宋磊，徐永進(jìn)，刁瑞朋，李亦龍，陸春光，王思奎

(1.國網(wǎng)浙江省電力有限公司營銷服務(wù)中心，杭州311121； 2.青島鼎信通訊股份有限公司，山東 青島 266000)

0 引 言

沖擊負(fù)荷是較大功率設(shè)備在啟動或者工作過程中功率峰值變化為正常運行時幾倍甚至幾十倍的負(fù)荷，具有非線性、動態(tài)時變性、波動頻繁性等特點。沖擊負(fù)荷對電力系統(tǒng)的影響不容忽視，它不僅會引起電力系統(tǒng)頻率的連續(xù)震蕩，威脅電網(wǎng)安全運行，而且會破壞電力設(shè)備的穩(wěn)定性。在邊緣測對大型用電企業(yè)不同沖擊負(fù)荷設(shè)備的啟停規(guī)律進(jìn)行研究、識別與統(tǒng)計，結(jié)合大數(shù)據(jù)技術(shù)，可以為電力負(fù)荷預(yù)測、電力系統(tǒng)運行分析、電網(wǎng)規(guī)劃和檢修計劃安排提供定量化的理論依據(jù)。

目前許多學(xué)者對沖擊負(fù)荷的特性加以研究分析，并提出了多種沖擊負(fù)荷建模方法，旨在推動對沖擊負(fù)荷的檢測識別及其功率特性的分析和掌握。文獻(xiàn)[1]提出使用最小二乘支持向量機(jī)對沖擊負(fù)荷進(jìn)行建模分析，并使用粒子群優(yōu)化算法進(jìn)行模型參數(shù)辨識。文獻(xiàn)[2]提出使用區(qū)域控制偏差濾波的方法對沖擊負(fù)荷進(jìn)行建模與識別。文獻(xiàn)[3]基于小波能量熵和自組織競爭性神經(jīng)網(wǎng)絡(luò)沖擊負(fù)荷的特征提取和分類訓(xùn)練，實現(xiàn)了沖擊負(fù)荷電壓暫降源的識別。

以上方法主要對沖擊負(fù)荷的特性進(jìn)行了研究與建模，但鑒于沖擊負(fù)荷的產(chǎn)生具有隨機(jī)性，產(chǎn)生時刻和強(qiáng)度的大小無法實現(xiàn)準(zhǔn)確識別，給模型的應(yīng)用帶來了困難。而且傳統(tǒng)的沖擊負(fù)荷監(jiān)測需要在每個負(fù)載上面加裝監(jiān)測裝置，在設(shè)備投切的時候通過人工等方式將信息發(fā)送到控制中心。此方式雖然簡單方便，但在大量負(fù)載上都加裝監(jiān)測裝置需要巨大的人力與物力，并不現(xiàn)實。

非侵入負(fù)荷監(jiān)測是最新的智能電網(wǎng)高級量測技術(shù)，此類方法只采樣用戶總進(jìn)線處的電壓和電流，通過智能算法來分解辨識電器的工作序列，具有不需要入戶施工、建設(shè)和維護(hù)成本低等顯著優(yōu)點。該技術(shù)的核心是非侵入式識別算法。文獻(xiàn)[4]提出應(yīng)用最優(yōu)方法求取一組合理的權(quán)重系數(shù)，使負(fù)荷估計電流與負(fù)荷真實電流最為接近，從而確定電力負(fù)荷中不同類型用電設(shè)備的功率消耗比例。文獻(xiàn)[5]提出了通過微分進(jìn)化算法求解不相容線性代數(shù)方程組形式的估計方程與相應(yīng)的目標(biāo)函數(shù)，以非侵入式的方式對電力負(fù)荷分解與監(jiān)測，但這兩種方法一般針對家用電器識別，并沒有針對沖擊負(fù)荷進(jìn)行識別研究。文獻(xiàn)[6]通過加權(quán)CUSUM雙邊變點檢測算法和基于S變換提取特征量的SVM自動分類算法結(jié)合進(jìn)行沖擊負(fù)荷的監(jiān)測識別，但識別率不高且無法實現(xiàn)有效的負(fù)荷功率分解。

上述所提算法均為在電腦端進(jìn)行仿真，沒有實際部署與測試。針對以上問題，文章引入人工神經(jīng)網(wǎng)絡(luò)理論，提出了一種基于孿生分支網(wǎng)絡(luò)的非侵入式?jīng)_擊負(fù)荷辨識方法。首先通過提取不同類別設(shè)備的沖擊負(fù)荷數(shù)據(jù)的V-I軌跡特征和定制化的對角高斯諧波特征進(jìn)行網(wǎng)絡(luò)預(yù)訓(xùn)練；其次設(shè)計一種基于孿生分支結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)模型，同時引入功率先驗信息進(jìn)行網(wǎng)絡(luò)訓(xùn)練；最后使用非侵入式的方式，在嵌入式平臺上對模型進(jìn)行了部署，并對不同沖擊負(fù)荷設(shè)備辨識準(zhǔn)確度進(jìn)行了對比驗證。

1 沖擊負(fù)荷及其辨識

1.1 典型沖擊負(fù)荷設(shè)備

沖擊負(fù)荷設(shè)備按規(guī)?？梢苑譃槿悾謩e為大型、中型和單一型[7]。大型非線性負(fù)荷包括高鐵、鐵路牽引變電站和光伏發(fā)電廠等；中型包括電動汽車充電站、軋鋼機(jī)、電弧爐和中頻爐等；單一型包括礦熱機(jī)、CT機(jī)和強(qiáng)流試驗站等[8]。

文章從三類沖擊負(fù)荷設(shè)備中選取常見的四種作為典型負(fù)荷進(jìn)行研究，使用錄波設(shè)備在現(xiàn)場采集變比后的高頻數(shù)據(jù)，分析其功率、電壓、電流變化，在此基礎(chǔ)上提取其高級特征并輸入到所設(shè)計的卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行離線訓(xùn)練，最后在嵌入式端進(jìn)行部署和測試識別效果。

以中頻爐為例，中頻爐是一種中頻無芯感應(yīng)爐，其將三相工頻交流電進(jìn)行整流，再通過逆變電路輸出為單相的中頻交流電作為電源，由于整流設(shè)備的影響，中頻爐啟動運行時會產(chǎn)生大量諧波，電壓電流和功率顯示出沖擊特性，常見的軋鋼機(jī)在變壓器低壓側(cè)電壓一般為0.4 kV ～0.9 kV，主要設(shè)備采用直流電機(jī)拖動，由三相交流整流后供電，整流后的直流電同樣存在脈動并在交流測產(chǎn)生諧波。電弧爐是一個非線性隨機(jī)負(fù)載，電弧爐精煉期工作時，電弧工作狀態(tài)相對比較穩(wěn)定，其諧波主要以奇次諧波為主[9]。CT機(jī)是典型的大功率醫(yī)用設(shè)備，當(dāng)對醫(yī)院病人使用大型CT機(jī)X射線掃描穿透時，設(shè)備投切產(chǎn)生大功率突變電流。以上設(shè)備的運行電流波形變化特點和諧波特性如圖1所示。

圖1 典型沖擊負(fù)荷波形特性

1.2 沖擊負(fù)荷辨識流程

基于V-I軌跡特征和電流頻譜特征的孿生分支網(wǎng)絡(luò)整體負(fù)荷辨識流程示意圖如圖2所示。

圖2 基于孿生分支網(wǎng)絡(luò)的沖擊負(fù)荷辨識流程

典型設(shè)備的沖擊負(fù)荷特性分為沖擊特性和負(fù)荷特性。沖擊特性為設(shè)備啟動后短時間達(dá)到峰值功率的過程，負(fù)荷特性為設(shè)備從沖擊時刻達(dá)到穩(wěn)定運行的電壓電流特性。文中所提算法可在檢測到?jīng)_擊特性發(fā)生后對總線電流特性進(jìn)行辨識，其實現(xiàn)流程按如下步驟：

(1)對電網(wǎng)用戶側(cè)總線處的電壓和電流采樣，并進(jìn)行降噪和去直流等預(yù)處理；

(2)提取電壓和電流產(chǎn)生突變前后時段的特征，同時根據(jù)文獻(xiàn)[9]所提方法進(jìn)行功率求解并制作目標(biāo)標(biāo)簽；

(3)將提取到的特征輸入到所設(shè)計的孿生分支神經(jīng)網(wǎng)絡(luò)中，借助卷積神經(jīng)網(wǎng)絡(luò)強(qiáng)大的學(xué)習(xí)能力進(jìn)行沖擊負(fù)荷設(shè)備特征離線訓(xùn)練和學(xué)習(xí)；

(4)以非侵入式的方式，將訓(xùn)練模型在智能物聯(lián)網(wǎng)電能表外接模組上部署，通過孿生分支網(wǎng)絡(luò)實時分析高頻ADC采樣數(shù)據(jù)，獲取設(shè)備辨識結(jié)果并對沖擊功率進(jìn)行回歸。

2 基于孿生分支神經(jīng)網(wǎng)絡(luò)的沖擊負(fù)荷辨識

2.1 沖擊負(fù)荷特征工程

卷積神經(jīng)網(wǎng)絡(luò)屬于半監(jiān)督學(xué)習(xí)，因此盡可能提供更多的先驗信息是必要的，先驗信息通過特征的方式輸入到網(wǎng)絡(luò)進(jìn)行訓(xùn)練與學(xué)習(xí)，特征的好壞很大程序上決定了網(wǎng)絡(luò)的辨識效果，在嵌入式設(shè)備部署網(wǎng)絡(luò)模型時，受限于硬件資源，可設(shè)計的網(wǎng)絡(luò)層級十分有限。因此選擇或設(shè)計合適的特征有利于節(jié)約資源，最大程度發(fā)揮卷積神經(jīng)網(wǎng)絡(luò)的辨識能力。

2.1.1 V-I軌跡特征

在非介入式辨識方面，設(shè)計特征的本質(zhì)即采樣數(shù)據(jù)重塑。二維電壓電流(V-I)軌跡特征是文獻(xiàn)[10]提出的一種簡潔高效的特征表征方法，該方法抽象了負(fù)載之間電壓電流軌跡的相似性，并將該軌跡映射到二值單元特征矩陣中，其計算方法如下所述。

對于設(shè)備的每個采樣周期，有電壓Vk(V1,V2, … ,Vk)和電流Ik(I1,I2, … ,Ik)共2k個采樣點的序列，其中Vk和Ik代表每個點的采樣值，首先對采樣序列去直流：

(1)

然后對電壓電流采樣值標(biāo)幺化并填充至N×N大小的波形軌跡坐標(biāo)空間：

(2)

其中「?代表向上取整，對于每一個標(biāo)幺化后的電壓電流采樣序列對，映射到坐標(biāo)空間的值為1，其他值為0，由此生成N*N的V-I軌跡圖像，以CT機(jī)為例，其V-I軌跡特征如圖3所示：

2.1.2 對角高斯諧波矩陣特征

由于工作原理不同，大多數(shù)電器設(shè)備之間的V-I軌跡差異十分明顯，有利于沖擊性負(fù)荷的辨識。但由于V-I 軌跡是由歸一化的電壓與電流值繪制，無法反映設(shè)備的功率大小，不能有效區(qū)分部分V-I軌跡相似但功率差異較大的設(shè)備[11]。

文章定義一種基于電流的對角高斯諧波矩陣(Gaussian Diagonal Harmonic Matrices，Gauss-DHM)特征，該特征具有明顯的幅值特性，能彌補V-I軌跡特征的缺點以實現(xiàn)更好的辨識效果，并且可以直接送入神經(jīng)網(wǎng)絡(luò)訓(xùn)練。對角高斯諧波矩陣通過離散傅里葉變換得到，對于周期電流采樣序列Ik(I1,I2, … ,Ik)，計算其離散傅里葉變換ID(n)：

(3)

根據(jù)歐拉公式展開可得：

(4)

得到n次諧波序列ID(n)后，將其映射到二維坐標(biāo)空間，中心處為基波幅值，諧波次數(shù)依次沿著對角線延伸由高到低分布，諧波幅值分別填充到對應(yīng)位置，即組成二維高斯諧波特征矩陣，其示意圖如圖4所示。

2.2 基于孿生分支神經(jīng)網(wǎng)絡(luò)的設(shè)計與訓(xùn)練

2.2.1 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計

現(xiàn)有的非侵入式卷積神經(jīng)網(wǎng)絡(luò)負(fù)荷辨識思路只進(jìn)行了設(shè)備的類別的分類，沒有考慮功率的回歸[12]。文章設(shè)計了兩種輕量級卷積神經(jīng)網(wǎng)絡(luò)框架，訓(xùn)練時融合V-I軌跡特征和Gauss-DHM特征，在實現(xiàn)沖擊負(fù)荷設(shè)備類別辨識的同時進(jìn)行了功率回歸，模型含有兩種前向模式，均可以在硬件資源不超過1 MB的RAM和ROM上部署。

模式一為輸入兩通道、骨干網(wǎng)絡(luò)單分支前向通道以及輸出雙分支的結(jié)構(gòu)，如圖5所示。輸入層對雙通道樣本的特征直接進(jìn)行融合計算，稱為Single-Arch模式，該模式包含三個卷積塊和雙分支輸出的全連接層，其中輸入特征大小為24×24×2，最后一層全連接層的輸出類別根據(jù)識別種類的需要進(jìn)行設(shè)置，兩個分支分別輸出類別和功率預(yù)測結(jié)果。

模式二為輸入雙通道、骨干網(wǎng)絡(luò)孿生(Siamese)[13]雙前向通道以及輸出雙分支的結(jié)構(gòu)[14]，如圖6所示，即前向推理時以雙通道的方式提取輸入樣本特征、輸出雙分支的Siamese Dual-Arch模式。兩個分支輸入特征大小均為24×24×1，分別對應(yīng)V-I軌跡特征和Gauss-DHM特征，兩種特征經(jīng)過卷積層進(jìn)行深度特征提取，在全連接層之前進(jìn)行特征融合，卷積塊數(shù)和全連接層結(jié)構(gòu)與Single-Arch模式保持一致。

圖6 模式II網(wǎng)絡(luò)結(jié)構(gòu)示意圖

對于輸入的電壓電流波形，首先進(jìn)行V-I軌跡特征和Gauss-DHM特征提取，然后根據(jù)網(wǎng)絡(luò)模型結(jié)構(gòu)的不同，將特征送入不同的通道進(jìn)行深度特征提取，網(wǎng)絡(luò)前向推理時，由三個卷積塊組成骨干網(wǎng)絡(luò)，每個卷積塊包含卷積層、激活層、池化層和Dropout層，該前向推理過程可表示為：

Refc(F)=fConcatenate[ζMaxpool(δReLu(Conv(F))),

ζMaxpool(δReLu(Conv(F)))]

(5)

其中Conv代表卷積操作，ReLu[15]為防止梯度爆炸或消失的激活層函數(shù)，Maxpool[16]對卷積輸出進(jìn)行降維壓縮來加快運算速度，Dropout[17]減少網(wǎng)絡(luò)對局部神經(jīng)元依賴以防止模型過擬合，Concatenate操作將不同輸出通道的特征拼接，用于全連接層的判別，兩種模式的參數(shù)設(shè)計見表1和表2。

表1 模式I網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)列表

表2 模式II網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)列表

上述所設(shè)計的兩種網(wǎng)絡(luò)模型，模式一使用兩種特征直接融合訓(xùn)練，輸入通道共享網(wǎng)絡(luò)權(quán)重，可減少網(wǎng)絡(luò)參數(shù)；模式二設(shè)計了一種孿生分支結(jié)構(gòu)，用于兩輸入通道數(shù)據(jù)分別提取特征經(jīng)骨干網(wǎng)絡(luò)前向推理后融合，兩種模式輸出時，模型能夠同時進(jìn)行邏輯分類和功率回歸。

2.2.2 孿生分支多標(biāo)簽分類與功率回歸設(shè)計原理

在卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練時，模型通過對比最后一層全連接層的輸出與訓(xùn)練集預(yù)設(shè)標(biāo)簽的差值定義損失，即輸出誤差，并通過梯度下降法迭代尋優(yōu)。在進(jìn)行分類任務(wù)時，使用交叉熵(Cross Entropy)[18]表示預(yù)測的結(jié)果和真實的結(jié)果的差異：

(6)

式中p(x)代表真實標(biāo)簽；q(x)代表網(wǎng)絡(luò)最后一層的激活輸出，x代表網(wǎng)絡(luò)輸出的維度數(shù)；q(x)通過Sigmoid激活函數(shù)獲取：

(7)

式中z為激活層的前一層輸出，文章所設(shè)計的孿生分支神經(jīng)網(wǎng)絡(luò)實現(xiàn)多標(biāo)簽多分類與回歸的關(guān)鍵在于訓(xùn)練時和前向推理時使用的損失函數(shù)，其中多分類多標(biāo)簽損失函數(shù)使用二分類交叉熵?fù)p失函數(shù)(Binary Cross-Entropy Loss，BCE Loss)，該損失函數(shù)使得每個類別的輸出獨立且不相互排斥，最后一層全連接層后通過多個Sigmoid輸出實現(xiàn)預(yù)測結(jié)果的多標(biāo)簽的多分類。其形式和誤差反向傳播時的導(dǎo)數(shù)如下：

(8)

式中C代表可識別的沖擊負(fù)荷設(shè)備類別數(shù)；真實標(biāo)簽p(x)的值為0或1；網(wǎng)絡(luò)Sigmoid激活層的輸出q(x)∈(0,1)，在進(jìn)行誤差反向傳播時，其形式簡單，有利于網(wǎng)絡(luò)訓(xùn)練加速，故分類任務(wù)選擇該激活函數(shù)，在實現(xiàn)功率回歸時，選擇最小平方誤差(Minimum Squared-Error，MSE)損失函數(shù)為：

(9)

2.2.3 沖擊負(fù)荷訓(xùn)練數(shù)據(jù)采集

由于沖擊負(fù)荷類的公開數(shù)據(jù)比較少，文章所用訓(xùn)練和測試數(shù)據(jù)通過專業(yè)設(shè)備獲取。其中數(shù)據(jù)采集使用MR1200系列波形監(jiān)測記錄儀，采集了煙臺市、哈爾濱市某大型工業(yè)企業(yè)及青島市李滄區(qū)某醫(yī)院改裝臺區(qū)總線側(cè)經(jīng)變比后的中頻爐、電弧爐、軋鋼機(jī)、CT機(jī)等設(shè)備單獨工作和部分設(shè)備混合工作的場景。訓(xùn)練數(shù)據(jù)分為15組，包括單一沖擊設(shè)備場景和混合沖擊設(shè)備使用的場景，每組800個數(shù)據(jù)。測試集3組，每組1 000個數(shù)據(jù)，涵蓋了常見的沖擊負(fù)荷設(shè)備場景。

2.2.4 沖擊負(fù)荷訓(xùn)練標(biāo)簽制作

訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型，需要提供大量帶有預(yù)設(shè)標(biāo)簽的樣本，文章所設(shè)計的孿生分支網(wǎng)絡(luò)算法除了可進(jìn)行沖擊設(shè)備類別識別外，還可以對其功率進(jìn)行回歸。制作功率信息的訓(xùn)練標(biāo)簽時，沖擊負(fù)荷有功功率的計算通過電壓電流單個周波離散采樣點乘積積分的平均值確定：

(10)

式中k為單周波采樣點數(shù)；i為單個周波第i個采樣點，Vi和Ii分別為該點電壓電流值。

3 基于孿生網(wǎng)絡(luò)的非侵入式算法部署與算例分析

3.1 非侵入式孿生網(wǎng)絡(luò)訓(xùn)練

文章所提孿生網(wǎng)絡(luò)使用Python3與Keras深度學(xué)習(xí)框架進(jìn)行設(shè)計和訓(xùn)練，硬件為:CPU為Intel i5-8300H，RAM為8GB；GPU為Nvidia GTX 1060Ti，顯存為6GB，網(wǎng)絡(luò)計算機(jī)端離線訓(xùn)練參數(shù)按表3進(jìn)行配置。

表3 網(wǎng)絡(luò)模型訓(xùn)練參數(shù)設(shè)置

其中，Validation Split[19]為訓(xùn)練數(shù)據(jù)中的驗證集比例，Pooling Stride為池化步長，Weight of Branches為網(wǎng)絡(luò)最后一層輸出計算損失函數(shù)時不同分支的損失權(quán)重，Adam為訓(xùn)練時隨機(jī)梯度下降法的動量優(yōu)化方法[20]。訓(xùn)練過程中的損失變化曲線如圖7所示。

圖7 訓(xùn)練精度與損失變化曲線

由圖7中曲線，訓(xùn)練過程分類和回歸損失逐漸變小，可見訓(xùn)練是收斂的。

3.2 非侵入式平臺部署與測試

基于ARM Cortex-M4的嵌入式平臺的MCU主頻為120 MHz，RAM為1 MB，F(xiàn)lash存儲器為1 MB，計算機(jī)端離線訓(xùn)練，其完成后，模型導(dǎo)出為“h5”格式文件，由于硬件資源有限，需要對其進(jìn)行固定位寬定點量化后導(dǎo)出到嵌入式設(shè)備上部署，當(dāng)網(wǎng)絡(luò)調(diào)用時，進(jìn)行參數(shù)加載，參數(shù)量與資源占用如表4所示。

表4 網(wǎng)絡(luò)模型參數(shù)與計算量占用

其中Param代表網(wǎng)絡(luò)模型的參數(shù)所占用的字節(jié)數(shù)，為網(wǎng)絡(luò)的權(quán)重和偏置信息，F(xiàn)LOPs[21]表示浮點運算次數(shù)，用來衡量模型的計算復(fù)雜度。Period代表模型部署時單個樣本在周期任務(wù)中運行的耗時。由表格可知，Single-Arch模式的參數(shù)量更少，運算速度更快, Siamese Dual-Arch將輸入特征分開學(xué)習(xí)，參數(shù)量大，運算速度略慢于前者。

在嵌入式設(shè)備上運行時，首先對采樣數(shù)據(jù)緩存，時域上分析電壓幅值的突變點也即系統(tǒng)發(fā)生暫態(tài)時間的時刻，并判斷是否為沖擊負(fù)荷投切暫態(tài)事件，在監(jiān)測到時域事件發(fā)生后，緩存一段時間的數(shù)據(jù)，在非周期中斷任務(wù)中進(jìn)行后臺分析，判斷是否為沖擊負(fù)荷并判斷沖擊負(fù)荷的種類、功率，模型分析速度可達(dá)到毫秒級，沖擊發(fā)生時，可在1 s內(nèi)完成所有沖擊數(shù)據(jù)分析。表5為兩種網(wǎng)絡(luò)模式對典型測試場景下沖擊負(fù)荷功率的分解結(jié)果(變比1∶800)，與真實測試標(biāo)簽(Ground Truth)對比可知，模型實現(xiàn)了功率分解并達(dá)到了一定的準(zhǔn)確度。

表5 功率預(yù)測結(jié)果對比

圖8為所設(shè)計的網(wǎng)絡(luò)加入功率信息訓(xùn)練前后在實測沖擊負(fù)荷錄波數(shù)據(jù)組成的測試集中的表現(xiàn)。

圖8 高斯諧波特征引入前后網(wǎng)絡(luò)負(fù)荷設(shè)備投切辨識測試結(jié)果

其中橫軸代表沖擊設(shè)備類別的真實標(biāo)簽，縱軸為算法實際預(yù)測沖擊設(shè)備的類別，因此當(dāng)辨識結(jié)果分布在對角線上時，識別類別越好[22]。由圖8測試結(jié)果可知，加入高斯諧波特征后，模型學(xué)習(xí)了與沖擊負(fù)荷設(shè)備幅值和頻域相關(guān)特性，對于波形易混淆的中頻爐和電弧爐有了更好的辨識效果，整體識別準(zhǔn)確度由86.25%提升到97.81%。

3.3 算法識別率橫向?qū)Ρ葴y試

為驗證算法整體識別性能，對比測試其他文獻(xiàn)中的負(fù)荷辨識算法。選取文獻(xiàn)[23-25]中算法仿真沖擊負(fù)荷辨識，對辨識準(zhǔn)確率性能進(jìn)行橫向測評，各算法參數(shù)使用文獻(xiàn)[23-25]所用到的實驗參數(shù)，測試數(shù)據(jù)為現(xiàn)場錄波數(shù)據(jù)。其中文獻(xiàn)[23]通過卷積神經(jīng)網(wǎng)絡(luò)提取V-I軌跡深層特征來直接辨識用電設(shè)備；文獻(xiàn)[24]利用K近鄰(K-NN)算法和Fisher判別相結(jié)合的算法對用電設(shè)備分類；文獻(xiàn)[25]使用CNN訓(xùn)練V-I軌跡特征，單獨使用多層感知機(jī)(MLP)提取諧波特征向量，融合兩組特征進(jìn)行識別。各類算法總體辨識準(zhǔn)確度結(jié)果如表6所示。

表6 錄波數(shù)據(jù)分項辨識準(zhǔn)確度

由表6辨識結(jié)果可知，文獻(xiàn)[23]算法直接使用卷積神經(jīng)網(wǎng)絡(luò)對V-I軌跡特征進(jìn)行進(jìn)一步特征提取和判別，由于中頻爐和電弧爐的V-I軌跡特征相近，產(chǎn)生了較多的誤判。文獻(xiàn)[24]算法使用KNN進(jìn)行判別，對誤判風(fēng)險大的樣本通過核Fisher進(jìn)行判別，使得對特征相近的樣本識別取得了一定效果，但整體識別率不高。文獻(xiàn)[25]算法引入諧波特征組成諧波向量，但使用感知機(jī)訓(xùn)練獲取的有效信息較少，精度仍有提升的空間。融合了V-I軌跡特征和高斯諧波特征的Single-Arch CNN比單一特征的CNN具有更好的表現(xiàn)，而基于孿生分支的Dual-Arch CNN網(wǎng)絡(luò)識別精度最高，其對沖擊負(fù)荷波形特征和幅值特性的學(xué)習(xí)更為深刻，泛化能力更強(qiáng)，使得該算法辨識效果要好于傳統(tǒng)的機(jī)器學(xué)習(xí)方法與單通道、單分支網(wǎng)絡(luò)等模型。

4 結(jié)束語

典型沖擊負(fù)荷對電力系統(tǒng)穩(wěn)定有較大的影響，為了識別和掌握這種動態(tài)負(fù)荷的波動，文章提出了一種基于孿生分支網(wǎng)絡(luò)結(jié)構(gòu)的非侵入式?jīng)_擊負(fù)荷辨識方法。首先對于電網(wǎng)高頻采樣數(shù)據(jù)，設(shè)計了一種對角高斯諧波特征，使用該特征與V-I軌跡特征相配合進(jìn)行沖擊負(fù)荷辨識，能夠有效彌補V-I軌跡特征無法表征幅值信息的不足。同時設(shè)計了一種孿生分支結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，分為單輸入通道和孿生輸入通道兩種模式，其中單通道模式運算速度快，孿生輸入通道模式精度高。該網(wǎng)絡(luò)結(jié)構(gòu)不僅能融合訓(xùn)練V-I軌跡和對角高斯諧波特征，而且可以同時輸出類別預(yù)測和功率分解結(jié)果。算法能夠在算力較低的嵌入式邊緣設(shè)備部署且運算速度達(dá)到ms級。實測數(shù)據(jù)表明，文章設(shè)計的網(wǎng)絡(luò)模型和特征組合方式能夠有效地提升沖擊負(fù)荷的辨識效果。

文章以四種典型設(shè)備為例展開，結(jié)合了沖擊負(fù)荷監(jiān)測現(xiàn)實需求、孿生分支網(wǎng)絡(luò)強(qiáng)大的學(xué)習(xí)能力以及非侵入式負(fù)荷監(jiān)測理論優(yōu)勢。文中所提算法可根據(jù)實際應(yīng)用場景的需要，學(xué)習(xí)并擴(kuò)展至更多大中型沖擊負(fù)荷類設(shè)備。同樣地，模型經(jīng)過訓(xùn)練學(xué)習(xí)可用于家用電器投切識別等多種場景。

值得一提的是，大型負(fù)荷的數(shù)據(jù)資料較少，基于人工智能的智慧電網(wǎng)建設(shè)依賴于數(shù)據(jù)驅(qū)動，往往需要電網(wǎng)公司和企業(yè)合作去采集大量的負(fù)荷樣本數(shù)據(jù)，分類建設(shè)并不斷完善相關(guān)的數(shù)據(jù)庫，運用基于人工智能的算法，對重點地區(qū)和企業(yè)實行定點監(jiān)測，統(tǒng)計數(shù)據(jù)后進(jìn)行云端匯總，利用大數(shù)據(jù)技術(shù)分析沖擊負(fù)荷總體運行規(guī)律，進(jìn)而推動智能電力調(diào)度和電能質(zhì)量優(yōu)化，降低沖擊負(fù)荷對電網(wǎng)的影響。