劉春蕾,龐鵬飛,石紋赫,胡偉俊,戚 軍

(1. 國網(wǎng)河北省電力有限公司保定供電分公司，河北 保定 071000;2. 浙江工業(yè)大學(xué)信息工程學(xué)院，浙江 杭州 310023)

環(huán)境污染降低了自然資源的利用率，影響人的身體健康[1]，環(huán)境監(jiān)測是抑制環(huán)境污染事件發(fā)生的重要一環(huán)。我國現(xiàn)階段污染監(jiān)測技術(shù)主要分為地表水系統(tǒng)監(jiān)測、空氣質(zhì)量監(jiān)測以及污染源監(jiān)測三種形式，目前都存在一些問題，例如：地表水系統(tǒng)監(jiān)測對(duì)于監(jiān)測位置選擇具有較高要求，城市中空氣質(zhì)量監(jiān)測站數(shù)量尚無法滿足監(jiān)測準(zhǔn)確性和完整性要求，安裝于每個(gè)排污設(shè)備端和治污設(shè)備端的污染源監(jiān)測儀不僅實(shí)施代價(jià)高而且存在作弊問題[2]?？紤]到很多排污設(shè)備和治污設(shè)備都由電力驅(qū)動(dòng)，以及設(shè)備運(yùn)行時(shí)電壓電流數(shù)據(jù)通常無法造假的特點(diǎn)，本文嘗試將NILM技術(shù)應(yīng)用于污染源監(jiān)測中，通過實(shí)時(shí)監(jiān)測排污企業(yè)入戶電力數(shù)據(jù)來獲取排污設(shè)備和治污設(shè)備的啟停信息，從而在確保監(jiān)測實(shí)時(shí)性和準(zhǔn)確性的同時(shí)降低污染源監(jiān)測的難度。

NILM由Hart博士于20世紀(jì)80年代提出，隨著測量技術(shù)的發(fā)展和算法研究的深入[3-4]，NILM技術(shù)出現(xiàn)在廣闊的應(yīng)用領(lǐng)域，包括：需求側(cè)管理中為電價(jià)與供需聯(lián)動(dòng)提供基礎(chǔ)數(shù)據(jù)[5]，供電監(jiān)測中實(shí)現(xiàn)異常負(fù)荷監(jiān)測以及故障定位[6]，用電行為分析中提升用戶體驗(yàn)和資源利用率[7]。NILM中設(shè)備投切事件檢測的準(zhǔn)確性和快速性對(duì)于后續(xù)負(fù)荷特征提取以及類型識(shí)別具有顯著影響。早期研究中使用較多的啟發(fā)式方法及匹配濾波方法原理都較為簡單，在判斷事件是否發(fā)生過程中，啟發(fā)式方法關(guān)注負(fù)荷的變化率是否超過閾值，匹配濾波方法則將采集信號(hào)與已知模板進(jìn)行匹配，兩者僅適用于設(shè)備種類較少且干擾較小的應(yīng)用場景?；诟怕誓Ｐ偷淖凕c(diǎn)檢測方法是當(dāng)前的研究熱點(diǎn)，Rehman等[8]提出用事件通用似然比(Generalized likelihood ratio，GLR)來檢測事件，其通過調(diào)整滑動(dòng)窗口的長度、功率方差判定閾值等參數(shù)來提高算法的精度；Anderson等[9]在GLR法的基礎(chǔ)上引入了投票機(jī)制，提高GLR法的準(zhǔn)確性；史帥彬等[10]提出了一種基于復(fù)合滑動(dòng)窗的累積和(Cumulative Sum，CUSUM)暫態(tài)事件檢測算法，能夠準(zhǔn)確檢測到容易被忽略的具有緩慢爬坡特性的暫態(tài)事件。由于需要采集足夠長的數(shù)據(jù)才能作出較為準(zhǔn)確的判斷，變點(diǎn)檢測方法很難及時(shí)定位事件發(fā)生時(shí)刻，從而使測量和存儲(chǔ)高頻負(fù)荷數(shù)據(jù)變得困難。

本文以污染源監(jiān)測需求為出發(fā)點(diǎn)，提出并設(shè)計(jì)了基于NILM技術(shù)的污染源監(jiān)測方法及實(shí)現(xiàn)流程，主要包括基于小波濾波算法的實(shí)測數(shù)據(jù)去噪環(huán)節(jié)、基于最小二乘預(yù)測法(Least-square prediction method，LSPM)的事件檢測環(huán)節(jié)以及基于相位和頻率矯正的負(fù)荷特征提取環(huán)節(jié)。最后在BLUED數(shù)據(jù)庫和實(shí)際污染源設(shè)備監(jiān)測工程中分別進(jìn)行仿真驗(yàn)證和實(shí)際測試。

1 基于NILM的污染源監(jiān)測系統(tǒng)

基于NILM的污染源監(jiān)測系統(tǒng)主要由工業(yè)用戶端、數(shù)據(jù)采集卡、負(fù)荷分析儀、電網(wǎng)公司以及相關(guān)環(huán)保部門組成，具體如圖1所示。電網(wǎng)公司在工業(yè)用戶的入口端安裝數(shù)據(jù)采集卡采集電力信號(hào)；數(shù)據(jù)采集卡中的信息被傳輸?shù)截?fù)荷分析儀；負(fù)荷分析儀完成負(fù)荷分析計(jì)算并實(shí)現(xiàn)污染源監(jiān)測，將監(jiān)測結(jié)果通過網(wǎng)絡(luò)上傳到云端；電網(wǎng)公司以及環(huán)保部門能夠讀取云端數(shù)據(jù)進(jìn)行數(shù)據(jù)可視化展示，最后由環(huán)保部門對(duì)工業(yè)用戶的排污和治污行為作進(jìn)一步監(jiān)管。

圖1 NILM污染源監(jiān)測系統(tǒng)結(jié)構(gòu)

基于NILM的污染源監(jiān)測流程主要包括數(shù)據(jù)采集、小波去噪、事件檢測以及特征提取等環(huán)節(jié)，詳見圖2。其中，數(shù)據(jù)采集環(huán)節(jié)需在工廠入戶端加裝高頻(建議10kHz及以上)數(shù)據(jù)采集卡，實(shí)時(shí)測量入戶電力線路上的電壓和電流數(shù)據(jù)。由于傳感、測量、轉(zhuǎn)換和傳輸?shù)冗^程存在各種干擾，采集到的電壓電流波形難免帶有毛刺或畸變，直接影響后續(xù)事件檢測及特征提取環(huán)節(jié)的準(zhǔn)確性[11]，因此在小波去噪環(huán)節(jié)將對(duì)采集到的高頻電壓和電流信號(hào)進(jìn)行在線濾波以減少噪聲干擾影響。在事件檢測環(huán)節(jié)根據(jù)濾波后電流的變化情況，采用LSPM法來判斷是否有事件發(fā)生。一旦檢測到事件，將存儲(chǔ)事件前后總線電壓和電流波形數(shù)據(jù)。在負(fù)荷特征提取環(huán)節(jié)將基于相位和頻率矯正技術(shù)從總線波形中獲取投切設(shè)備電壓和電流波形，并進(jìn)一步獲取波形所包含的負(fù)荷特征信息。根據(jù)詳細(xì)的負(fù)荷特征信息，比對(duì)歷史負(fù)荷特征庫，即可判斷出當(dāng)前啟停事件對(duì)應(yīng)的設(shè)備類型，從而實(shí)現(xiàn)對(duì)污染源的實(shí)時(shí)在線監(jiān)測。

1.1 小波去噪環(huán)節(jié)

去噪環(huán)節(jié)中采用的是小波濾波法，相較于中值濾波與均值濾波法無法保留信號(hào)中突變信息的缺點(diǎn)，小波濾波法具有突變信息保留更完整、波形更穩(wěn)定的優(yōu)點(diǎn)。此外，小波濾波法效率高、原理簡單，基本能滿足工程使用中的實(shí)時(shí)性要求。小波濾波法具體步驟如下：

步驟1) 小波分解：選擇Symlet系小波基，假設(shè)分解層數(shù)總數(shù)為m層，i表示第i層分解層數(shù)，預(yù)先設(shè)置i=1，第1層輸入信號(hào)x(t)由含噪聲的總線電壓或電流測量信號(hào)構(gòu)成。

圖2 污染源監(jiān)測流程

步驟1-1) 對(duì)信號(hào)x(t)進(jìn)行分解，分解公式如式(1)所示。

(1)

其中k表示函數(shù)位移量，x(t)為尺度函數(shù)族φi,k(t)和Symlet系小波函數(shù)族ψi,k(t)的線性組合，低頻分量ci[k]與高頻分量di[k]的計(jì)算公式如式(2)和式(3)所示[12]。

ci[k]=〈x(t),φi,k(t)〉

(2)

di[k]=〈x(t),ψi,k(t)〉

(3)

其中<>表示內(nèi)積計(jì)算。對(duì)x(t)完成分解后，令i=i+1，并轉(zhuǎn)入步驟1-2)。

步驟1-2) 若i≤m，進(jìn)入步驟1-3)繼續(xù)下一層小波分解；否則，結(jié)束小波分解，進(jìn)入步驟1-4)。

步驟1-3) 更新第i層的分解信號(hào)x(t)為ci-1，然后返回步驟1-1)。

步驟1-4) 分解結(jié)束得到由m層高頻分量與1層低頻分量所組成的小波系數(shù){d1,…,dm,cm}，第i層系數(shù)對(duì)應(yīng)的長度為n/2i，n為原始信號(hào)長度。

步驟2) 閾值選擇：閾值選取直接影響到重構(gòu)信號(hào)的還原程度，本文采用通用閾值規(guī)則進(jìn)行閾值選取，閾值T的計(jì)算公式如下[13]：

(4)

其中σ為噪聲標(biāo)準(zhǔn)方差，計(jì)算公式如式(5)所示。

(5)

其中Median函數(shù)為中值求解函數(shù)。

步驟3) 閾值去噪：由于信號(hào)中大部分噪聲存在于高頻信號(hào)中，因此需要通過閾值函數(shù)對(duì)每一層高頻分量di去噪。由于常用的軟、硬閾值函數(shù)對(duì)信號(hào)去噪后存在重構(gòu)信號(hào)偏差較大的缺點(diǎn)[14]，本文選擇軟硬閾值折衷法，其表達(dá)式如下[15]：

(6)

其中sgn函數(shù)在輸入值大于0時(shí)返回1，等于0時(shí)返回0，小于0時(shí)返回-1。軟硬閾值折衷法通過在0與1之間適當(dāng)調(diào)整α的大小，獲得較好去噪效果，文中取α=0.5，對(duì)高頻分量中小于閾值T的部分進(jìn)行過濾，大于閾值T的部分保留并進(jìn)行收縮，得到新的高頻分量d′i。

步驟4) 小波重構(gòu)：將去噪后的高頻分量d′i與低頻分量cm進(jìn)行離散逆變換就可以將原始信號(hào)重構(gòu)，得到去噪后的負(fù)荷信號(hào)f′(t)，信號(hào)重構(gòu)公式如式(7)所示。

(7)

1.2 LSPM事件檢測環(huán)節(jié)

具體實(shí)現(xiàn)步驟如下：

步驟1) 基于濾波后的電流波形提取工頻周期最大值，其中W1的電流最大值序列為{Imax(k-m),Imax(k-m+1),…,Imax(k-1)}。

步驟2) 在檢測窗口中構(gòu)造一條待擬合曲線，函數(shù)表達(dá)式如下所示：

Y=Xθ

(8)

其中，待擬合直線對(duì)應(yīng)的系數(shù)θ∈R2×1，輸入值X∈Rm×2，實(shí)測值Y∈Rm×1，矩陣的表達(dá)式如式(9)和式(10)所示。

(9)

(10)

圖3 LSPM檢測算法示意圖

根據(jù)構(gòu)造的曲線，能夠得到其誤差函數(shù)如式(11)所示。

J(θ)=(Xθ-Y)T(Xθ-Y)=

θTXTXθ-θTXTY-YTXθ+YTY

(11)

步驟3) 為求得使誤差函數(shù)最小的系數(shù)θ，對(duì)誤差函數(shù)中的J(θ)求偏導(dǎo)，如式(12)所示。

(12)

求導(dǎo)等式進(jìn)行整理之后能夠得到待擬合曲線系數(shù)的最優(yōu)解θ，如式(13)所示。

θ=(XTX)-1XTY

(13)

(14)

在檢測到C(k)超出閾值設(shè)定范圍時(shí)，判定采樣點(diǎn)k處發(fā)生設(shè)備投切事件，轉(zhuǎn)入步驟5)，否則返回步驟1)，將W1的起始點(diǎn)更新為k-m+1，通過新的電流最大值序列繼續(xù)進(jìn)行事件檢測。

步驟5) 根據(jù)W2中數(shù)據(jù)確定投切設(shè)備由暫態(tài)進(jìn)入穩(wěn)態(tài)的時(shí)間點(diǎn)，判斷依據(jù)如式(15)所示。

(15)

步驟6) 假設(shè)設(shè)備在Imax(x)序列中第k+l個(gè)采樣點(diǎn)處結(jié)束暫態(tài)，l為設(shè)備暫態(tài)過程周期個(gè)數(shù)。從投切前穩(wěn)態(tài)起始采樣點(diǎn)k-l，暫態(tài)起始采樣點(diǎn)k以及投切后新穩(wěn)態(tài)的起始采樣點(diǎn)k+l開始分別保存三個(gè)時(shí)間段的電壓與電流波形，并分別命名為upre-event，ipre-event，utran，itran，upost-event，ipost-event，每段波形的長度都為Nl，N為工頻下每個(gè)周期數(shù)據(jù)長度。

1.3 負(fù)荷特征提取環(huán)節(jié)

由于用電設(shè)備都是并聯(lián)連接，且供電線路上的壓降通常較小，因此用電設(shè)備的端電壓可以近似于總線測量節(jié)點(diǎn)上的電壓?？偩€上的電流信號(hào)由多個(gè)設(shè)備的電流信號(hào)疊加而成，負(fù)荷m投切后總線上電流信號(hào)itran(t)由投切前總線電流信號(hào)ipre-event(t)與用電負(fù)荷m的電流信號(hào)iload(t)疊加而成，總線電流和每個(gè)用電負(fù)荷電流信號(hào)的表達(dá)式都如式(16)所示。

(16)

其中，f為電網(wǎng)頻率，ψ為電流信號(hào)相位角，A為電流信號(hào)幅值，x為信號(hào)中諧波次數(shù)。

理論上從itran(t)與ipost-event(t)中剔除ipre-event(t)即可提取投切設(shè)備的暫-穩(wěn)態(tài)電流波形iload(t)，但是實(shí)際離散測量信號(hào)面臨電網(wǎng)頻率波動(dòng)帶來的相位偏差以及周期采樣點(diǎn)數(shù)量的變化，將電流信號(hào)簡單地相減會(huì)使電流波形出現(xiàn)誤差。因此本文提出一種相位和頻率矯正方法來獲取較為準(zhǔn)確的電流信號(hào)。特征提取環(huán)節(jié)具體實(shí)現(xiàn)步驟如下：

步驟1) 相位矯正：由于電流信號(hào)相角由電壓的起始相位決定，因此需要保證三個(gè)時(shí)段的電流信號(hào)對(duì)應(yīng)的電壓波形在同一起始相角下。當(dāng)upre-event第一個(gè)周期中的采樣點(diǎn)upre-event(m)滿足式(17)時(shí)，則認(rèn)為該點(diǎn)為電壓過零點(diǎn)，并將ipre-event的穩(wěn)態(tài)起始點(diǎn)更新為m，ipre-event最后一個(gè)周期的結(jié)束點(diǎn)同樣更新為對(duì)應(yīng)的電壓過零點(diǎn)。

(17)

同理，通過式(17)將itran與ipost-event的起始與結(jié)束采樣點(diǎn)更新為utran與upost-event第一和最后一個(gè)周期中的電壓過零點(diǎn)，與此同時(shí)將upre-event，utran，upost-event的起始與結(jié)束點(diǎn)也更新為電壓過零點(diǎn)。

步驟2) 頻率判斷：通過實(shí)測信號(hào)數(shù)據(jù)計(jì)算出三個(gè)時(shí)段對(duì)應(yīng)的電網(wǎng)頻率，計(jì)算公式如下所示：

(18)

其中fs為NILM裝置采樣頻率，本文設(shè)置為10kHz,l′為相位矯正后波形中的周期個(gè)數(shù)，n為矯正后波形長度。若實(shí)測頻率與額定頻率偏差不超過0.1%，直接轉(zhuǎn)入步驟4)提取投切設(shè)備的電壓與電流波形，否則轉(zhuǎn)入步驟3)進(jìn)行頻率矯正。

步驟3) 頻率矯正：由于不同時(shí)段的電壓和電流信號(hào)頻率矯正過程相同，因此將待矯正信號(hào)統(tǒng)一記為Ypre-cor(k)，k=1,2,…,n，將采樣時(shí)刻根據(jù)實(shí)測頻率f與額定頻率f0的比值進(jìn)行縮放，第k個(gè)采樣點(diǎn)對(duì)應(yīng)時(shí)刻t(k)的計(jì)算公式如下：

(19)

將t(0)與t(k)之間時(shí)段按照1/fs等間隔采樣，記為t′(j)，j=1,2,…,Nl′，與t′(j)對(duì)應(yīng)的Ycor(j)即為頻率矯正后的信號(hào)，計(jì)算公式如式(20)所示。

Ycor(j)=

(20)

步驟4) 波形提取：相位及頻率矯正后的itran，ipost-event與ipre-event分別相減能夠得到投切設(shè)備的暫態(tài)電流波形iload -tran以及穩(wěn)態(tài)電流波形iload-steady，負(fù)荷電壓波形uload-tran和uload-steady與總線電壓utran和upost-event相同，如式(21)～式(24)所示。

iload-tran=itran-ipre-event

(21)

iload-steady=ipost-event-ipre-event

(22)

uload-tran=uload

(23)

uload-steady=upost-event

(24)

步驟5) 特征計(jì)算：負(fù)荷特征包括暫態(tài)時(shí)長Ttran、穩(wěn)態(tài)有功功率P和無功功率Q、暫態(tài)電流絕對(duì)平均值|I|mean、有效值Irms，最大峰值Ipp以及電流諧波的幅值A(chǔ)x與相角φx，其中x為信號(hào)諧波次數(shù)[16]。

步驟6) 負(fù)荷類型判斷：通過與歷史負(fù)荷特征數(shù)據(jù)庫進(jìn)行對(duì)比，判斷當(dāng)前檢測到的事件所屬設(shè)備類別。

2 BLUED數(shù)據(jù)庫驗(yàn)證

2.1 去噪方法仿真分析

本文選擇使用BLUED數(shù)據(jù)庫[17]中電力數(shù)據(jù)來驗(yàn)證該監(jiān)測技術(shù)的準(zhǔn)確性及有效性。首先選擇BLUED數(shù)據(jù)庫中A相電流信號(hào)2個(gè)周期的采樣數(shù)據(jù)共計(jì)400個(gè)采樣點(diǎn)，分別采用小波濾波、均值濾波以及中值濾波進(jìn)行去噪處理。去噪前后的波形如圖4所示，與中值濾波及均值濾波法相比，小波濾波法去掉了大部分尖峰，使電流的波形變得較為平滑，并且較好地保留了波形原始信息。

圖4 去噪前后波形對(duì)比

2.2 事件檢測仿真結(jié)果分析

本文采用召回率Precall、精確率Pprecision、F分?jǐn)?shù)Fm以及事件檢測時(shí)間Tavr作為事件檢測的評(píng)判指標(biāo)[18]，其定義如式(25)～式(27)所示。

(25)

(26)

(27)

其中TP(true positive)為真陽性，TN(true negative)為真陰性，F(xiàn)P(false positive)為假陽性，F(xiàn)N(false negative)為假陰性。Precall為正確檢測到陽性事件占所有實(shí)際陽性事件的比例，Pprecision為正確檢測到陽性事件占全部檢測結(jié)果為陽性事件的比例，F(xiàn)m為Precall和Pprecision的調(diào)和平均值，用于綜合考慮精確率和召回率，Tavr用來衡量完成一次事件檢測所需要的平均時(shí)間。

選取BLUED數(shù)據(jù)庫中2011年10月20～21日A相24小時(shí)的實(shí)際測量數(shù)據(jù)進(jìn)行事件檢測仿真對(duì)比，投切事件實(shí)際發(fā)生的總次數(shù)為132次。為驗(yàn)證去噪方法對(duì)事件檢測效果的影響，本文加入數(shù)據(jù)濾波前的檢測結(jié)果作為對(duì)比，為考察本文所使用的LSPM法的性能，增加GLR法以及滑動(dòng)窗法[19]作為對(duì)比實(shí)驗(yàn)，三種檢測方法的結(jié)果如表1所示。

表1 事件檢測結(jié)果對(duì)比

由表1可知，由于濾波需要花費(fèi)一定的計(jì)算時(shí)間，濾波前事件檢測的Tavr都小于濾波后的Tavr；由于濾波前數(shù)據(jù)附帶的許多尖峰與毛刺給事件檢測帶來誤差，造成LSPM法和滑動(dòng)窗法檢測的準(zhǔn)確率顯著下降。其中GLR法運(yùn)用有功功率曲線進(jìn)行事件檢測，而有功功率計(jì)算過程相當(dāng)于進(jìn)行了均值濾波，因此導(dǎo)致濾波前后其事件檢測結(jié)果并無明顯差別。

從小波去噪之后的LSPM法、GLR法以及滑動(dòng)窗法的性能對(duì)比可以看出，本文所提出的LSPM法的Precall、Pprecision及Fm基本與GLR法相當(dāng)，但顯著優(yōu)于滑動(dòng)窗法；從檢測時(shí)間對(duì)比來看，LSPM法的Tavr明顯短于GLR法，該檢測方法在事件發(fā)生后能夠快速反映事件檢測結(jié)果。因此下文的實(shí)際污染源設(shè)備監(jiān)測工程中，選用準(zhǔn)確性與GLR相當(dāng)，但檢測速度明顯優(yōu)于GLR的LSPM法來檢測排污設(shè)備和治污設(shè)備的啟停。

2.3 特征提取仿真分析

選取BLUED數(shù)據(jù)庫中A相某一時(shí)刻冰箱開啟前后的電流波形進(jìn)行特征提取。如圖5所示，分別為相位與頻率矯正前與矯正后提取的設(shè)備電流和電壓波形。由矯正前后波形對(duì)比圖可知，矯正后的電流波形更為平滑且幅值更為準(zhǔn)確，由此可見相位及頻率偏差對(duì)于所提取的設(shè)備電流波形影響非常大。根據(jù)提取出的冰箱設(shè)備的電壓電流波形，計(jì)算得到如表2所示的用電設(shè)備特征，由表2可知，矯正后用電設(shè)備的P和Q與準(zhǔn)確值(即設(shè)備投切前后總線穩(wěn)態(tài)功率之差)更為接近。由此可見提取設(shè)備電流波形前進(jìn)行相位與頻率矯正的必要性。

3 實(shí)際污染源設(shè)備監(jiān)測工程驗(yàn)證

對(duì)某工廠電壓和電流信號(hào)采用小波濾波進(jìn)行去噪處理，其中5個(gè)周波電流波形去噪前后的對(duì)比如圖6所示。小波去噪之后過濾掉大部分噪聲，總線上電流波形更為平滑，并且較好地保留了信號(hào)的真實(shí)特征，有助于提高后續(xù)事件檢測及特征提取的精度，準(zhǔn)確定位發(fā)生事件對(duì)應(yīng)的時(shí)刻。

圖5 矯正前后冰箱電流波形

設(shè)定事件檢測閾值為200A，對(duì)2021年5月2～9日這一周的事件檢測結(jié)果進(jìn)行分析。這一周中發(fā)生的投切事件次數(shù)為84次，其中三相事件檢測結(jié)果如表3所示?？梢钥闯鋈嚯娏鞑ㄐ螜z測的召回率能夠達(dá)到88%以上，精確率達(dá)到了90%以上，說明該方法運(yùn)用在實(shí)際設(shè)備的事件檢測中漏檢率較低?？紤]到事件發(fā)生頻次可能較高，NILM監(jiān)測系統(tǒng)需要在較短時(shí)間內(nèi)完成事件檢測，如表1中Tavr對(duì)比所示，LSPM法的檢測速度能夠滿足實(shí)時(shí)分析需求，實(shí)際運(yùn)行結(jié)果也證實(shí)了這一點(diǎn)。

表2 相位和頻率矯正前后的負(fù)荷特征

圖6 去噪前后工廠電流波形對(duì)比

表3 工廠事件檢測結(jié)果

經(jīng)相位與頻率矯正之后提取某設(shè)備電流波形如圖7所示。在設(shè)備啟動(dòng)瞬間，設(shè)備的電流峰值接近900A，隨后電流開始緩慢下降，最終在20s左右達(dá)到穩(wěn)態(tài)，穩(wěn)態(tài)時(shí)設(shè)備電流峰值穩(wěn)定在240A左右。根據(jù)所提取的設(shè)備電流波形計(jì)算得到負(fù)荷特征如表4所示。對(duì)比歷史負(fù)荷特征庫，即可判斷出當(dāng)前投切設(shè)備所對(duì)應(yīng)的設(shè)備類型，從而判斷該工廠實(shí)時(shí)的排污和治污狀況，為環(huán)保監(jiān)管提供及時(shí)準(zhǔn)確的現(xiàn)場信息。

圖7 投切設(shè)備的電流波形

表4 設(shè)備負(fù)荷特征

4 結(jié) 論

本文設(shè)計(jì)了基于NILM的污染源監(jiān)測系統(tǒng)，其采用小波濾波法對(duì)所采集的電力數(shù)據(jù)進(jìn)行去噪，采用LSPM法對(duì)總線電流數(shù)據(jù)進(jìn)行事件檢測，采用相位和頻率矯正法對(duì)總線上電壓和電流波形進(jìn)行矯正以獲取用電設(shè)備特征。最后在BLUED數(shù)據(jù)庫和實(shí)際工程案例中進(jìn)行了詳細(xì)的測試和驗(yàn)證，結(jié)果表明：本文設(shè)計(jì)的污染源監(jiān)測系統(tǒng)中使用的小波濾波法具有效率高、原理簡單的優(yōu)勢；提出的LSPM法具有較高的召回率、準(zhǔn)確性以及事件檢測時(shí)效性；經(jīng)過相位和頻率矯正后的電流波形更為準(zhǔn)確，提取的特征能較好滿足污染源監(jiān)測的需求。本文的研究為污染源實(shí)時(shí)監(jiān)測提供了新的技術(shù)視角和實(shí)現(xiàn)途徑，具有較好的應(yīng)用前景。

本文主要著眼于污染源設(shè)備投切事件檢測和負(fù)荷特征提取，但并未對(duì)設(shè)備類型識(shí)別作深入探討，后續(xù)可在本文基礎(chǔ)上應(yīng)用機(jī)器學(xué)習(xí)算法對(duì)此作進(jìn)一步研究。