基于改進遺傳算法的非侵入式電器負荷識別*

徐 琳，丁理杰，林瑞星

(國網四川省電力公司 電力科學研究院，成都 610041)

隨著全球能源互聯網的建設與發展，我國初步建成了互動化的智能電網服務體系，但電網負荷的急劇增加對智能電網的發展提出了更高的要求[1].智能用電連接了用戶側和電網側，對整個電網經濟高效運行具有較大的影響，是實現智能電網的重要組成部分[2].而實現靈活的智能用電是智能電網的一個主要發展和研究方向[3-4].

智能用電的首要環節是使用負荷監測技術實時采集、分析用戶的用電數據，從而實現用戶用電細化[5].傳統的負荷監測技術主要采集用戶的總負荷數據，若能監測用戶每一種電器的運行狀態，獲取更細粒度的運行數據，這對于用戶與電網均具有重要意義[6-8].

根據采集裝置安裝位置的不同可以將負荷監測技術分為侵入式監測和非侵入式監測兩種[9-10].侵入式監測系統在安裝時需要短暫停電，會干擾用戶的正常生活；非侵入式監測通過分解和識別用戶的總負荷來獲取用電器的類別及使用狀態等更細粒度的數據.侵入式監測系統不僅成本高，且不便于維護；而非侵入式的監測系統不僅可以大幅減少硬件與維護成本，還能獲取更準確、全面的用電信息[7-10].

基于智能優化算法及其學習算法，專家和學者提出了諸多非侵入式負荷識別算法.如文獻[11]中使用神經網絡和最小剩余法識別用電器；文獻[12]將負荷設備的有功功率和電流值編碼組合構建特征，并使用遺傳算法尋找最優值，從而確定電器的工作狀態；文獻[13]通過提取負荷電流的波形特征，得到了較精確的識別結果；文獻[14]中使用FastICA算法和多特征參數檢測用戶的用電器.以上方法從用電負荷的特征提取和分類識別算法兩方面進行優化與改進，有效地挖掘用戶的用電信息.在電器負荷接近或較小時，利用傳統的用電器電流和功率等單一的暫態特征不能得到理想的識別效果.針對上述問題，本文提出了一種基于諧波特征和遺傳算法的非侵入式電器負荷識別算法.

1 諧波特征提取

非侵入式負荷檢測系統中常用的特征可以分為穩態特征和暫態特征兩種.其中，一般采用諧波分析和時域分析法提取用戶的有功功率、無功功率和電壓、電流等穩態特征；采用小波分析和頻譜分析提取暫態特征.然而，當用電器的功率、電壓和電流等穩態特征具有較高的相似度時，并不能有效地區分不同的用電器，識別效果較差.針對這一問題，本文使用了一種諧波特征提取方法將用戶的電流波形分為非活性和活性兩部分，以體現不同用電器間的差異性，從而提高識別精度.諧波特征提取流程如圖1所示.

圖1 諧波特征提取流程Fig.1 Flow chart of extraction of harmonic characteristics

由文獻[14]可知，用電器的電流可分解為非活性電流ia(t)和活性電流ib(t)，即

i(t)=ia(t)+ib(t)

(1)

又由于活性電流ib(t)與電壓存在正交關系，即

(2)

(3)

IPW=i(t)u(t)

(4)

式中，Urms為瞬時功率IPW和電壓u(t)的均方根.故結合式(1)～(4)可得到非活性電流為

(5)

非活性電流并不向電器負荷傳播能量，表示的是與電壓正交且與震蕩、干擾等影響瞬時功率的因素相關聯的電流分量.因不同用電器的干擾因素互不相同，故其間的非活性電流存在著較大的差異.本文使用傅里葉變換分解非活性電流，從而得到非活性電流諧波，即

(6)

本文設置式(6)中T為120 s，并根據采集到的電流、電壓和功率值分別計算得到如圖2所示的電風扇、電視機和音箱3種低功率電器的非活性電流.

圖2 3種低功率電器的非活性電流Fig.2 Non-active current of three electric appliances with low power

從圖2中可以看出，對于電流波形相似的3種電器，其非活性電流波形存在較大差異.提取3種非活性電流的諧波特征，可得到如圖3所示的統計結果.由圖3也可以看出，3種電器的非活性電流的諧波特性也存在較大差異.

圖3 3種電器的非活性電流的諧波特性Fig.3 Harmonic characteristics of non-active current of three electric appliances

為進一步研究本文提取的非活性電流諧波特征間的差異性，使用相似性度量指標量化比較兩種電器a和b的相似程度，即

(7)

圖4 音箱和電風扇各種特征的相似度Fig.4 Similarity of various characteristics between sound box and electric fan

2 基于遺傳算法的負荷識別

本部分使用上文提取的非活性電流特征及其他暫態和穩態特征，提出了一種基于遺傳算法的負荷識別方法，負荷識別基本流程如圖5所示.該算法使用遺傳算法優化神經網絡權重、閾值和隱含層神經元個數，實現提高負荷識別精度的目的.其中，神經網絡的輸入為負荷數據的各種特征組合；輸出為測試場景的用電器種類，每個輸出神經元編碼一種電器的開關狀態.本文使用網絡誤差的2范數作為遺傳算法的適應度函數及遺傳算法的優化目標，求得使誤差最小的網絡參數.

圖5 負荷識別算法流程Fig.5 Flow chart of load identification algorithm

神經網絡的權重、閾值和隱含層個數的選擇能顯著影響其分類性能.傳統的神經網絡算法先隨機初始化網絡參數，再使用反向傳播算法學習優化網絡參數.該方法易受訓練樣本的影響，易收斂到局部最小值，以至于不能得到最優解.神經網絡隱含層節點的選擇也極其重要，若設置的節點過多，不僅會增加網絡訓練耗時，而且會導致網絡的泛化能力和容錯性能下降.因此，本文使用文獻[14]的方法逐步縮小隱含層節點數的取值范圍，并使用遺傳算法訓練得到最優的隱含層數量及神經元的權重與閾值.

設神經網絡的M種輸入特征構成的特征向量為F(t)=[F1(t)，F2(t)，…，FM(t)]，特征向量的維度等于輸入節點數R；兩神經元節點i與節點j間的權重為wi，j，節點k的閾值為bk，則神經網絡netj(t)隱含層節點j的輸入為

(8)

S型正切函數表達式為

(9)

則使用式(8)所示的激活節點j，可得節點j的輸出為

(10)

由式(10)可知，節點j的輸出范圍為[-1，1].

若使用S型對數函數作為輸出神經元的傳遞函數，即

(11)

則得到的輸出值為

Opre(t)= g(netj(t)-bj(t)-bk(t))=

(12)

綜上可得神經網絡輸出誤差為

(13)

基于遺傳算法的負荷識別流程如下：

1) 采樣得到電壓和電流等數據的暫態、穩態與諧波特征，并歸一化；然后將所有樣本數據按4∶1劃分為訓練集和測試集.

2) 設置輸入層、輸出層節點數，并計算得到隱含層最大節點數.

3) 根據各層節點數初始化遺傳算法的染色體編碼設置總迭代次數，種群大小及染色體交叉、變異的概率.

4) 設置遺傳算法的適應度函數，并設置迭代停止閾值.

5) 使用訓練集樣本和初始化的神經網絡參數，迭代尋找神經網絡的最優參數，直至達到總迭代次數.

6) 使用步驟5)得到的最優參數構建神經網絡.

7) 使用測試集樣本測試神經網絡的性能，并統計分析電器負荷的識別精度.

3 實驗與結果分析

本文使用Matlab2017軟件進行仿真測試，實驗過程選擇3種特征作為神經網絡的輸入，其中包括2種穩態特征：有功功率(P)和無功功率(Q)；1種暫態特征：非活性電流諧波特征(N-Har).由采樣得到的電壓U、電流I及其夾角θ可得有功功率和無功功率的計算表達式，即

(14)

(15)

本部分使用220V電壓母線下的5種常見高功耗和低功耗的家用電器：電視機、音箱、電風扇、熱水器和空調進行仿真測試.采樣得到200種不同電器使用情況下的特征數據，并使用其中的160組數據構建訓練集，剩下的40組作為測試數據，取10次測試結果的平均值作為算法的精度.同時，根據多次試驗結果設置遺傳算法的種群大小為50，共迭代優化20次，再使用0.7的交叉概率進行單點交叉，變異概率為0.01.

本文將提出的遺傳算法優化的神經網絡(GA-NN)與BP神經網絡(BP-NN)的識別準確率進行了比較，結果如圖6所示.由圖6可以看出，兩種算法的識別準確率均不穩定，GA-NN的最大準確率達到了98%，比傳統BP-NN的準確率有所提高.

圖6 兩種算法的識別準確度比較Fig.6 Comparison in recognition accuracy between two algorithms

為進一步比較本文算法與BP神經網絡間的差異性，使用有功功率和無功功率作為神經網絡的輸入，此時測試結果如圖7所示.從圖7中可以看出，引入2種特征后，兩種算法的性能均有明顯的提升，且基于遺傳算法優化的神經網絡的性能更加穩定.

圖7 使用2種特征時兩種算法識別精度比較Fig.7 Comparison in recognition accuracy between two algorithms with two characteristics

為了排除不同特征組合對算法性能的影響，本文比較了加入非活性電流諧波特征前、后兩種算法的識別準確率，結果如圖8所示.GA-NN和BP-NN為未加入非活性電流諧波特征的結果；GA-NN+N-Har和BP-NN+N-Har為加入非活性電流諧波特征后的結果.從圖8可以看出，兩種算法的準確率在經過一定的迭代后均趨于穩定，且使用非活性電流諧波特征能明顯提高兩種算法的識別精度.這表明非活性電流諧波特征能增強不同電器的區分度，增強電器負荷識別效果.從圖8還可以看出，本文提出的遺傳算法優化神經網絡識別率明顯高于傳統的BP算法.使用相同的算法時，包含非活性電流諧波特征的算法能獲得更高的精度.

圖8 使用不同特征組合時算法性能比較Fig.8 Comparison in algorithm performance with different characteristic combinations

4 結 論

本文提出了一種基于諧波特征和遺傳算法的非侵入式電器負荷識別算法，它采用遺傳算法優化的神經網絡模型來實現粒度用電分析，相比傳統的神經網絡，所提出的算法能獲得更高的負荷識別精度及更快的識別速度.仿真與測試結果表明了該算法的有效性.