李 想，劉宇航，張 琪，武 昕

（1.華北電力大學(xué)電氣與電子工程學(xué)院,北京市 102206；2.國家節(jié)能中心,北京市 100045）

0 引言

隨著城市居民的出行需求與交通堵塞、環(huán)境污染等現(xiàn)象之間的矛盾逐漸凸顯,電動(dòng)自行車（electric bicycle,EB）因其靈活易駕乘、低碳低成本且不需要投入巨資建設(shè)支持性設(shè)施等特點(diǎn)快速發(fā)展,并成為城市交通道路中不可或缺的交通工具。在社會(huì)保有量達(dá)到近3 億輛［1］的同時(shí),EB 的充電管理問題面臨巨大挑戰(zhàn)。雖然城中村及住宅小區(qū)逐漸普及安裝了集中式充電站,但因其存在數(shù)量不足、分布不合理、維護(hù)不及時(shí)以及用戶認(rèn)可度低等問題,居民更傾向在家中或街道上私拉電線進(jìn)行充電［2］,由此引發(fā)的火災(zāi)事故逐年攀升。據(jù)統(tǒng)計(jì),EB 引起的火災(zāi)已占社會(huì)總體火災(zāi)的10%［3］。其中90%的火災(zāi)是充電不當(dāng)引起的［4］。

傳統(tǒng)的解決室內(nèi)充電問題的方法是人工監(jiān)管、案例宣傳等,存在成本高、效率低、成效差等問題。通過人工智能（AI）攝像頭識(shí)別EB 影像雖然對(duì)EB入戶行為有較好的監(jiān)控效果,但是無法避免私拉電線以及電池入戶等行為,且設(shè)備安裝和維護(hù)成本高,不易大規(guī)模推廣。 非侵入式負(fù)荷監(jiān)測（nonintrusive load monitoring,NILM）技術(shù)在用戶電力入口處采集總電流電壓進(jìn)行分析以得到用電信息?？紤]到違規(guī)充電的隨機(jī)性、隱蔽性,非侵入式負(fù)荷監(jiān)測在不干擾用戶的前提下從源頭實(shí)時(shí)監(jiān)測各種形式的充電行為,避免用戶意愿對(duì)設(shè)備普及的影響?？梢源蠓档陀布途S護(hù)成本,并且向監(jiān)管部門發(fā)出報(bào)警信息,及時(shí)提醒用戶的違規(guī)操作,為隱患排查提供參考依據(jù),對(duì)城市火災(zāi)事故預(yù)防具有重要意義。

目前,國內(nèi)外針對(duì)負(fù)荷監(jiān)測中事件檢測、特征提取、負(fù)荷辨識(shí)等關(guān)鍵技術(shù)已有較多研究。文獻(xiàn)［5］提出了基于二分遞推奇異值分解（single value decomposition,SVD）的居民電器開關(guān)事件檢測方法。文獻(xiàn)［6］利用負(fù)荷事件發(fā)生時(shí)特征空間內(nèi)產(chǎn)生狀態(tài)域轉(zhuǎn)移的特性,提出狀態(tài)特征聚類事件檢測方法。文獻(xiàn)［7］基于小波變換的多分辨率分析從時(shí)頻域進(jìn)行事件檢測,但目前,事件檢測大多無法實(shí)現(xiàn)在混合電流中對(duì)單類負(fù)荷進(jìn)行針對(duì)性的事件檢測。特征提取是將原始數(shù)據(jù)轉(zhuǎn)化為有意義的信息的過程。目前,文獻(xiàn)大多考慮功率［8］、暫態(tài)特征［9-10］、電壓-電流（U-I）軌跡［11-12］、諧波［13］等典型特征以及多特征融合［14］來實(shí)現(xiàn)負(fù)荷辨識(shí)。特征融合可以實(shí)現(xiàn)負(fù)荷信息的最優(yōu)整合,具有較大的應(yīng)用前景。目前,人工智能技術(shù)已應(yīng)用于負(fù)荷辨識(shí),如隱馬爾可夫模型［15］、支持向量機(jī)（support vector machine,SVM）［10,16］、深度學(xué)習(xí)［17-18］、貝葉斯分類模型［19］等。SVM 因具有較高的準(zhǔn)確率以及魯棒性成為有前途的非侵入式負(fù)荷監(jiān)測分類器。

以上研究是對(duì)常見家用負(fù)荷的無差別化辨識(shí),為解決實(shí)際問題,一些學(xué)者對(duì)單類負(fù)荷的非侵入式監(jiān)測也進(jìn)行了研究。文獻(xiàn)［8］構(gòu)造了空調(diào)負(fù)荷特征向量的模型,文獻(xiàn)［20］分析空調(diào)機(jī)組以及電動(dòng)汽車充電行為。文獻(xiàn)［21］基于特征選擇與增量學(xué)習(xí)實(shí)現(xiàn)EB 負(fù)荷辨識(shí),但此方法僅考慮了線路空載時(shí)單負(fù)荷接入場景,沒有在實(shí)際應(yīng)用場景中驗(yàn)證算法的效果,不適用于多負(fù)荷混雜的實(shí)際場景中。

本文提出一種非侵入式EB 充電實(shí)時(shí)監(jiān)測系統(tǒng)。該系統(tǒng)對(duì)EB 充電功率信號(hào)進(jìn)行小波變換,通過分析暫態(tài)特性實(shí)現(xiàn)類EB 的事件檢測,在進(jìn)行針對(duì)性檢測的同時(shí)降低計(jì)算量；基于知識(shí)圖譜實(shí)現(xiàn)對(duì)EB 穩(wěn)態(tài)特性的一致化表征,通過EB 專有負(fù)荷特征圖譜訓(xùn)練EB 的SVM 分類器,實(shí)現(xiàn)EB 負(fù)荷的最終認(rèn)定與上傳。最后,通過對(duì)實(shí)際用戶進(jìn)行設(shè)備安裝及監(jiān)測,驗(yàn)證了監(jiān)測系統(tǒng)算力需求低、通用性強(qiáng)、實(shí)時(shí)性及準(zhǔn)確率高的優(yōu)勢。

1 非侵入式EB 充電監(jiān)測原理

1.1 非侵入式負(fù)荷監(jiān)測原理及系統(tǒng)結(jié)構(gòu)

非侵入式負(fù)荷監(jiān)測在電力入口處主動(dòng)采集用電信息并實(shí)時(shí)處理分析用電行為,可以監(jiān)測如電池入戶、私拉電線等各種形式的EB 入戶充電行為。其不接觸用戶自動(dòng)實(shí)施的優(yōu)點(diǎn)則保障了監(jiān)測過程的執(zhí)行度以及實(shí)時(shí)性。

特征提取是負(fù)荷監(jiān)測的關(guān)鍵步驟之一。為了滿足對(duì)不同品牌、型號(hào)、運(yùn)行環(huán)境下的EB 負(fù)荷的通用性以及對(duì)其他負(fù)荷的可分性,在特征提取過程中,考慮EB 負(fù)荷代表性穩(wěn)態(tài)特征；在前期訓(xùn)練過程中,構(gòu)建結(jié)構(gòu)化的EB 專有負(fù)荷特征圖譜對(duì)特性進(jìn)行專有知識(shí)表達(dá),以訓(xùn)練專有分類器,并將圖譜和分類器作為負(fù)荷辨識(shí)的數(shù)據(jù)支撐存入非侵入監(jiān)測終端,從而滿足了對(duì)大量用戶監(jiān)測時(shí)執(zhí)行過程的主動(dòng)性、通用性、自動(dòng)性以及無干擾性。

在實(shí)時(shí)監(jiān)測過程中,采用高頻采集方式以獲取未知事件全方位的細(xì)節(jié)特征信息。由于家用電器種類繁多,負(fù)荷開斷情況復(fù)雜,為了降低監(jiān)測系統(tǒng)計(jì)算量,研究了基于小波變換的類EB 的事件檢測方法。考慮到EB 負(fù)荷開啟時(shí)典型暫態(tài)變化,利用小波變換對(duì)未知負(fù)荷進(jìn)行類EB 負(fù)荷事件檢測。將提取的事件波形通過EB 專有特征圖譜以及SVM 分類器實(shí)現(xiàn)最終認(rèn)定。非侵入式采集終端立即報(bào)警并上傳至云平臺(tái),便于電力用戶通過該系統(tǒng)實(shí)時(shí)獲取EB入戶的安全用電信息。監(jiān)測系統(tǒng)結(jié)構(gòu)如圖1 所示。

圖1 非侵入式負(fù)荷監(jiān)測系統(tǒng)結(jié)構(gòu)Fig.1 Structureof non-intrusive load monitoring system

各類用電負(fù)荷都有其獨(dú)特的運(yùn)行特性,為了建立針對(duì)EB 的非侵入式負(fù)荷監(jiān)測系統(tǒng),需對(duì)EB 充電特性進(jìn)行一致化表征。從暫態(tài)特性、穩(wěn)態(tài)特性兩方面對(duì)EB 充電行為進(jìn)行描述,并以此完成基于暫態(tài)特性的小波變換檢測以及基于穩(wěn)態(tài)特性的知識(shí)圖譜辨識(shí)。

1.2 EB 充電原理

EB 一般采用開關(guān)電源式充電器,其內(nèi)部由整流濾波、高壓開關(guān)、電壓變換、恒流恒壓充電控制等部分組成；采用智能三段式充電,包括恒流階段、恒壓階段和涓流階段。

由附錄A 圖A1 可知,采集裝置接入位置是市電與充電器之間,不會(huì)對(duì)市電電壓造成很大的影響,采集電壓為恒壓。開始整流濾波時(shí)電容器電壓不能躍變,而整流器上的濾波電容幾乎為零,產(chǎn)生很高的浪涌電流。其大小取決于輸入電壓的幅值以及回路總電阻。由于蓄電池在初期可能已處于深度放電狀態(tài),為了避免熱失控,先進(jìn)行穩(wěn)定的小電流充電,然后轉(zhuǎn)入恒流充電階段,采集到的EB 充電電流電壓如附錄A 圖A2 所示。

為了保證入戶監(jiān)測的實(shí)用性,提出的EB 入戶充電監(jiān)測系統(tǒng)優(yōu)勢在于能夠利用EB 接入后幾十秒內(nèi)的暫穩(wěn)態(tài)特性完成事件監(jiān)測并報(bào)警。在研究過程中,僅需要考慮接入后很短時(shí)間的電壓電流特性。

1.3 基于暫態(tài)特性的小波變換檢測原理

負(fù)荷的操作會(huì)體現(xiàn)在其運(yùn)行波形的統(tǒng)計(jì)特性上,通過檢測波形統(tǒng)計(jì)特性發(fā)生變化的時(shí)間點(diǎn),從而能夠得到負(fù)荷運(yùn)行狀態(tài)信息。各類家用負(fù)荷在投切時(shí)均表現(xiàn)出獨(dú)特的暫態(tài)特性如圖2（a）所示。通過分析負(fù)荷的暫態(tài)特性能夠在混合波形中有效定位特定負(fù)荷投切事件。

圖2 家用負(fù)荷運(yùn)行數(shù)據(jù)Fig.2 Operation data of household loads

如圖2（b）所示,EB 在接入電路時(shí)有明顯的暫態(tài)變化,其瞬時(shí)功率峰值較高,開啟有短時(shí)的脈沖與延遲時(shí)間,然后進(jìn)入平穩(wěn)運(yùn)行狀態(tài)。為在混合波形中準(zhǔn)確定位EB 充電事件,對(duì)EB 充電過程中的暫態(tài)特性進(jìn)行一致化表征。對(duì)于給定的EB 充電功率信號(hào)觀測值序列P(t),假定狀態(tài)序列H0、H1、H2分別服從模型M0、M1和M2,針對(duì)上述EB 充電的暫態(tài)特性,將P(t)歸納為如下模型。

式中:t1、t2分別為EB 接入電路時(shí)P(t)的兩個(gè)突變時(shí)刻；時(shí)間間隔Δt=t2-t1；T1為采樣周期數(shù)。

由于EB 接入時(shí),時(shí)域和頻域均會(huì)產(chǎn)生短暫的突變信號(hào),為得到EB 充電數(shù)據(jù)信息,本文引入小波變換定位功率信號(hào)中的類EB 接入事件。小波變換是一種時(shí)頻分析方法,可以檢測信號(hào)的頻域信息,且能夠在時(shí)間域?qū)Σ煌l率的信號(hào)精準(zhǔn)定位。由于實(shí)際采樣信號(hào)往往是離散的,對(duì)于給定的P(t),可通過多尺度離散小波變換對(duì)其進(jìn)行多層分解,得到低頻和高頻分量,其中,第m層低頻信號(hào)Pm(t)小波分解為:

式中:∑am,t?m(t)為低頻分量；∑dm,tφm(t)為高頻分量；?m(t)、am,t分別為尺度函數(shù)和其對(duì)應(yīng)的系數(shù),即低頻系數(shù)；φm(t)、dm,t分別為小波函數(shù)和其對(duì)應(yīng)的系數(shù),即高頻系數(shù)。

信號(hào)突變點(diǎn)處的高頻分量較豐富。因此,該點(diǎn)處高頻系數(shù)也會(huì)產(chǎn)生突變。以對(duì)P(t)做三層小波變換為例,如附錄A 圖A3 所示,EB 接入產(chǎn)生的兩個(gè)突變點(diǎn)t1、t2對(duì)應(yīng)多尺度小波分解高頻系數(shù)的局部極大值點(diǎn),高頻系數(shù)的模值反映信號(hào)的突變,與信號(hào)幅值沒有必然聯(lián)系。因此,在不同負(fù)荷開斷會(huì)存在時(shí)間差［22］的前提下,即使是混雜在大功率信號(hào)中某時(shí)刻產(chǎn)生的EB 充電信號(hào)變化,仍能通過小波變換檢出。因此,可以通過式（3）準(zhǔn)確定位負(fù)荷投切的時(shí)間點(diǎn)。

式中:Δdm,t為第m層小波分解高頻系數(shù)的一階差分；σ為Δdm,t的閾值。

將多尺度小波變換用于檢測功率信號(hào)中的類EB 充電事件,可用分解后的高頻系數(shù)重構(gòu)功率信號(hào),分析其瞬時(shí)變化,能夠精確檢測和定位信號(hào)中具有高頻分量的瞬態(tài)現(xiàn)象。

1.4 基于穩(wěn)態(tài)特性的知識(shí)圖譜辨識(shí)原理

雖然EB 數(shù)目龐雜且其電流電壓波形隨品牌、型號(hào)、使用環(huán)境和習(xí)慣的變化而變化,但是無序雜亂的電流中仍然包含著EB 負(fù)荷固有的穩(wěn)態(tài)特性信息。采集不同品牌、不同損耗程度和電池型號(hào)的EB數(shù)據(jù),如附錄A 圖A4 所示,并分析其穩(wěn)態(tài)特性。圖2（c）和圖2（d）分別展示了EB 充電進(jìn)入穩(wěn)態(tài)后的典型電流單周期波形圖以及不同家用典型負(fù)荷的特征值比較。

考慮到EB 的電流波形失真程度較大,重點(diǎn)分析能體現(xiàn)電流波形形狀的電參數(shù)特征,從圖2（d）中可以看出,EB 負(fù)荷具有功率因數(shù)低,電流畸變率、7 次諧波和占空比高等強(qiáng)可分性特征,與不同家用負(fù)荷有明顯區(qū)別,可以作為共性特征為EB 負(fù)荷的辨識(shí)提供重要依據(jù)。

為了對(duì)EB 負(fù)荷穩(wěn)態(tài)單周期過程中的共性特征進(jìn)行抽取歸納和一致化表征,采用自下而上的方式對(duì)底層數(shù)據(jù)依次進(jìn)行信息抽取、特征融合、知識(shí)加工3 個(gè)核心步驟,形成結(jié)構(gòu)化特征體系,構(gòu)建EB 專有負(fù)荷特征圖譜。將EB 和其他負(fù)荷作為圖譜的本體,從非結(jié)構(gòu)化或半結(jié)構(gòu)化的數(shù)據(jù)中進(jìn)行特征抽選形成圖譜的本體-屬性特征集合L為:

式中:J0和dj分別為初選特征數(shù)量以及特征值。

為了形成高區(qū)分度、低冗余度的特征集合,解決屬性特征之間存在信息重疊、關(guān)系扁平化等問題,對(duì)屬性特征集合進(jìn)行優(yōu)化融合。從大量備選屬性dj中進(jìn)行特征抽選形成新的特征集合L～為:

式中:J1為經(jīng)過抽選后的特征數(shù)。此時(shí),對(duì)于EB 負(fù)荷具有高區(qū)分度的特征被抽選出。

不同的屬性特征對(duì)分類的重要程度不同,為了充分發(fā)揮各特征的優(yōu)勢,對(duì)每個(gè)屬性特征賦權(quán),衡量其在分類中的重要程度。構(gòu)建特征對(duì)于EB 負(fù)荷的關(guān)系及各特征的重要程度的量化模型,以高區(qū)分度為目的,對(duì)篩選特征進(jìn)行知識(shí)加工得到權(quán)重系數(shù)向量K。

式中:kj為反映抽選特征表征重要度的系數(shù)。

若此特征在眾EB 波形中表現(xiàn)一致,且與其他家用電器有較高的區(qū)分度,則kj值較高。

在構(gòu)建EB 專有知識(shí)圖譜后,EB 的穩(wěn)態(tài)特性從原始空間映射到高維特征空間進(jìn)行一致化表征。

式中:SCEB為基于穩(wěn)態(tài)特性的知識(shí)圖譜判定依據(jù)；f（·）為知識(shí)圖譜的表征函數(shù)。

由于EB 專有知識(shí)圖譜形成的特征空間維數(shù)較高,可將高維空間的最優(yōu)分類問題轉(zhuǎn)化為尋找最優(yōu)超平面問題。SVM 在解決小樣本、非線性及高維模式識(shí)別中具有顯著優(yōu)勢。SVM 找到的為全局最優(yōu)解,對(duì)實(shí)際監(jiān)測過程中的未知樣本有較好的泛化能力。由此訓(xùn)練的SVM 辨識(shí)分類器對(duì)EB 負(fù)荷的共性特征利用率更高,從而完成EB 負(fù)荷最終的認(rèn)定。

2 非侵入式EB 監(jiān)測實(shí)現(xiàn)方法

基于上述EB 監(jiān)測整體實(shí)施結(jié)構(gòu),本章主要介紹實(shí)際監(jiān)測過程中的實(shí)現(xiàn)方法,分為類EB 充電行為實(shí)時(shí)檢測與提取以及EB 負(fù)荷的最終認(rèn)定與上傳兩部分。

2.1 類EB 充電行為實(shí)時(shí)檢測與提取

為獲取詳細(xì)的EB 充電數(shù)據(jù)信息,需要從總采集數(shù)據(jù)中分離出類EB 充電事件波形。因此,本節(jié)首先基于暫態(tài)特性分析,利用小波變換定位類EB負(fù)荷投入事件的突變點(diǎn)；其次,提取類EB 充電事件的穩(wěn)態(tài)電壓、電流波形,用于EB 充電事件認(rèn)定。

2.1.1 基于小波變換的類EB 充電行為檢測

EB 接入電路時(shí),有功功率信號(hào)會(huì)產(chǎn)生兩個(gè)時(shí)間間隔在一定范圍內(nèi)的突變點(diǎn)。本文采用db4 小波函數(shù)對(duì)有功功率信號(hào)進(jìn)行多尺度小波變換,通過分解后的高頻分量獲取與EB 充電事件相關(guān)的暫態(tài)特征分量。

經(jīng)過多尺度小波分解后,對(duì)各層細(xì)節(jié)系數(shù)求一階差分,通過設(shè)定細(xì)節(jié)系數(shù)差分值的閾值對(duì)突變點(diǎn)進(jìn)行篩選。基于EB 接入電路時(shí)的暫態(tài)特征,當(dāng)檢測信號(hào)中存在滿足式（8）的兩個(gè)突變時(shí)刻t1和t2,初步判定其為類EB 充電事件。

式中:d(t1)和d(t2)分別為有功功率信號(hào)在t1和t2時(shí)刻小波變換細(xì)節(jié)系數(shù)的一階差分；σ1、σ2分別為d(t1)和d(t2)的閾值。

由于小波變換對(duì)瞬時(shí)特性的敏感性,所檢出事件中包含大量非EB 充電事件,為減少后續(xù)負(fù)荷事件認(rèn)定的計(jì)算耗時(shí),本文從EB 接入電路后進(jìn)入穩(wěn)定狀態(tài)的有功功率增量和負(fù)荷運(yùn)行狀態(tài)兩方面對(duì)定位事件進(jìn)行事件篩選。

1）以有功功率增量為閾值判斷突變點(diǎn)是否為類EB 負(fù)荷投入點(diǎn),取突變點(diǎn)前后m1個(gè)周期的有功功率值,計(jì)算突變點(diǎn)前向有功功率P-mean和后向有功功率P+mean,有功功率增量ΔP由式（9）求得。

式中:Pt2?i為突變點(diǎn)t2前或后第i個(gè)周期的有功功率。若ΔP滿足式（10）,則判定其為負(fù)荷投入點(diǎn)。

式中:σ3、σ4分別為ΔP的上、下限閾值。

2）由于間續(xù)運(yùn)行負(fù)荷具有周期性變化的特點(diǎn),在較短時(shí)間內(nèi)會(huì)檢測到多個(gè)具有相似特征的突變點(diǎn)。若滿足式（11）則判定為間續(xù)運(yùn)行負(fù)荷,不對(duì)與EB 連續(xù)運(yùn)行狀態(tài)不符的間續(xù)運(yùn)行負(fù)荷投入點(diǎn)進(jìn)行后續(xù)的負(fù)荷辨識(shí)。

式中:ΔP(t3)、ΔP(t4)分別為某兩個(gè)突變點(diǎn)處功率增量；σ5為判斷突變點(diǎn)是否相似的閾值；V(Ts)為Ts間隔內(nèi)檢測到相似突變點(diǎn)的個(gè)數(shù)；V1為大于2 的整數(shù)閾值。

2.1.2 類EB 充電事件提取

為提取事件獨(dú)立運(yùn)行的電流、電壓單周期波形用于后續(xù)負(fù)荷辨識(shí),需要截取事件點(diǎn)前后穩(wěn)態(tài)的單周期電壓、電流波形并作運(yùn)算。截取時(shí)滿足電流疊加性,即在前后穩(wěn)態(tài)電壓初始相位相同的時(shí)刻截取一個(gè)完整周期。利用過零點(diǎn)檢測的方法,設(shè)置電壓的初始相位為零,尋找呈上升趨勢的電壓過零點(diǎn),如式（12）所示。

式中:u(x)為第x個(gè)采樣點(diǎn)的電壓值。以此采樣點(diǎn)為初始點(diǎn)提取電壓、電流的單周期波形。

由于EB 接入時(shí)有短時(shí)的脈沖和延遲時(shí)間,需要利用上述方法提取事件發(fā)生突變時(shí)刻t2前后的穩(wěn)態(tài)單周期電流波形分別為Ifront(t2)和Iback(t2)。根據(jù)電流疊加原理,可通過式（13）得到負(fù)荷的穩(wěn)態(tài)單周期電流波形I(t2),其穩(wěn)態(tài)電壓波形U(t2)則可根據(jù)事件發(fā)生后的電流波形對(duì)應(yīng)時(shí)刻的電壓波形Uback(t2)提取得到,有

2.2 EB 負(fù)荷的最終認(rèn)定與上傳

為實(shí)現(xiàn)EB 負(fù)荷的一致化表征,基于穩(wěn)態(tài)特性分析構(gòu)建EB 專有負(fù)荷特征圖譜,訓(xùn)練專有SVM 分類器,準(zhǔn)確辨識(shí)EB 負(fù)荷。

2.2.1 EB 穩(wěn)態(tài)特性的一致化表征

1）底層信息抽取

知識(shí)圖譜由多個(gè)交疊的三元組組成,包含本體,屬性以及兩者之間的關(guān)系。將EB 負(fù)荷作為本體,能夠刻畫EB 負(fù)荷的通用特征作為屬性信息。分別從波形數(shù)據(jù)以及負(fù)荷運(yùn)行規(guī)律中統(tǒng)計(jì)電氣特征與實(shí)體特征組成屬性信息。由于EB 負(fù)荷電流波形失真程度較大,除基本電氣參數(shù)外,考慮能體現(xiàn)電流形狀的參數(shù),如電流畸變率、占空比和高次諧波分量等共同組成電參特征。初步選取電氣參數(shù)特征集合記作Lp,如附錄A 表A1 所示。

實(shí)體特征描述EB 本身的功能特性以及用戶的操作習(xí)慣。EB 充電波形均具有較大的畸變,決定了EB 屬于非線性負(fù)荷。EB 充電滿足三段式規(guī)則,電流連續(xù)且并不會(huì)出現(xiàn)周期性變化。因此,考慮非線性負(fù)荷（non-linear,NL）和連續(xù)負(fù)荷（consistent load,CL）兩個(gè)特征構(gòu)成實(shí)體特征集合Le。所有抽選特征集合L如下:

2）特征優(yōu)化融合

由于電氣參數(shù)特征是由波形數(shù)據(jù)邏輯運(yùn)算得出,存在數(shù)據(jù)之間信息重疊、關(guān)系扁平化等問題。為了選出具有良好可分性的電氣參數(shù)特征集合,通過類內(nèi)、類間散布矩陣抽選J1種特征形成最優(yōu)電氣參數(shù)特征集。設(shè)共有N類負(fù)荷,待分類負(fù)荷樣本特征向量集Λ為:

式中:{Yn,α|α=1,2,…,An；n=1,2,…,N}為總樣本集中的樣本特征向量,其中,α為每個(gè)樣本在該類負(fù)荷中的序號(hào),An為該類負(fù)荷樣本總數(shù),n為負(fù)荷樣本的類別序號(hào)。

設(shè)Pn為相應(yīng)負(fù)荷類別的先驗(yàn)概率,M為所有負(fù)荷樣本集的總平均向量,即

式中:trace(X)表示求矩陣X對(duì)角線上元素之和。

通過改變特征種類可以尋找J值的局部最優(yōu),通過遍歷可選特征總數(shù)可以尋找J值的全局最優(yōu)。J值越大代表所選特征的分類能力越好。此時(shí),對(duì)應(yīng)的屬性特征集合即為特征優(yōu)化融合的結(jié)果。

3）特征知識(shí)加工

從圖2（d）可以看出,不同特征對(duì)EB 負(fù)荷的區(qū)分度不同。利用熵權(quán)法量化不同特征對(duì)EB 負(fù)荷的表征程度并重新分配各特征占比,進(jìn)而強(qiáng)化EB 專有特征圖譜對(duì)EB 負(fù)荷的一致化表征。其中,實(shí)體特征作為功能性特征可以確定負(fù)荷類型從而縮小負(fù)荷類別所選范圍,具有唯一性,無須進(jìn)行特征融合以及權(quán)重量化。信息熵越小,說明該特征對(duì)應(yīng)的樣本值集中,對(duì)于EB 負(fù)荷具有更強(qiáng)的共性,賦予其較大權(quán)重。

對(duì)EB 負(fù)荷的J1種特征進(jìn)行賦權(quán),設(shè)此EB 負(fù)荷共有AEB個(gè)樣本,其中,第j個(gè)特征的熵值hj可以用下式表示。

式 中:j=1,2,…,J1；vjα為 該 電 參 特 征 的 真 實(shí) 值；fjα為第α個(gè)樣本的第j個(gè)特征對(duì)應(yīng)的信息熵因子。

因此,該特征的權(quán)重可以用對(duì)應(yīng)的信息熵表示為:

在重新分配特征權(quán)重完成知識(shí)加工后即可得到最終的EB 專有特征圖譜。

2.2.2 SVM 分類器訓(xùn)練

用知識(shí)圖譜信息抽取后的帶標(biāo)簽樣本訓(xùn)練SVM 分類器,通過非線性函數(shù)Φ(x)對(duì)輸入數(shù)據(jù)x進(jìn)行映射,在變換后的空間尋找能將負(fù)荷特征數(shù)據(jù)分割的最優(yōu)分類超平面,其具有以下形式:λΦ(x)+B=0。有監(jiān)督的訓(xùn)練超平面核參數(shù)可以轉(zhuǎn)化為參數(shù)優(yōu)化問題:

式中:αp為拉格朗日乘子。通過二次規(guī)劃技術(shù)得到αp后,利用式（23）、式（24）確定超平面的參數(shù)λ和B。

由于未知負(fù)荷的各特征量具有較大差異,在特征賦權(quán)之前對(duì)特征值進(jìn)行歸一化處理。為了提高分類器對(duì)EB 負(fù)荷的適應(yīng)度,將歸一化所用的最值進(jìn)行固定設(shè)置,其值由EB 負(fù)荷數(shù)據(jù)訓(xùn)練得出。

非侵入式高頻采樣數(shù)據(jù)量大,因此,事件檢測和辨識(shí)由終端上布設(shè)的數(shù)據(jù)采集與處理設(shè)備實(shí)現(xiàn),僅上傳辨識(shí)結(jié)果至云平臺(tái),不占用通信資源。系統(tǒng)按照運(yùn)算需求和通信成本進(jìn)行任務(wù)分配,實(shí)現(xiàn)對(duì)EB入戶精準(zhǔn)管控的同時(shí)優(yōu)化了端到云之間傳輸信息的成本。

非侵入式EB 負(fù)荷監(jiān)測系統(tǒng)的整體流程如圖3所示。

圖3 非侵入式負(fù)荷監(jiān)測系統(tǒng)整體流程圖Fig.3 Overall flow chart of non-intrusive load monitoring system

3 實(shí)驗(yàn)分析

為了驗(yàn)證EB 入戶充電監(jiān)測系統(tǒng)的有效性,本文從負(fù)荷辨識(shí)效果和實(shí)際監(jiān)測效果兩個(gè)方面進(jìn)行測試實(shí)驗(yàn)。

3.1 EB 專有知識(shí)圖譜效果驗(yàn)證與算法對(duì)比

用戶實(shí)際運(yùn)行環(huán)境中電器種類復(fù)雜,訓(xùn)練樣本盡可能涵蓋大多數(shù)典型家用負(fù)荷,避免由于數(shù)據(jù)不全面而產(chǎn)生誤報(bào)警現(xiàn)象。樣本實(shí)際采集環(huán)境包含:北京市某小區(qū)、高校、二手市場、多戶家庭。為了提高分類器的泛化能力,其中,EB 負(fù)荷包含多種典型EB 品牌；非EB 負(fù)荷包含空調(diào)、電腦、冰箱、電視、微波爐、電暖氣、浴霸、洗衣機(jī)8 種典型家用電器。非侵入式采集終端EM9636B 具備多種方式的網(wǎng)絡(luò)接口和存儲(chǔ)模式,可以支持不同環(huán)境下的數(shù)據(jù)采集,實(shí)驗(yàn)場景如附錄A 圖A5 所示。

對(duì)采集到的負(fù)荷波形數(shù)據(jù)進(jìn)行特征融合,附錄A 表A2 展示了不同特征對(duì)應(yīng)的J值,當(dāng)特征數(shù)為9時(shí)J值達(dá)到最優(yōu)。由此形成了圖譜雛形。附錄A 圖A6 展示了特征賦權(quán)前后的數(shù)值大小占總和的百分比。特征占比變化驗(yàn)證了知識(shí)加工的必要性。最后,通過EB 負(fù)荷的一致化表征形成的EB 專有負(fù)荷特征圖譜如圖4 所示。圖中:橙色代表實(shí)體特征,藍(lán)色代表電氣參數(shù)特征,線上數(shù)字代表權(quán)重系數(shù)。

圖4 EB 專有負(fù)荷特征圖譜Fig.4 EB proprietary load feature graph

EB 專有負(fù)荷特征圖譜將樣本數(shù)據(jù)轉(zhuǎn)化為高維特征向量以訓(xùn)練SVM 分類器。為了驗(yàn)證EB 專有負(fù)荷特征圖譜的準(zhǔn)確性以及評(píng)價(jià)SVM 分類器的性能,訓(xùn)練集和測試集各包含100 個(gè)EB 負(fù)荷和100 個(gè)非EB 負(fù)荷的運(yùn)行數(shù)據(jù),以［0,200］為范圍遍歷λ,以［0,50］為范圍遍歷B,如附錄A 圖A7 所示。選取準(zhǔn)確率最高的一組參數(shù)即λ和B分別為11 和35,作為SVM 核函數(shù)的最佳參數(shù)。

測試集的測試結(jié)果表明,所有EB 負(fù)荷均可以被辨識(shí)出,其中,僅有1 個(gè)非EB 負(fù)荷被誤認(rèn)為EB。負(fù)荷辨識(shí)的準(zhǔn)確率以及F1 分?jǐn)?shù)均達(dá)到了0.995,此分類器對(duì)于EB 具有接近完全準(zhǔn)確的辨識(shí)能力。

附錄A 圖A8 展示了不同算法辨識(shí)準(zhǔn)確率的比較。文獻(xiàn)［21］通過半監(jiān)督Fisher 計(jì)分與最大信息系數(shù)量度特征辨別度與冗余度,采用貪心搜索算法選擇特征子集。文獻(xiàn)［23］基于SVM 弱分類器的AdaBoost 多分類學(xué)習(xí)算法實(shí)現(xiàn)非侵入式EB 負(fù)荷辨識(shí)。本文辨識(shí)準(zhǔn)確率在此基礎(chǔ)上增加了0.3%,且文獻(xiàn)［21,23］僅考慮了線路空載時(shí)單負(fù)荷接入場景。本文構(gòu)建圖譜時(shí)考慮到不同實(shí)際運(yùn)行環(huán)境、品牌、類型的負(fù)荷,形成的EB 專有負(fù)荷特征圖譜可在實(shí)際復(fù)雜場景中實(shí)現(xiàn)高精度辨識(shí)。

3.2 實(shí)際監(jiān)測效果驗(yàn)證

為了評(píng)估提出的非侵入式EB 入戶監(jiān)測系統(tǒng)的效果,考慮到實(shí)際監(jiān)測環(huán)境的復(fù)雜性,選取了北京市昌平區(qū)某小區(qū)的多個(gè)居民用戶,在用戶電力入口處安裝監(jiān)測設(shè)備,分兩批進(jìn)行實(shí)際監(jiān)測,本文抽取其中10 個(gè)用戶分析實(shí)際監(jiān)測效果。第1 批在2021 年1 月29 日至2021 年2 月27 日進(jìn)行監(jiān)測,抽取其中3 個(gè)用戶。第2 批 在2023 年3 月12 日 至2023 年3 月22 日進(jìn)行實(shí)際監(jiān)測,抽取其中7 個(gè)用戶。其中,各用戶家中EB 的品牌型號(hào)如表1 所示,除用戶4 家中有2 輛EB,其余測試用戶均只有1 輛EB。部分實(shí)際監(jiān)測數(shù)據(jù)已共享。監(jiān)測系統(tǒng)各閾值具體值如附錄A 表A3 所示,表2 展示了監(jiān)測結(jié)果。

表1 實(shí)際用戶的EB 負(fù)荷信息Table 1 EB load information of actual users

表2 本文與文獻(xiàn)[24]監(jiān)測效果對(duì)比Table 2 Comparison of monitoring effect between this paper and reference [24]

由于實(shí)際監(jiān)測數(shù)據(jù)量過大,本文僅對(duì)用戶2 中包含EB 負(fù)荷充電事件的某段有功信號(hào)的事件檢測結(jié)果進(jìn)行展示。從圖5 中可以看出,由t1和t2時(shí)刻、t3和t4時(shí)刻有功信號(hào)小波變換細(xì)節(jié)系數(shù)的一階差分可以定位到2 個(gè)類EB 充電事件,實(shí)際用電環(huán)境中t1時(shí)刻為真實(shí)的EB 負(fù)荷投入點(diǎn),說明本文算法能夠精確定位實(shí)際監(jiān)測環(huán)境中的EB 充電事件。據(jù)實(shí)際檢測結(jié)果統(tǒng)計(jì),定位誤差小于0.02 s。

圖5 針對(duì)EB 負(fù)荷的事件檢測Fig.5 Event detection for EB load

P、R、Acc、和F1分別為精確率、召回率、準(zhǔn)確率和F1 分?jǐn)?shù),由式（26）得出。

式中:TP、FP、FN和TN分別為真陽性、假陽性、假陰性和真陰性。

由于家庭實(shí)際用電環(huán)境復(fù)雜多變,每天會(huì)存在多種負(fù)荷操作,實(shí)驗(yàn)考慮了8 種家用負(fù)荷。每種負(fù)荷每天開啟充電1～3 次不等,按照每日每戶總負(fù)荷開啟充電12 次計(jì)算,實(shí)驗(yàn)期間總負(fù)荷開啟數(shù)量接近兩千次,其中EB 事件共58 次。由表2 可以看出,漏檢的EB 充電次數(shù)為0,若考慮所有負(fù)荷開斷事件,算法對(duì)EB 充電事件的漏檢率低于0.1%,若僅考慮EB 事件,漏檢率低于1.7%。

在實(shí)際監(jiān)測過程中,各用戶EB 負(fù)荷的充電頻率如表3 所示。大部分在2.5～3.3 次/d 之間,用戶4由于有2 個(gè)EB 負(fù)荷。因此,充電頻率較高。同時(shí),將所檢出事件中EB 負(fù)荷充電事件占比提升到28%～38%,可以避免大量冗余事件檢出,降低運(yùn)算資源消耗。

表3 EB 負(fù)荷檢測效果Table 3 Detection effect of EB load

同時(shí),表2 展示了監(jiān)測的最終結(jié)果,文獻(xiàn)［24］對(duì)不同用戶的F1 分?jǐn)?shù)不穩(wěn)定,并且精確率也易受環(huán)境的影響。本文在不同用戶的通用性上做出較大效果提升,有9 個(gè)用戶的F1 分?jǐn)?shù)均不小于0.94,P和R也穩(wěn)定提升,其中,7 個(gè)用戶達(dá)到了1,平均辨識(shí)準(zhǔn)確率達(dá)到97.8%。不同種類、容量的EB 負(fù)荷以及運(yùn)行環(huán)境均不會(huì)影響辨識(shí)效果,驗(yàn)證了監(jiān)測算法的通用性以及較高的適應(yīng)度,監(jiān)測效果穩(wěn)定。不僅可以監(jiān)測到絕大多數(shù)入戶充電行為,還降低了誤報(bào)警率,為相關(guān)部門提供精準(zhǔn)的EB 違規(guī)充電信息,減少社會(huì)資源的浪費(fèi)。本文非侵入式EB 負(fù)荷監(jiān)測算法在實(shí)際應(yīng)用中全方位優(yōu)化辨識(shí)效果。

4 結(jié)語

本文通過分析不同品牌與型號(hào)EB 負(fù)荷的通用特性,提出了基于小波檢測和圖譜決策的非侵入電動(dòng)自行車充電實(shí)時(shí)監(jiān)測系統(tǒng)。首先,利用多尺度小波變換對(duì)信號(hào)突變的敏感性,基于EB 負(fù)荷接入電路時(shí)的暫態(tài)特性檢測類電動(dòng)自行車負(fù)荷充電事件,顯著降低終端辨識(shí)設(shè)備的計(jì)算量。然后,基于EB負(fù)荷運(yùn)行時(shí)的穩(wěn)態(tài)共性,構(gòu)建EB 專有負(fù)荷特征圖譜對(duì)穩(wěn)態(tài)共性特征進(jìn)行一致化表征,以訓(xùn)練具有強(qiáng)可分性的SVM 分類器。最后,綜合考慮實(shí)際用戶的監(jiān)測結(jié)果,本文監(jiān)測算法滿足對(duì)不同用戶的通用性,驗(yàn)證了監(jiān)測系統(tǒng)的準(zhǔn)確性。

監(jiān)測系統(tǒng)實(shí)際應(yīng)用效果較穩(wěn)定,接下來將針對(duì)監(jiān)測系統(tǒng)的算力分配展開研究,進(jìn)一步降低終端設(shè)備的計(jì)算壓力從而降低成本,以便實(shí)現(xiàn)最終的大規(guī)模推廣。

本文部分實(shí)際監(jiān)測數(shù)據(jù)和算法代碼已共享，可在本刊網(wǎng)站支撐數(shù)據(jù)處下載（http://www.aeps-info.com/aeps/article/abstract/20230425001）。

附錄見本刊網(wǎng)絡(luò)版（http：//www.aeps-info.com/aeps/ch/index.aspx），掃英文摘要后二維碼可以閱讀網(wǎng)絡(luò)全文。