基于卷積神經網絡的非侵入式負荷識別方法

唐璐，顏鐘宗，溫和，唐立軍

（1. 湖南大學電氣與信息工程學院，長沙 410082；2. 云南電網有限責任公司電力科學研究院，昆明 650217）

0 前言

負荷監測分為侵入式負荷監測和非侵入式負荷監測兩種。侵入式負荷監測需要在每個用電器前段接入電力采集部分，對每個用電器進行實時監測與分析。但這種方法需要硬件多，工作量大，不適合家庭普及。而非侵入式負荷監測只需在電表上增加模塊，利用電表采集的電力數據進行分析即可，其成本相對較低，可行性高。在非侵入式負荷監測中利用非侵入式負荷識別得到對應用電器的種類，通過進一步處理便可得到各用電器的用電情況。因此，非侵入式負荷識別可為電力的合理應用提供有力依據。

國內外學者對非侵入式負荷識別開展了研究工作，取得了進展和突破。文獻[1]對家用電器的穩態特征和暫態特征進行了分析，提取了多種家用電器的特征參數。還提出了k-means聚類的改進算法用于家用空調負荷的非侵入式負荷分解。文獻[2]提出了采用神經網絡的方法對負荷進行識別，其關鍵在于提取家用電器啟動時的特征。文中提出其算法可以監測到家用電器的運行情況，并據此對電器的用電量進行分析。文獻[3]采用了深度學習的方法進行非侵入式負荷分解，對多種深度學習網絡進行了比較，提出了GRU網絡結構具有最好的負荷分解性能。文獻[4]提出了基于聚類融合的負荷曲線聚類研究算法，并根據負荷曲線的不同建立了深度學習模型。最后指出深度學習的方法在非侵入式負荷識別上具有良好的性能。文獻[5]提出了電能質量擾動識別的深度學習方法，對非侵入式負荷識別具有一定的借鑒意義。文獻[6]運用了決策樹、最近鄰方法進行負荷識別，在實驗中獲得了較理想的效果，在其后期工作中，還需要增加負荷的特征數據庫來對文獻中的算法進行優化。文獻[7]提出改進最近鄰法與支持向量機相結合進行住宅的非侵入式負荷識別，研究了多種負荷同時運行情況下如何對負荷進行分類識別，取得了一定的研究成果。

近些年來，隨著深層網絡有效訓練算法的提出，深度學習以其強大的表示學習能力在多個領域取得了成功。與傳統的機器學習方法相比，深度學習在復雜識別任務上識別準確率更高，泛化性能更好。因此，深度學習具有解決非侵入式負荷識別任務的潛在優勢。

本文提出基于卷積神經網絡的非侵入式負荷識別方法。首先對電阻類負荷、電容類負荷、電感類負荷進行數學建模，并結合tracebase master數據集構建樣本庫；然后建立卷積神經網絡模型，損失函數為交叉熵函數，優化算法采用自適應矩估計優化算法；最后對網絡進行訓練和測試。

1 非侵入式負荷識別及數據集

非侵入式識別首先要進行的就是獲取數據，根據一定的規則對數據進行處理，把數據分為訓練集和測試集。然后搭建深度學習模型，決定模型的各個初始參數。之后用獲取的數據對深度學習模型進行訓練。最后用訓練好的模型對負荷進行識別。非侵入式負荷識別的基本思路如圖1所示。

圖1 非侵入式負荷識別的基本思路

電力負荷本身的參數影響因素眾多，數學模型的建立過于復雜，因此本文對電力負荷模型進行理想化和近似化，用電力擾動模型和電壓與電流之間的相位變化來代替電力負荷模型。通過對替代的模型的分類識別來達到對非侵入式負荷識別方法的研究的目的。

目前，本文采用了三個電力負荷模型，分別為電阻類負荷、電容類負荷、電感類負荷，其數學表達式見式（1）。

式 中，a=0.5,t1=0,t2=10,a3=a5=a7=0.1,θ 在0.01到1.57之間隨機變化，第一個正弦函數代表電壓值，最后的正弦函數代表電流值，θ代表相位的變化。p代表在某一時刻的瞬時功率，t取整數，采樣頻率也就相當于是波形頻率的2π倍。第一行公式表示理想電壓與同相位的理想電流相乘，第二行公式表示電壓暫降與同相位的理想電流相乘，代表電阻類負荷。第三行公式表示含有諧波的電壓與相位超前的理想電流相乘，第四行公式表示理想電壓與相位超前的理想電流相乘，代表電容類負荷。第五行公式表示電壓暫降與相位滯后的理想電流相乘，第六行公式表示含有諧波的電壓與相位滯后的理想電流相乘，代表電感類負荷。

為了使產生的數據具有多樣性，本文采用了加減隨機數的方法。通過加減隨機數產生足夠多的數據來進行訓練和驗證。在產生數據的同時，給每個數據賦予類別標記。然后把產生的數據分為訓練集和驗證集。

圖2 臺式電腦公開數據集

此外，本文還采用了公開數據集tracebase master數據集，它通過插座采集插入電器的電壓電流參數，并計算1s內的平均功率和8s內的平均功率，然后以CSV格式存儲采集的信息。假設在總線的每一時刻只有一個電器在工作或沒有電器在工作，那么在總線上采數據和在插座上采數據的結果是一樣的。圖2為臺式電腦公開數據集。

2 卷積神經網絡

2.1 卷積神經網絡的模型

卷積神經網絡模型由兩個卷積層，兩個池化層，一個密集連接層，一個Dropout層組成。第一個卷積層的卷積核為5*5大小的矩陣，共有32個卷積核，神經元的激活函數為RELU函數，后跟一個2*2大小的池化層。第二個卷積層的卷積核為5*5*32的矩陣，共有六十四個卷積核，神經元的激活函數為RELU函數，后跟一個2*2大小的池化層。池化層的目的是減少計算量。密集連接層有一百個神經元，負責提取經過卷積計算后的特征。Dropout層可使神經元按比例失效，用來防止過擬合。輸出層的激活函數選擇softmax函數。卷積神經網絡的損失函數也選為了“交叉熵”函數，而優化算法則選了自適應矩估計優化算法。卷積神經網絡模型的結構如圖3所示。

圖3 卷積神經網絡結構模型

2.2 卷積神經網絡的實現

本文選擇Python語言里的TensorFlow深度學習框架作為卷積神經網絡實現平臺。運用TensorFlow搭建深度學習的模型是十分方便的，整個過程體現了模塊化的思想。首先，進行搭建模型的前期準備工作，如對數據進行必要的處理。利用Python的一些插件和自帶的庫函數，可以很方便的對數據進行處理。然后對一些反復用到的參數賦初值，以便對其需要改動。然后定義輸入數據的形狀，一層一層的搭建深度學習模型的結構。深度學習模型的區別主要體現在這一步，實驗人員可以決定搭建的層數和每層神經元的個數，之后修改時也十分方便，只需刪除相應的層數和修改神經元個數的值就可以。搭建好層數后整個模型的前向結構就完成了。接下來就是和更改模型的訓練參數有關的內容了。如要定義損失函數的形式，根據訓練深度學習網絡的目的可以確定自己所需要的損失函數。之后是優化函數的選擇，非常方便的一點是TensorFlow已經實現了絕大多數的優化函數，本文編程時只需要直接調用相應的庫即可。確定好優化函數后，就可以編寫能正確計算正確率的函數，當本文對模型進行評判時，它可以給評判結果一定的參考。至此，搭建模型的工作便已經完成了。之后就可以選擇啟動TensorFlow的計算圖對模型進行訓練，也可以選擇導入之前訓練好的參數做一些其他的工作。導入或保存模型的參數在TensorFlow中也是十分方便的，只需調用類的方法即可。TensorFlow還支持數據的可視化，通過TensorBoard工具觀察訓練過程中數據的變化十分方便，同時模型的結構也可以被顯示出來，這對調整模型的結構非常有利。

3 仿真實驗

在TensorFlow平臺上搭建好模型后，本文就需要用數據集對搭建的模型進行訓練了。首先選用模擬數據集對深度學習模型進行訓練。

模擬數據產生的數據集共有1200組數據，每組數據包含144個點。其中600組為訓練集，600組為驗證集。訓練時采用批訓練法，每次訓練從訓練集中隨機抓取100組數據。每訓練100次輸出在驗證集和訓練集上的正確率，以作比較。由于卷積神經網絡模型要求輸入為二維矩陣的形式，因此在進行卷積神經網絡訓練時，需要把每組數據的144個點重整為12*12的矩陣。在進行循環神經網絡進行訓練時，循環神經網絡要求數據呈序列輸入，因此把每組數據的144個點重整為1*144的矩陣，其中1代表序列的長度，144代表序列中每個單位的特征數量。

每個模型都經過了反復的訓練，以用來確定最適合模型的訓練步長和訓練次數，以下展示各個模型經過調整后的訓練過程。

卷積神經網絡模型的訓練步長為0.0001，訓練次數為5000次。訓練過程如圖4所示。從圖4中可以看出，正確率隨著訓練的次數的增加總體也在增加，在訓練的前半段，正確率的波動不大，在訓練的后半段，正確率有較大的起伏，正確率最高達到了99.7%，最終正確率為99.3%。

本文采用循環神經網絡模型作為對比，其訓練步長為0.0001，訓練次數為1000次。訓練過程如圖4所示。從圖5中可以看出，正確率在整個訓練過程中總趨勢基本不變，最高正確率不超過53.0%，整體正確率在33.3%附近擺動。

圖4 卷積神經網絡模型識別結果

圖5 循環神經網絡模型識別結果

4 結束語

針對非侵入式負荷識別中識別準確率不高的問題，提出基于卷積神經網絡的非侵入式負荷識別方法。與循環神經網絡等方法相比，本文的方法能夠有效識別非侵入式負荷，并具有很好的抗噪性能，具有良好的應用前景。