家庭用戶端負載的非侵入式電能監測系統研究

張榮寶，張 建

(1.淮安金湖供電公司，江蘇金湖 211600 2.淮安金湖供電公司，江蘇金湖 211600)

家庭用戶端負載的非侵入式電能監測系統研究

張榮寶1，張 建2

(1.淮安金湖供電公司，江蘇金湖 211600 2.淮安金湖供電公司，江蘇金湖 211600)

家庭用電智能化是智能電網建設的一個重要組成部分。本文采用非侵入式監測，先分析家庭中各種用電器的電氣特性，然后分別采用不同的分析方法進行仿真實驗。傳統最簡單的識別方法是根據功率識別，但相同功率家用電器的識別會受到限制。本文根據用電器啟動功率波形不同，提出了運用神經網絡識別計算，將用電器分類的方法，以提高識別的準確性。根據用電器穩態運行時電流波形的不同，本文采用遺傳算法的識別方法進行計算，該方法也具有一定的識別效果。最后將三種方法整合互補，以提高識別的精確度，為今后的推廣使用做好鋪墊。

非侵入式;用電監測;識別算法

1 引言

目前，隨著人們生活水平的提高電腦、電冰箱、電視機的家庭已經非常普遍，如果加上電燈、電磁爐、熱水器等家用電器，家庭用戶對于電能的消耗是越來越大，家庭入戶用電量普遍都在8kW到10kW之間。由此可見，家庭用電對于需求側的影響是很大的，用電的高峰和低谷的差值也相應地拉大，那么，對于家用電器的管理便變得及其重要。家庭用電監測系統不僅可以很好地解決用戶對自己用電情況不了解、浪費等問題，同時也可以防止竊電，由于它是對進戶端總的用電量進行在線監測，不僅可以查出是哪一個用電器在運行，而且還可以根據用電量的計算和波形分析，一旦出現漏電、短路等異常情況，很快就可以檢測出來，以便得到及時處理［1］。

現有家用電器的用電監測有兩種方法［2］，一種是侵入式監測，該技術需要無線傳輸器件，價格昂貴，無法大范圍推廣;另一種是非侵入式監測，只需在進線端安裝傳感器即可，然后分析計算。本文從第二種方式進行仿真分析，并驗證其實用性。

2 電能參數測量

2.1 電能參數的采樣與預處理

電力系統在運行過程中要監測很多的參數，以此來判斷家用電器的種類及其用電量。其電力參數主要有電壓、電流的瞬時值、頻率、有功功率、無功功率、功率因數等［3］。電壓、電流瞬時值的精確測量和有功功率、無功功率的準確性計算直接影響到家用電器種類的分析和判斷。因此，電能參數的測量是計算家用電器用電量的基礎。如果其中某一項電能參數誤差過大，就會導致電器種類判斷的錯誤。由此可見，對于電能參數的測量不僅需要有抗干擾措施，還有良好的準確的計算方法。如果用這種采集數據對家用電器的類型進行判斷和用電量的計算，極有可能出現嚴重的錯誤。為了避免這種情況的發生本文采用中值濾波法、將采樣數據行處理。

2.2 電能的計算

對于單項交流電來說，用電器的功率分為有功功率和無功功率。其中，有功功率是供電公司評價用戶用電量的一個重要指標。根據帕塞瓦爾定理［4］，一個信號所含有的能量(功率)恒等于此信號在完備正交函數集中各分量能量(功率)之和。說明一個信號在時域上計算的總能量等于該信號在頻域上計算的總能量。也就是說，信號經過傅里葉變換以后保持其總能量不變，符合能量守恒定律。

然而，現在家用電器中存在大量諧波。為此，本文分別利用了傳統計算方法、積分計算方法和FFT計算方法對所假設的諧波運用MATLAB進行有功功率計算，所得到的計算結果與標準值的分析如表1所示。

表1 三種功率計算方法分析比較

由表1我們可以非常明顯地看出，當電流已經不是標準的正弦曲線，而是帶有一些不規則諧波的時候，若是采用傳統的計算方法誤差將會非常大，嚴重影響著用戶與供電部門的公平交易。而運用積分的方法計算雖然比傳統計算方法復雜一些，但計算出來的結果有著明顯的優勢。表中，FFT計算方法最為復雜，但是誤差最小。隨著硬件設備的不斷進步，高性能的CPU已經不屬于高消費，因此相對復雜的算法運用在電表中是一件非常可行的事情。

3 非侵入式負荷識別算法

3.1 基于功率變化的識別算法［5］

基于功率變化的識別技術是通過從整個用電量的消耗數據的變化來判斷一個用電器的開/關狀態。

功率算法通過設備的負荷曲線，來探測一個設備打開和關閉。有時候，不同電器會產生相同的結果(例如一個2kW的熱水器和一個2kW的電茶壺)，它們只是在時間上有區別。詳細算法解釋如圖1。

圖1 傳統功率變化算法流程圖

3.2 基于家用電器啟動的負荷識別算法

根據家用電器的電氣波形，將電器進行分類，以便于尋求不同用電器在電氣特性上的差別，為電器識別提供條件。文獻［6］根據穩態時的v－i曲線分類，能夠識別用電器的類型，但很難進行數字化分析計算。本文依據辦公室和家庭電子設備和電器輸入電流測量的數據進行分析［7］，提出了一種電力負荷分類框架，這樣便可以區分不同的電力負荷，將為判斷提供便利，負載分類情況如表2所示。

BP神經網絡在模式識別和分類，函數逼近，構成專家系統、制成機器人等已廣泛應用。本文在幾種不同的條件下選取了幾組仿真數據，利用BP網絡進行了識別分類。

3.3 基于遺傳算法的負荷識別算法

遺傳算法的思想是根據生物的進化論演變而來的。遺傳算法主要是在模仿生物變異、遺傳與自然選擇作用下的演變發展，生物淘汰和生物產生過程。遺傳算法將生物進化這一過程抽象化、數字化，應用在各個領域中［8－10］。

表2 家用電器的性質分類

由于此次求解的是非線性整數規劃問題，MATLAB上現有的集成模塊不能夠直接調用求解，所以本文學習的遺傳算法的基本思想，根據算法流程圖自行編寫合適的遺傳算法，由此所作出的遺傳計算更具有針對性，靈活性也大大提高了。由于MATLAB畫函數曲線圖，矩陣運算非常方便，此次編寫的遺傳算法是運用MATLAB當中的M文件進行編寫。其流程圖如圖2所示。

圖2 遺傳算法流程圖

4 實際數據的監測及處理驗證

4.1 實驗平臺的搭建

實驗系統的基本原理是:取一個電源插口作為進線端，接上火線和零線，零線傳入電流傳感器，再將電壓傳感器接在零線上，用來采集線路上的電壓電流信息。圖3為實驗系統的框圖。

圖3 實驗系統的框圖

4.2 實驗步驟的制定

從大功率、中等功率和小功率中挑選出典型的家用電器作為一組研究對象，本文選取常用的家用電器，空調、日光燈、電風扇、計算機作為研究對象。電路示意圖如下所示:

圖4 電路示意圖

4.2.1 空調單獨投入

圖5 空調啟動瞬時波形

通過功率大小的監測比較，可以捕捉到空調啟動時刻的瞬態波形數據(圖5)，后將數據帶入神經網絡計算，可以分辨出該電器為電機類型。

由表3可以看出神經網絡根據空調的啟動數據可以準確地識別出啟動電器的類型，與本文先前的仿真結果相同，說明本文所設計的算法完全適用于實測。

表3 神經網絡判斷結果

圖6 空調啟動穩態波形

圖6是空調穩定運行時刻的穩態波形。該電流、電壓波形比較穩定，輸入到遺傳算法中去進行計算，情況如下:

表4 遺傳算法判斷結果

4.2.1 計算機運行飲水機投入

飲水機屬于電阻性負載，它啟動時電流沒有特別的變化(電流突然增大且高于穩態值)，所以它的功率波形也沒有特殊變化，只是很穩定地上升到了飲水機和計算機同時運行的穩態值。所以，電阻性負載的瞬時啟動非常容易識別，同樣，將監測數據經過處理，輸入到神經網絡，結果如下:

表5 神經網絡判斷結果

表5指的是當一個用電器運行時另外一個用電器投入運行的識別結果。其中，正在運行的負載為整流類，功率較小，但是本文的啟動識別算法仍然能夠將其識別，說明了在實際監測當中，該啟動識別算法在一些相對復雜的情況下仍然適用。

圖6 空調啟動穩態波形

可以從圖7中看出，計算機和飲水機同時運行的電流穩態波形是它們分別單獨運行時波形的疊加。遺傳算法中進行識別結果如下:

表6 遺傳算法判斷結果

表6代表的是多種電器同時運行的穩態識別結果，該結果表明在多個電器同時運行時穩態識別算法也能夠準確將其識別出來。

5 結論

1.本文結合相關資料，分析不同的非侵入式監測方法，嘗試進行了改進、整合。第一種方法，基于功率識別法，簡單可行。第二種方法，基于用電器啟動的識別方法，根據啟動功率變化規律，運用神經網絡識別計算。第三種方法，基于用電器穩態的識別方法，根據用電器穩態電流波形的不同，利用遺傳算法進行識別計算。

2.本文搭建了實驗平臺，將實驗室的各種用電器分不同的狀態進行了數據采集。然后將數據分別應用不同的識別方法進行了數據處理和分析。實驗結果比較理想，有效地說明了算法的合理性和正確性。

［1］ 李寶珠.電力需求側管理新技術在電網發展中的應用研究［D］，華北電力大學(北京)，2009.

［2］ 趙時.智能電網中家庭用戶端負載的非侵入式電能監測系統研究［D］，中國礦業大學，2011.

［3］ 黎鵬，余貽鑫，非侵入式電力負荷在線分解［J］，天津大學學報，2009，42(4):303－308.

［4］ Suzuki，K.;Inagaki，S.;Suzuki，T.;Nonintrusive Appliance Load Monitoring Based on Integer Programming［C］，SICE Annual Conference，2008:2742－2747.

［5］ 開利，康耀紅.神經網絡模型及其MATLAB仿真程序設計［M］北京:清華大學出版社，2005.

［6］ 陸金桂，李謙，王浩.遺傳算法原理及其工程應用［M］，徐州:中國礦業大學出版社，1997.

［7］ H.Y.Lam，G.S.K.Fung，Member，IEEE，and W.K.Lee.A Novel Method to Construct Taxonomy Electrical Appliances Based on Load Signatures［J］，Consumer Electronics，IEEE Transactions on，2007.53(2):653－660.

［8］ Roos，J.G.;Lane，I.E.;Botha，E.C.;Using Neural Networks for Non－intrusive onitoring of Industrial E-lectrical Loads［J］，Instrumentation and Measurement Technology Conference，1994.IMTC/94.Conference Proceedings.10th Anniversary.Advanced Technologies in I＆M.，1994 IEEE［C］，1994，3:1115－1118.

［9］ 李開宇.基于ARM嵌入式的電力參數檢測技術研究，沈陽工業大學，2009.

［10］張清恒，基于DSP的多功能電能計量表［D］，浙江大學，2007.

10.3969/j.issn.1000－6133.2015.03.004

TN784

A

1000－6133(2015)03－0012－04

2015－03－21

張榮寶，(1987－)，男，江蘇金湖，配電線路工。

工藝與材料