基于改進(jìn)最近鄰算法的非侵入式電器負(fù)荷識(shí)別

李云峰，李 欣，劉三豐，湯鵬飛

(武漢中原電子信息有限公司，湖北 武漢 430074)

0 引言

智能電網(wǎng)是未來電網(wǎng)的發(fā)展方向[1]。隨著社會(huì)快速發(fā)展，各家各戶對(duì)于各類家用電器負(fù)荷的需求也日益增加，相應(yīng)的居民用電占全國用電的比重也越來越大。通過對(duì)各用戶用電行為的研究，可以獲取居民在不同時(shí)段的家電使用情況，家用電器負(fù)荷監(jiān)測(cè)可以為用戶提供詳細(xì)的用電清單，使用戶了解各個(gè)家用電器負(fù)荷的耗電量，指導(dǎo)用戶合理用電。因此迫切需要對(duì)家用電器負(fù)荷數(shù)據(jù)實(shí)現(xiàn)智能化監(jiān)測(cè)，以達(dá)到節(jié)能省電的目的[2-3]。

現(xiàn)有的對(duì)家用電器的用電負(fù)荷監(jiān)測(cè)主要有兩種，即侵入式和非侵入式[4-7]。侵入式監(jiān)測(cè)要求對(duì)用戶所有的電氣設(shè)備均安裝數(shù)據(jù)采集裝置，而非侵入式監(jiān)測(cè)只需在某個(gè)電力供給入口處安裝一個(gè)智能電表或采集設(shè)備即可，通過此終端采集電壓電流等數(shù)據(jù)，然后進(jìn)行相應(yīng)的分析處理提取出最佳的負(fù)荷特征來對(duì)家用電器負(fù)荷進(jìn)行辨識(shí)，將總的用電負(fù)荷最大程度地分解成單個(gè)用電負(fù)荷，該方法成本低，易維護(hù)，實(shí)用性強(qiáng)，發(fā)展前景廣泛。

非侵入式負(fù)荷監(jiān)測(cè)方法中，結(jié)合穩(wěn)態(tài)和暫態(tài)特征并采用模式識(shí)別、支持向量機(jī)等方法進(jìn)行識(shí)別，精確度更高[8-11]。其中最近鄰算法中，是將總體樣本中對(duì)某些個(gè)體的分析近似為對(duì)整個(gè)總體樣本的分析，準(zhǔn)確性不夠，而均值聚類法是將未知樣本到每一類樣本中心的距離作為判斷的最終依據(jù)，準(zhǔn)確性較高，但是迭代計(jì)算較為復(fù)雜，因此本文在最近鄰算法的基礎(chǔ)上結(jié)合均值聚類算法的優(yōu)勢(shì)，對(duì)識(shí)別算法進(jìn)行了優(yōu)化。主要是通過對(duì)居民用電設(shè)備的穩(wěn)態(tài)和暫態(tài)特征量的研究，從電壓和電流的暫穩(wěn)態(tài)、瞬時(shí)和穩(wěn)定功率等多角度出發(fā)，進(jìn)行電器特征量提取，將特征空間中的類內(nèi)和類間相似度作為依據(jù)，建立完備特征庫，從而辨識(shí)出具有更高識(shí)別度的特征量。

1 諧波特征提取

在數(shù)據(jù)訓(xùn)練階段，在多個(gè)特征量中篩選出辨識(shí)能力強(qiáng)的特征量。在這過程中需保證所選數(shù)據(jù)樣本的特征向量能最大程度反映出該數(shù)據(jù)樣本的本質(zhì)特性，數(shù)據(jù)樣本若特性相近，其特征向量對(duì)應(yīng)的分析空間中的點(diǎn)應(yīng)該也相近；相反，若樣本之間特性不相近，其特征向量對(duì)應(yīng)的數(shù)據(jù)點(diǎn)也不能相近。

考察家用電器單獨(dú)工作時(shí)所產(chǎn)生的來自暫態(tài)過程和穩(wěn)態(tài)過程中的電壓、電流和功率信號(hào)等多特征量。由于電網(wǎng)電壓一般較穩(wěn)定，故不考慮。

1.1 特征量選取

可選的特征量如下：

(1)來自功率相關(guān)信號(hào)的特征量：穩(wěn)定有功功率；有功功率沖擊波形暫態(tài)沖擊上升時(shí)間；有功功率沖擊波形的最大功率；有功功率沖擊波形暫態(tài)沖擊衰減時(shí)間；有功功率沖擊波形的暫態(tài)沖擊幅度相對(duì)值；有功功率沖擊波形的暫態(tài)沖擊幅度絕對(duì)值。

(2)來自電流相關(guān)信號(hào)的特征量：基波電流幅值；偶次諧波；3次諧波電流幅值；5次諧波電流幅值；9次諧波電流幅值；諧波含量；暫態(tài)電流最大值與基波電流比值；電流變化最小值/基波電流幅值。

1.2 數(shù)據(jù)歸一化

將特征值都轉(zhuǎn)換為(0，1)區(qū)間內(nèi)的數(shù)，設(shè)有n維特征向量x=[x1,x2,…,xn]，xk為所有樣本的第k維特征值集合，則第k維特征值xk的線性歸一化值為：

(1)

其中，ak=max(xk)+0.1×max(xk),bk=min(xk)-0.1×min(xk)，ak和bk分別留有10%的裕度。

1.3 特征量篩選

考慮聚類分析中的類內(nèi)距離和類間距離，其比值作為指標(biāo)對(duì)特征量作定量評(píng)估，篩選出分類能力較好的特征量，建立用電負(fù)荷識(shí)別模型。

(2)

將距中心的距離由近到遠(yuǎn)排列，取前90%的樣本點(diǎn)，將這些樣本點(diǎn)中的最大值作為D1，這樣可保證準(zhǔn)確性。

可以看出，當(dāng)D1越小，D2越大，即f越小時(shí)，可提高特征量的識(shí)別能力和分類效果。

2 負(fù)荷啟停事件檢測(cè)

本文采用基于滑窗的雙邊CUSUM事件檢測(cè)算法，如圖1所示，通過峰值間增加變化或減少變化的累積和與閾值的判斷，判斷滑窗內(nèi)基波電流的峰值間是否發(fā)生改變；將檢測(cè)到的基波電流變化過程的距離靠近的滑窗段進(jìn)行融合；當(dāng)采樣的樣例中檢測(cè)到變化后開始存儲(chǔ)變化前的穩(wěn)態(tài)過程，檢測(cè)變化開始后的電流信號(hào)，直到之后多個(gè)采樣中均未檢測(cè)到變化。該方法能有效消除負(fù)荷抖動(dòng)帶來的干擾，且檢測(cè)成功率高。

圖1 基于滑窗的雙邊CUSUM事件檢測(cè)算法

3 基于整體相似度的負(fù)荷辨識(shí)

由于傳統(tǒng)最近鄰法存在著一定缺陷，本文對(duì)相似度計(jì)算進(jìn)行了改進(jìn)。

3.1 每類負(fù)荷的KNN相似度

樣本數(shù)據(jù)庫中，有c類負(fù)荷，每類有N個(gè)訓(xùn)練數(shù)據(jù)，則共有cN個(gè)訓(xùn)練數(shù)據(jù)，第i類第j個(gè)樣本表示為:

(3)

(4)

(5)

3.2 每類負(fù)荷的均值中心相似度

已知樣本的全部均值中心為zi1,zi2,…,zig,i=1,2,…,c，計(jì)算未知樣本x=[x1,x2,…,xn]與zi1,zi2,…,zig,i=1,2,…,c的歐式距離dl,l=1,…,cg，選出歐式距離最小的h個(gè)，h滿足dh≤2×min(dl),dh+1>2×min(dl)。

與i類的相似度為：

(6)

其中Gi為h個(gè)樣本中屬于第i類的均值中心的序號(hào)數(shù)的集合；r為將該樣本與x的距離按照從小到大排列的數(shù)字。

3.3 總相似度

第i類負(fù)荷樣本的總相似度為：

(7)

其中0≤a≤b≤1，將未知樣本x判定為相似度最高的類別。

基于整體相似度的負(fù)荷識(shí)別流程包括以下幾個(gè)步驟：

(1)對(duì)每一種用電設(shè)備進(jìn)行監(jiān)測(cè)，從暫態(tài)、穩(wěn)態(tài)、電流、功率等多角度提取電器特征量。

(2)特征數(shù)據(jù)進(jìn)行歸一化處理。

(3)以特征空間中的類內(nèi)和類間相似度為依據(jù)，研究各特征量的識(shí)別能力，建立用電負(fù)荷識(shí)別模型。

(4)在線實(shí)時(shí)監(jiān)測(cè)各用電設(shè)備運(yùn)行過程中產(chǎn)生的相應(yīng)特征值的波形，判斷用電設(shè)備的開閉狀態(tài)。

(5)根據(jù)步驟(4)中特征值進(jìn)行分類器相似度計(jì)算。

(6)將步驟(4)中計(jì)算得到的實(shí)際用電負(fù)荷波形作為模型的輸入，根據(jù)模型的輸出結(jié)果來識(shí)別出每一種用電設(shè)備的工作狀態(tài)。

4 仿真過程

選取某一用戶的12種用電設(shè)備：電吹風(fēng)、冰箱、電腦、熱水袋、電熱油汀、微波爐、電飯鍋、電水壺、取暖器、電磁爐、電風(fēng)扇、空調(diào)作為試驗(yàn)對(duì)象，單獨(dú)對(duì)每一種用電設(shè)備的運(yùn)行過程進(jìn)行監(jiān)測(cè)，包括從開啟至穩(wěn)定、穩(wěn)定到關(guān)閉全過程中的功率、電流和電壓的波動(dòng)情況等，進(jìn)行特征篩選并建立特征數(shù)據(jù)庫。

以電熱油汀、取暖器、電水壺、電飯鍋為例，運(yùn)用本文中的優(yōu)化算法，計(jì)算各穩(wěn)態(tài)、暫態(tài)事件的各特征值與數(shù)據(jù)庫中特征值的相似度，從而成功辨識(shí)各電器。

圖2為實(shí)驗(yàn)中采集到的總線上的總體負(fù)荷圖，圖3至圖6則分別為分解出的各個(gè)電器的負(fù)荷圖。實(shí)驗(yàn)結(jié)果表明改進(jìn)后的識(shí)別法的分類識(shí)別率高，證明了本文算法的辨識(shí)有效性。

圖2 總體負(fù)荷圖

圖3 電熱油汀負(fù)荷分解效果圖

圖4 取暖器負(fù)荷分解效果圖

圖5 電水壺負(fù)荷分解效果圖

圖6 電飯鍋負(fù)荷分解效果圖

5 結(jié)論

(1)通過對(duì)用電設(shè)備暫態(tài)和穩(wěn)態(tài)過程的研究，從電壓和電流暫穩(wěn)態(tài)、功率等多角度出發(fā)，進(jìn)行電器特征量的提取，以特征空間中的類內(nèi)和類間相似度為依據(jù)，建立特征庫，從而辨識(shí)出具有更好識(shí)別度的特征量。

(2)處于穩(wěn)態(tài)時(shí)，用電設(shè)備的各個(gè)量都較穩(wěn)定，因此可選取電流奇次諧波相對(duì)基波相位差和電流諧波畸變率，相對(duì)的辨識(shí)性更強(qiáng)。

(3)處于暫態(tài)時(shí)，不同用電設(shè)備的有功功率波動(dòng)很大，因此可選取暫態(tài)波形的沖擊幅度相對(duì)值，能快速識(shí)別出電器類型。

(4)將暫態(tài)與穩(wěn)態(tài)特征的相似度結(jié)合起來，對(duì)用電設(shè)備進(jìn)行研究，建立識(shí)別模型，能保證識(shí)別準(zhǔn)確性。