體設(shè)計如圖1所示，包括非接觸式電流測量裝置、模數(shù)轉(zhuǎn)換模塊、異地同步采樣信號發(fā)生模塊、數(shù)據(jù)處理模塊以及通訊模塊。模數(shù)轉(zhuǎn)換模塊將模擬信號轉(zhuǎn)換為計算機能夠處理的數(shù)字信號，該模塊選用的芯片是ADS7864。為了實現(xiàn)異地不同裝置之間采集信號的同步性，需要給模數(shù)轉(zhuǎn)換模塊提供同步時鐘采樣信號。該部分使用復(fù)雜可編程邏輯器件（Complex Programmable Logic Device, CPLD）來實現(xiàn)，選用的芯片為EPM1270。采用全球定位系統(tǒng)（Global Positioning System, GPS）同步衛(wèi)星授時，它的授時時間與通用的國標(biāo)時間之間的誤差小于1 μs，因此對50 Hz的家用交流電信號來說，準(zhǔn)確性可以得到最大程度的保障。數(shù)據(jù)處理模塊是硬件系統(tǒng)的核心，需要較高的運算精度和數(shù)據(jù)處理能力，選用的芯片為TMS320F2812[3]，其主要功能為產(chǎn)生模數(shù)轉(zhuǎn)換的控制信號及數(shù)據(jù)讀取控制信號、數(shù)據(jù)的存儲及處理等。通訊模塊分為服務(wù)器通信和串口通信兩個部分。為了方便設(shè)備的調(diào)試及離線負(fù)荷數(shù)據(jù)庫的建立而設(shè)置了RS232串行接口，用于與個人計算機（Personal Computer, PC）的通訊。同時為了實現(xiàn)負(fù)荷在線監(jiān)測，需要將處理后的數(shù)據(jù)傳輸給網(wǎng)絡(luò)傳輸模塊并發(fā)送至遠(yuǎn)端服務(wù)器，采用IEEE1451.2的TII接口。

圖1 硬件裝置整體框圖

2 基于高頻數(shù)據(jù)的非侵入式負(fù)荷辨識方案設(shè)計

2.1 事件檢測與電流分離

2.1.1 基于非參數(shù)化CUSUM的事件檢測方法

通常將負(fù)荷的投切或負(fù)荷運行狀態(tài)的改變定義為負(fù)荷事件。事件發(fā)生時，總的電流和功率序列會發(fā)生改變，因而可以將事件檢測問題歸為變點檢測的問題。處理變點檢測問題常用的算法為累積和（Cumulative Sum, CUSUM）。根據(jù)是否需要預(yù)先知道數(shù)據(jù)的概率分布情況，可以將CUSUM分為參數(shù)化的CUSUM和非參數(shù)化的CUSUM。由于電力負(fù)荷不斷變化，無論是功率還是電流等隨機變量，都無法預(yù)先得知其概率分布情況，因此研究非參數(shù)化的方法在NILM領(lǐng)域更有意義[4]。

非參數(shù)化CUSUM的主要思想為：當(dāng)關(guān)注的統(tǒng)計量比正常運行條件下的平均值高或低時，認(rèn)為可能有事件發(fā)生；對監(jiān)測量與平均值的差進行累積，當(dāng)累積和超過某個閾值時確定有事件發(fā)生，之后便可以倒推回事件發(fā)生的時刻。其算法流程為：設(shè)某一時間序列為T={t(k)}(k= 1,2,···)，t為時刻，統(tǒng)計函數(shù)s定義為：

式中：μ0為變點發(fā)生前序列的均值；β為噪聲水平。當(dāng)sk ＞0時，認(rèn)為采樣序列在該時刻發(fā)生變化，若尚未達到事件發(fā)生的閾值h，則初始化延遲時間m= 0；令m=m+1并繼續(xù)進行累積和，直到sk ＞h時認(rèn)為事件被監(jiān)測到事件發(fā)生的時刻可以倒推為t=k-m。

2.1.2 基于并聯(lián)電路的電流分離方法

在檢測到事件后需要從總負(fù)荷電流數(shù)據(jù)中分離出單個負(fù)荷的電流序列。由于各負(fù)荷電流之間相互獨立且滿足并聯(lián)電路的基本原理，故可以將入戶總電流視為各負(fù)荷電流之間的疊加[5]。由于電壓信號及相位始終保持相對穩(wěn)定，且電流的相位由電壓的相位決定，因而只要保證在相同的電壓起始相位提取穩(wěn)態(tài)電流信號，就可以利用并聯(lián)電路的原理，將事件發(fā)生前后的穩(wěn)態(tài)電流序列相減得到單個負(fù)荷事件的電流序列，從而實現(xiàn)單負(fù)荷電流的分離[6]。本文將電壓過零點并上升的時刻作為基準(zhǔn)來提取電流序列，具體分離步驟為：

1）提取事件發(fā)生后的穩(wěn)態(tài)電流序列。當(dāng)穩(wěn)態(tài)電壓過零點并上升時，采集穩(wěn)態(tài)電流序列。

2）提取事件發(fā)生前的穩(wěn)態(tài)電流序列。以事件發(fā)生前穩(wěn)態(tài)電壓過零點并上升的時刻作為基準(zhǔn)采集相同長度的穩(wěn)態(tài)電流序列。

3）單負(fù)荷電流分離。將步驟1中的電流序列與步驟2中的電流序列如式（3）所示做差。

式中：IS(k),Im1(k),Im2(k)分別為單個負(fù)荷、事件發(fā)生前、事件發(fā)生后穩(wěn)態(tài)電流的第k個采樣點；N為電流序列長度。

2.2 特征提取

負(fù)荷特征是負(fù)荷識別的依據(jù)。經(jīng)過事件檢測和電流分離后得到單個負(fù)荷穩(wěn)態(tài)運行時的電流序列。圖2展示了6種常見家用負(fù)荷的穩(wěn)態(tài)電流波形。直接利用電流序列作為負(fù)荷特征雖具有較高的識別度但由于序列過長，運算復(fù)雜度增加，因而需要從電流序列中提取出有效的負(fù)荷特征。非線性設(shè)備（如各類電子設(shè)備）的諧波含量并不相同，而常見的線性設(shè)備（如白熾燈、電加熱吹風(fēng)機等）的功率等級有差異，故可以采用穩(wěn)態(tài)電流的基波和奇次諧波（3rd,5th,··· ,15th）作為負(fù)荷特征。本文利用快速傅里葉變換提取穩(wěn)態(tài)電流基波和奇次諧波。

圖2 6種家用負(fù)荷穩(wěn)態(tài)電流波形

2.3 負(fù)荷辨識

模式識別算法是非侵入式負(fù)荷辨識的常用算法，其中基于監(jiān)督學(xué)習(xí)的機器學(xué)習(xí)算法具有很好的分類效果，已經(jīng)被大量應(yīng)用于非侵入式負(fù)荷識別。本文采用監(jiān)督學(xué)習(xí)中常用的K近鄰（K-Neighbors, KNN）、多層感知機（Multilayer Perceptron, MLP）以及隨機森林（Random Forest, RF）作為負(fù)荷辨識的算法。

2.3.1 K近鄰

K近鄰算法對某個樣本的所有特征與其他樣本的對應(yīng)特征進行比較，利用歐式距離等方法選擇出K個最相似的樣本[7]。之后與隨機森林的決策部分類似，將這K個樣本出現(xiàn)次數(shù)最多的標(biāo)簽作為該樣本的標(biāo)簽。其理論成熟，思想簡單，但是計算量較大，不適用于特征數(shù)多的樣本。

2.3.2 多層感知機

多層感知機也叫人工神經(jīng)網(wǎng)絡(luò)，類似于人的神經(jīng)系統(tǒng)，由輸入層、輸出層和隱藏層組成。其算法流程為：輸入數(shù)據(jù)乘權(quán)重后輸入到隱藏層，經(jīng)激活函數(shù)后輸出，之后將輸出值與標(biāo)簽值的插值當(dāng)作優(yōu)化網(wǎng)絡(luò)的目標(biāo)函數(shù)，通過不斷的訓(xùn)練更改權(quán)重使目標(biāo)函數(shù)最小，以求得使輸出值與標(biāo)簽值的差最小的模型。圖3為由3個輸入、一個隱藏層神經(jīng)元和一個輸出構(gòu)成的簡單多層感知機，其中f為激活函數(shù)，w1，w2和w3為權(quán)重，x1，x2和x3為3個輸入，wx為權(quán)重，b為偏置。

圖3 多層感知機結(jié)構(gòu)

2.3.3 隨機森林

隨機森林由多個決策樹組成。決策樹是一種樹形結(jié)構(gòu)，其原理大致可以歸納為層層分析和邏輯推理。根節(jié)點是所有的樣本特征，內(nèi)部節(jié)點用于判斷一個特征層面上的分類結(jié)果，葉節(jié)點代表分類結(jié)果，其分類流程如圖4所示。每個決策樹為一個分類器，決策樹的數(shù)量即為分類數(shù)量。隨機森林算法利用集成學(xué)習(xí)的思想，統(tǒng)計所有的分類結(jié)果，將分類結(jié)果次數(shù)最多的類別指定為最終的輸出類別。

圖4 決策樹的流程圖

2.4 實驗及結(jié)果分析

2.4.1 評價指標(biāo)

評價指標(biāo)需要關(guān)注整體的分類準(zhǔn)確率以及每類設(shè)備的分類效果。本文采用準(zhǔn)確率（accuracy）A、精確率（precision）P、召回率（recall）R以及F1得分（F1-score）F1來評估模型。準(zhǔn)確率A表示正確分類的樣本占測試集樣本數(shù)的比例，精確率P表示算法預(yù)測的標(biāo)簽為某電器時，其實際標(biāo)簽為該電器的概率，召回率R表示某電器樣本被算法正確地辨識為該電器的概率，F(xiàn)1得分F1是結(jié)合精確率P和召回率R的綜合性指標(biāo)，它們的具體計算方法為：

式中：N1表示測試集樣本總數(shù)；T表示模型辨識后得到的電器標(biāo)簽與實際樣本標(biāo)簽相一致的樣本數(shù)量；R表示模型未辨識為某電器標(biāo)簽、實際標(biāo)簽也非該電器的樣本數(shù)量；F表示辨識標(biāo)簽為某電器而實際標(biāo)簽非該電器的樣本數(shù)量；Q表示辨識標(biāo)簽不為某電器而實際標(biāo)簽為該電器的樣本數(shù)量。

2.4.2 結(jié)果分析

本次實驗利用PLAID數(shù)據(jù)集[8]的高頻電流數(shù)據(jù)進行算法驗證。經(jīng)過事件檢測、電流分離以及特征提取后得到6種設(shè)備共816組有效樣本。將隨機打亂后的樣本的80%用作模型的訓(xùn)練，20%作為模型性能的測試，并將樣本-標(biāo)簽對輸入到不同的機器學(xué)習(xí)分類算法中。本實驗使用的集成開發(fā)環(huán)境為PyCharm，利用Scikit-Learn庫中的機器學(xué)習(xí)算法進行實驗。K近鄰算法的整體分類準(zhǔn)確度為99.40%，多層感知機的整體分類準(zhǔn)確度為95.70%，隨機森林算法的整體分類準(zhǔn)確度為98.80%。模型單設(shè)備的分類效果見表1。

表1 單設(shè)備的分類效果

從表1可以看出，單設(shè)備的F1得分均較高，證明了本次實驗將諧波作為負(fù)荷特征的有效性。本次算例的不足之處在于：分類效果在本數(shù)據(jù)集上表現(xiàn)良好，但在其他數(shù)據(jù)集上的泛化能力未知；數(shù)據(jù)樣本數(shù)量還不夠多，在后續(xù)的研究中可以嘗試?yán)煤铣缮贁?shù)類[9]或數(shù)據(jù)增強[10]的方法來增加樣本數(shù)據(jù)集以提高模型的泛化能力。

3 系統(tǒng)整體方案設(shè)計

非侵入式負(fù)荷監(jiān)測系統(tǒng)分為離線建模以及在線監(jiān)測兩部分。

3.1 離線建模

利用非接觸式高頻電力數(shù)據(jù)采集裝置采集單個負(fù)荷正常工作時的穩(wěn)態(tài)電流數(shù)據(jù)。之后利用快速傅里葉變換獲得穩(wěn)態(tài)電流的基波和奇次諧波并將其作為負(fù)荷特征。同類設(shè)備提取多組樣本以保證樣本的多樣性從而提高模型的泛化程度。將所有樣本輸入到機器學(xué)習(xí)模型中讓模型自動進行參數(shù)的調(diào)整和優(yōu)化。

3.2 在線監(jiān)測

將非接觸式高頻電力數(shù)據(jù)采集裝置安裝在總線處。對服務(wù)器接收到的數(shù)據(jù)進行事件監(jiān)測、電流分離以及負(fù)荷特征提取，將提取到的特征輸入到離線建立的模型中即可識別設(shè)備的類型。

4 結(jié)束語

本文基于非接觸式高頻同步電力數(shù)據(jù)采集裝置設(shè)計了一種非侵入式負(fù)荷監(jiān)測系統(tǒng)。硬件部分使用非接觸式高頻電力數(shù)據(jù)采集裝置，包括非接觸式電流測量模塊、模數(shù)轉(zhuǎn)換模塊、同步采樣信號發(fā)生模塊、數(shù)據(jù)處理模塊以及通訊模塊。軟件部分使用非參數(shù)化累積和的方法進行事件檢測，利用并聯(lián)電路理論進行單負(fù)荷電流提取，將穩(wěn)態(tài)電流基波和奇次諧波作為負(fù)荷特征，利用機器學(xué)習(xí)的方法進行負(fù)荷的辨識，并用公開數(shù)據(jù)集證明了將電流基波、諧波作為負(fù)荷特征的有效性。最后介紹了非侵入式負(fù)荷監(jiān)測系統(tǒng)的整體方案設(shè)計，包括離線建模和在線監(jiān)測。