摘 要：當(dāng)監(jiān)測(cè)消費(fèi)端用電負(fù)荷時(shí)，會(huì)產(chǎn)生大量數(shù)據(jù)，容易出現(xiàn)數(shù)據(jù)擬合現(xiàn)象，使最終監(jiān)測(cè)結(jié)果平均絕對(duì)誤差（MAE）較大。因此，本文提出了基于HVD算法的消費(fèi)端用電負(fù)荷動(dòng)態(tài)監(jiān)測(cè)方法。結(jié)合邊緣計(jì)算設(shè)備和區(qū)域級(jí)云平臺(tái)，制定消費(fèi)端用電負(fù)荷監(jiān)測(cè)任務(wù)分配策略。利用HVD算法分解電力信號(hào)，通過(guò)平方包絡(luò)譜分析法，提取用電負(fù)荷信號(hào)特征。建立用電行為分析貝葉斯網(wǎng)絡(luò)，輸入信號(hào)提取結(jié)果，輸出動(dòng)態(tài)負(fù)荷監(jiān)測(cè)值。試驗(yàn)結(jié)果表明，本文研究方法檢測(cè)結(jié)果的MAE＜0.1，滿(mǎn)足用電負(fù)荷檢測(cè)要求。

關(guān)鍵詞：HVD算法；信號(hào)分解；貝葉斯網(wǎng)絡(luò)；消費(fèi)端；用電負(fù)荷；動(dòng)態(tài)監(jiān)測(cè)

中圖分類(lèi)號(hào)：TM 714" " " " " " " " 文獻(xiàn)標(biāo)志碼：A

消費(fèi)端用電負(fù)荷是一個(gè)動(dòng)態(tài)變化量，它受到終端用戶(hù)的用電行為、需求峰谷變化和季節(jié)變化等多種因素的影響。通過(guò)實(shí)時(shí)監(jiān)測(cè)和管理消費(fèi)端用電負(fù)荷，可以實(shí)現(xiàn)精細(xì)化調(diào)度、高效能源利用和能源交互等目標(biāo)，推動(dòng)智能電網(wǎng)和能源互聯(lián)網(wǎng)的發(fā)展。因此，研究消費(fèi)端用電負(fù)荷監(jiān)測(cè)具有重要意義。

常喜強(qiáng)等[1]提出了基于門(mén)控循環(huán)單元神經(jīng)網(wǎng)絡(luò)以及負(fù)荷激活提取的非侵入式負(fù)荷監(jiān)測(cè)算法。獲取消費(fèi)端用電數(shù)據(jù)并完成去噪處理后，提取負(fù)荷激活信息。以門(mén)控循環(huán)單元為基礎(chǔ)，構(gòu)建非侵入式負(fù)荷監(jiān)測(cè)模型。田豐等[2]提出了基于距離權(quán)重統(tǒng)計(jì)方法的改進(jìn)kNN算法，設(shè)計(jì)負(fù)荷動(dòng)態(tài)識(shí)別模型，根據(jù)電力負(fù)荷數(shù)據(jù)的暫態(tài)特征和穩(wěn)態(tài)特征，完成用電負(fù)荷動(dòng)態(tài)監(jiān)測(cè)。但是，該方法的監(jiān)測(cè)結(jié)果容易受到噪聲干擾。上述2種方法均存在較大平均絕對(duì)誤差。

針對(duì)上述問(wèn)題，本文提出了一種基于HVD算法的消費(fèi)端用電負(fù)荷動(dòng)態(tài)監(jiān)測(cè)方法。通過(guò)采集用電端電壓信號(hào)，運(yùn)用HVD算法提取用電負(fù)荷信號(hào)特征，并構(gòu)建消費(fèi)端用電負(fù)荷動(dòng)態(tài)監(jiān)測(cè)模型，實(shí)現(xiàn)消費(fèi)端用電負(fù)荷動(dòng)態(tài)監(jiān)測(cè)。該監(jiān)測(cè)方法精度高、實(shí)時(shí)性強(qiáng)且穩(wěn)定性好。

1 消費(fèi)端用電負(fù)荷動(dòng)態(tài)監(jiān)測(cè)方法

建立負(fù)荷監(jiān)測(cè)任務(wù)分配策略能夠最大程度地提升負(fù)荷監(jiān)測(cè)任務(wù)的執(zhí)行效率。采用HVD算法提取用電負(fù)荷信號(hào)特征，基于貝葉斯網(wǎng)絡(luò)，構(gòu)建消費(fèi)端用電負(fù)荷動(dòng)態(tài)監(jiān)測(cè)模型，實(shí)現(xiàn)消費(fèi)端用電負(fù)荷動(dòng)態(tài)監(jiān)測(cè)。

1.1 建立負(fù)荷監(jiān)測(cè)任務(wù)分配策略

結(jié)合邊緣計(jì)算概念和電力信息采集系統(tǒng)[3]，在區(qū)域級(jí)云平臺(tái)環(huán)境中建立邊緣計(jì)算模型。消費(fèi)端用電負(fù)荷監(jiān)測(cè)邊緣計(jì)算模型框架如圖1所示。

該模型的任務(wù)分配模式如下。非侵入式負(fù)荷監(jiān)測(cè)任務(wù)隊(duì)列中的每個(gè)任務(wù)可以在本地計(jì)算設(shè)備中執(zhí)行，也可以通過(guò)通信信道上傳至邊緣計(jì)算服務(wù)器中執(zhí)行。區(qū)域級(jí)云平臺(tái)作為邊緣計(jì)算模型框架的重要組成部分，承擔(dān)著制定任務(wù)分配策略的責(zé)任。根據(jù)區(qū)域消費(fèi)端用電負(fù)荷監(jiān)測(cè)的能效代價(jià)，設(shè)置負(fù)荷動(dòng)態(tài)監(jiān)測(cè)任務(wù)的分配權(quán)重。再以能效代價(jià)最小為目標(biāo)，定義最優(yōu)任務(wù)分配方案對(duì)應(yīng)的數(shù)學(xué)模型，并針對(duì)任務(wù)分配模型給出最大計(jì)算能力和信道帶寬等約束條件[4]，保證最終求出分配方法是合理的。

1.2 基于HVD算法提取用電負(fù)荷信號(hào)特征

執(zhí)行任意一個(gè)消費(fèi)端用電負(fù)荷動(dòng)態(tài)監(jiān)測(cè)任務(wù)，都需要從歷史用電負(fù)荷數(shù)據(jù)入手。引入HVD概念[5]，設(shè)置固定的模態(tài)分解個(gè)數(shù)和后得到多個(gè)用電負(fù)荷信號(hào)分解分量，找到最優(yōu)分量后即可提取用于用電負(fù)荷動(dòng)態(tài)監(jiān)測(cè)的信號(hào)特征。當(dāng)應(yīng)用HVD算法對(duì)預(yù)處理后的電力負(fù)荷信號(hào)進(jìn)行分解時(shí)，需要先進(jìn)行希爾伯特變換，得到原始信號(hào)的解析結(jié)果，如公式（1）所示。

?（t）=x（t）+jH（x（t）） （1）

式中：t為信號(hào)采樣時(shí)間；x為預(yù)處理后的電力負(fù)荷信號(hào)；?為解析信號(hào)；j為虛數(shù)單位；H為希爾伯特變換因子。

按照上述操作得到原始消費(fèi)端用電負(fù)荷信號(hào)包括的多個(gè)信號(hào)分量后，從眾多信號(hào)中篩選最具代表性的重構(gòu)信號(hào)，再利用平方包絡(luò)譜分析法進(jìn)一步分析所選信號(hào)分量的重構(gòu)信號(hào)，得到信號(hào)特征信息。其中，敏感信號(hào)分量的篩選指標(biāo)為最大包絡(luò)峰度，具體計(jì)算過(guò)程如公式（2）、公式（3）所示。

（2）

Emax=max（Enmax） （3）

式中：E（i）為信號(hào)分量i時(shí)的包絡(luò)峰度；βki為信號(hào)分量i時(shí)的第k個(gè)模態(tài)分解數(shù)的包絡(luò)；Emax為最大包絡(luò)峰度；Enmax為第n個(gè)樣本數(shù)量的最大包絡(luò)峰度。

基于最大包絡(luò)峰度指標(biāo)搜索最敏感的信號(hào)分量，對(duì)篩選的信號(hào)分量進(jìn)行平方操作，得到信號(hào)的平方值，利用希爾伯特變換對(duì)平方后的信號(hào)進(jìn)行包絡(luò)計(jì)算，得到信號(hào)的包絡(luò)曲線。針對(duì)包絡(luò)曲線進(jìn)行譜分析，得到信號(hào)的頻譜信息，從中選取峰值、中心頻率等特征信息。

1.3 構(gòu)建消費(fèi)端用電負(fù)荷動(dòng)態(tài)監(jiān)測(cè)模型

為了將歷史消費(fèi)端用電負(fù)荷信號(hào)特征提取結(jié)果應(yīng)用于負(fù)荷動(dòng)態(tài)監(jiān)測(cè)過(guò)程中，本研究采用專(zhuān)家知識(shí)與數(shù)據(jù)學(xué)習(xí)相結(jié)合的方法，構(gòu)建一個(gè)可以進(jìn)行用電行為分析的貝葉斯網(wǎng)絡(luò)，如圖2所示。

基于圖2所示的貝葉斯網(wǎng)絡(luò)，明確不同影響因素和電氣特征之間的關(guān)聯(lián)性，將上文提取的信號(hào)特征輸入模型中，計(jì)算當(dāng)前數(shù)據(jù)屬于某個(gè)用電類(lèi)別的后驗(yàn)概率，如公式（4）所示。

（4）

式中：X為影響用戶(hù)行為發(fā)生的外界因素；Yu為消費(fèi)端用電行為類(lèi)型；Z為電氣特征；P為概率。

根據(jù)后驗(yàn)概率計(jì)算結(jié)果，找到最大后驗(yàn)概率對(duì)應(yīng)的用電行為類(lèi)別，作為負(fù)荷辨識(shí)結(jié)果，保存至用電行為規(guī)則庫(kù)內(nèi)充當(dāng)網(wǎng)絡(luò)更新訓(xùn)練數(shù)據(jù)。結(jié)合對(duì)負(fù)荷辨識(shí)結(jié)果的評(píng)價(jià)，更新規(guī)則庫(kù)中用電行為樣本頻次信息和總樣本數(shù)量，得到動(dòng)態(tài)用電負(fù)荷監(jiān)測(cè)所需的基本數(shù)據(jù)。更新實(shí)時(shí)貝葉斯網(wǎng)絡(luò)負(fù)荷辨識(shí)結(jié)果后，即可根據(jù)當(dāng)前辨識(shí)數(shù)據(jù)得到消費(fèi)端用電負(fù)荷變化情況，完成用電負(fù)荷動(dòng)態(tài)監(jiān)測(cè)。

2 試驗(yàn)分析

2.1 試驗(yàn)準(zhǔn)備

為了驗(yàn)證基于HVD算法的消費(fèi)端用電負(fù)荷動(dòng)態(tài)監(jiān)測(cè)方法的應(yīng)用效果，試驗(yàn)所需數(shù)據(jù)主要來(lái)自2020—2022年英格蘭地區(qū)的10座住宅建筑。在試驗(yàn)準(zhǔn)備階段，主要選取洗衣機(jī)、水壺、洗碗機(jī)和微波爐4類(lèi)設(shè)備的負(fù)荷數(shù)據(jù)，組成數(shù)據(jù)集。應(yīng)用文獻(xiàn)[1]和文獻(xiàn)[2]方法，進(jìn)行同樣的消費(fèi)端用電負(fù)荷動(dòng)態(tài)監(jiān)測(cè)試驗(yàn)，將兩者的監(jiān)測(cè)結(jié)果與本文研究方法監(jiān)測(cè)結(jié)果進(jìn)行對(duì)比，利用指標(biāo)MAE衡量本文方法的效果，如公式（5）所示。

（5）

式中：G為監(jiān)測(cè)時(shí)間周期；?g為時(shí)間點(diǎn)g消費(fèi)端某個(gè)家用電器真實(shí)負(fù)荷值；λg為時(shí)間點(diǎn)g動(dòng)態(tài)監(jiān)測(cè)得到的負(fù)荷值。

2.2 信號(hào)特征提取

以2號(hào)住宅建筑中的家庭為例，從數(shù)據(jù)集中找到歷史負(fù)荷數(shù)據(jù)，并應(yīng)用HVD算法分解原始用電負(fù)荷信號(hào)，如圖3所示。

進(jìn)一步分析上述 3 個(gè)分解得到的信號(hào)分量，求得三者的最大包絡(luò)峰度值分別為0.23、0.26和0.31。經(jīng)過(guò)對(duì)比可以看出，第三個(gè)信號(hào)分量包絡(luò)峰度值最大，選取該信號(hào)分量提取特征信息。

2.3 消費(fèi)端用電負(fù)荷動(dòng)態(tài)監(jiān)測(cè)結(jié)果

明確消費(fèi)端用電負(fù)荷信號(hào)的特征后，基于貝葉斯網(wǎng)絡(luò)模型識(shí)別具體的負(fù)荷類(lèi)型，并針對(duì)每類(lèi)負(fù)荷完成動(dòng)態(tài)監(jiān)測(cè)。以洗衣機(jī)為例，本文研究方法、文獻(xiàn)[1]方法以及文獻(xiàn)[2]方法的監(jiān)測(cè)結(jié)果見(jiàn)表1。

根據(jù)表1可知，本文研究方法與其他2種方法均可以完成消費(fèi)端用電負(fù)荷動(dòng)態(tài)監(jiān)測(cè)，但是3種方法監(jiān)測(cè)結(jié)果存在差異。為了進(jìn)一步衡量監(jiān)測(cè)結(jié)果的準(zhǔn)確程度，記錄目標(biāo)家庭的真實(shí)消費(fèi)端用電負(fù)荷，結(jié)合監(jiān)測(cè)結(jié)果進(jìn)行計(jì)算，得到不同方法MAE對(duì)比結(jié)果，如圖4所示。

根據(jù)圖4可知，應(yīng)用本文研究方法后，消費(fèi)端用電負(fù)荷動(dòng)態(tài)監(jiān)測(cè)結(jié)果的MAE﹤1.0，基本滿(mǎn)足了負(fù)荷監(jiān)測(cè)精度要求，采用另外2種對(duì)比方法的監(jiān)測(cè)結(jié)果MAE明顯大于采用本文研究方法的MAE，這個(gè)試驗(yàn)結(jié)果充分驗(yàn)證了本文研究方法的優(yōu)越性能。

3 結(jié)語(yǔ)

本文通過(guò)理論分析和試驗(yàn)，驗(yàn)證了HVD算法在用電負(fù)荷動(dòng)態(tài)監(jiān)測(cè)中的有效性，本文研究方法能夠精確監(jiān)測(cè)用電負(fù)荷的波動(dòng)，并對(duì)噪聲和干擾具有更高的魯棒性。此外，本文研究方法還可以提供負(fù)荷失真的早期警告，從而幫助電力公司預(yù)防潛在的問(wèn)題。

參考文獻(xiàn)

[1]常喜強(qiáng)，崔浩，楊茂.基于門(mén)控循環(huán)單元神經(jīng)網(wǎng)絡(luò)及負(fù)荷激活提取的非侵入式負(fù)荷監(jiān)測(cè)算法[J].電氣自動(dòng)化，2023，45（4）：40-43.

[2]田豐，鄧曉平，張桂青，等.基于改進(jìn)kNN算法與暫穩(wěn)態(tài)特征的非侵入式負(fù)荷監(jiān)測(cè)方法[J].計(jì)算機(jī)與現(xiàn)代化，2022（10）：29-35.

[3]陳薇，張昱波.智能用電非侵入式負(fù)荷監(jiān)測(cè)系統(tǒng)分析[J].集成電路應(yīng)用，2022，39（4）：116-117.

[4]蘭森林，王葉鋒，陳明，等.基于用電信息采集的非侵入式居民電力負(fù)荷自動(dòng)監(jiān)測(cè)系統(tǒng)[J].電子設(shè)計(jì)工程，2022，30（4）：101-105.

[5]陳飛，楊超.住宅用電非侵入式電力負(fù)荷監(jiān)測(cè)與識(shí)別[J].智能計(jì)算機(jī)與應(yīng)用，2021，11（9）：75-84.