基于雙通道多特征融合的電力負荷智能感知方法

郇嘉嘉，汪超群，洪海峰，隋 宇，余夢澤，潘險險

(1. 廣東電網有限責任公司電網規劃研究中心，廣州 510080； 2. 浙江大學電氣工程學院，杭州 310007)

非侵入式負荷監測(non-intrusive load moni-toring，NILM)是一種在不侵入用戶內部的情況下，通過安裝于總關口的用能分析設備實現用戶用電行為自動感知的方法[1-3]。NILM一般用于能效監測、故障診斷以及需求響應等領域[4]，其提供的用電信息對于用戶了解自身能耗構成、引導其調整用能方式，進而實現節能降損具有重要價值[5]。相較于侵入式負荷監測，NILM無需深入用戶內部為每臺電器設備配置分析工具，具有經濟性好、靈活性高以及維護簡單等優點[6]。因此，近年來中外研究機構和團隊對NILM進行了深入探索，并取得了大量研究成果[7-8]。

目前，NILM的主要做法是通過事先提取和學習各類電器設備電壓或電流信號中所蘊含的基本特征來進行用能識別。常用的電氣特征包括數值特征和圖像特征[9]兩類。其中數值特征分為有功、無功、諧波和電流，圖像特征則主要指電壓-電流(V-I)軌跡及對應網格化后的圖像[10]。文獻[11]將電器穩態運行時的電流作為負荷特征，建立了負荷總電流與各電器電流關系的數學模型，并采用差分進化算法求得各電器開啟系數，成功實現了居民用戶的負荷分解。文獻[12]通過對各類電器設備的功率數據進行聚類分析，提出了以聚類中心為功率特征的負荷識別方法。但是該方法對于功率相近的設備難以做到有效區分。文獻[13]基于離散傅里葉變換提取了電流的奇次諧波特征，并從識別精度、訓練時間、抗噪性能等方面對比了4種負荷分類模型。計算結果顯示，將諧波特征用于負荷分類，可以對各類非線性負載起到較好的分類效果，但是諧波無法反映設備的阻抗特性，對于多狀態負荷的識別效果較差[9]。文獻[14]采用二維電壓-電流軌跡來表征家用電器的負荷特征，其主要做法是根據V-I軌跡呈現的形狀特點，從中提取8種形狀參數作為區分不同類別電器設備的依據。考慮到形狀參數的提取過程較為復雜，且降維后的形狀參數相對原始軌跡難免有所失真，因此文獻[15]在文獻[14]的基礎上，將V-I軌跡直接映射為具有一定分辨率的二值網格圖像，在盡可能保留原始軌跡信息的同時提高了負荷識別的精度。雖然二值圖像相比形狀參數的保真度更高，但是歸一化處理和較低的圖像分辨率導致其無法反映設備的高頻和功率等信息。

針對以上研究不足，現提出一種基于雙通道多特征融合的負荷智能感知方法。其主要思想是結合數值特征與圖像特征各自的優勢，分別將其送入兩個通道進行高級特征提取。通過利用主成分分析-神經網絡(principal component analysis-back propagation，PCA-BP)算法和卷積神經網絡算法[16]對數值和圖像的強大學習能力實現兩類特征在高維空間的深度融合。最后借助于Softmax分類算法對融合后的高維特征進行訓練學習，以期實現各類電器設備的準確辨識。以PLAID數據集為例對上述方法進行測試，通過研究訓練次數對負荷識別精度的影響，確定算法的最佳迭代次數；然后，研究不同特征方案下負荷識別方法的優劣，并與其他文獻中的方法進行比較，以驗證本文方法的有效性。

1 多特征融合負荷識別方法

所提出的NILM方法分為數據采集、特征提取、模型訓練以及用能識別等環節。其中，數據采集環節負責對各類電器設備的運行數據進行采樣和存儲；特征提取環節則利用信號分析和電路理論從采集的信息中提煉出有價值的數據和指標，用以區分不同類別的電器設備；模型訓練的作用是基于人工神經網絡方法對提取到的特征進行反復學習，從而逐步掌握識別各類電器的能力；用能識別環節則借助訓練好的神經網絡對用戶用能行為進行在線感知。

1.1 數據采集

數據采集的主要功能是利用電流鉗、電壓探針、高頻示波器組成的采集系統對各類家用電器(包括冰箱、空調、熱水器、白熾燈等)的電壓和電流波形進行采樣和存儲。某型號冰箱的運行采樣數據如圖 1所示。該數據包括設備啟用前后的暫態信號和穩態信號。由于暫態分析方法對采樣頻率要求很高，在實際應用中存在各種限制。因此，主要截取穩態信號進行特征提取和用能分析。

圖 1 某臺冰箱運行采樣數據Fig.1 Sampling data of a refrigerator

1.2 特征提取

1.2.1V-I軌跡特征

V-I軌跡是指設備穩態運行時，根據其電壓和電流波形繪制而成的二維軌跡。該軌跡對于多數不同工作原理的設備表現出獨特的形狀。因此，可利用形狀之間的差異作為負荷分類依據。傳統的V-I軌跡法將二維軌跡轉化為一維形狀指標進行分類辨識，不僅提取過程復雜，而且降維后難以全面反映其原始特征[9]。對此，一種有效的解決方案是將原V-I軌跡映射為具有一定分辨率的二維圖像矩陣，在簡化計算的同時盡可能保留其原始特征。采用該方法構造二值網格圖像，具體如下。

圖 2 各類電器設備的V-I軌跡圖像Fig.2 Binary image of V-I trajectory of various electrical equipment

(1)根據單個電器啟用前后的電壓和電流差值提取出電器穩態運行時的電壓和電流波形。

(2)假設一個周期內有N個采樣點，當圖像的分辨率為M×M時，將電壓和電流采樣值線性映射為0～M內的整數，即

(1)

(2)

式中：n=1，2，…，N；vn、in分別為第n個采樣點的電壓和電流值；v′n、i′n為轉化后的電壓和電流值；vmin、vmax分別為所有采樣點中電壓的最小和最大值；imin、imax分別為所有采樣點中電流的最小和最大值；?·」為向下取整。

(3)構造維度為M×M的零矩陣，然后從第一個采樣點開始，逐一取出所有樣本點的值，并將矩陣中第i′n行第v′n列元素置1，直至最后一個樣本點。所得到的M階矩陣即為二維V-I軌跡的像素矩陣。

根據上述方法，對11類常用電器設備的V-I軌跡和圖像進行構造，結果如圖 2所示。可見，大部分設備的V-I軌跡差異明顯，但仍有少數設備的軌跡相似(如吹風機和白熾燈，空調和電風扇等)。考慮到V-I圖像的分辨率較低(一般遠小于采樣頻率)，且電壓、電流經過了縮放，導致其無法反映設備的高頻和功率等信息。因此，為了提高負荷識別的準確率，可將多種特征包括V-I軌跡、原始電流波形、諧波以及有/無功功率進行融合擴展，以增強分類算法的學習和辨識能力。

1.2.2 電流特征

電流特征為一個穩態周期內設備電流的采樣波形。在構造電流特征的過程中，要求所有設備的電流波形統一從0(或接近于0的數)開始增加，以便于后續進行訓練和識別。此外，為了降低噪聲和壞數據的影響，可將多個穩態周期內的電流值對應相加取平均，從而得到一個周期內的平均電流采樣值。依據以上方法，可得到歸一化后上述11類電器設備的電流波形，如圖 3所示。可以看到，各類設備的電流波形區別明顯，特別是熒光燈、計算機和洗衣機等設備的波形出現了明顯的畸變。

1.2.3 諧波特征

通常，電力電子元件在各類家用電器中普遍存在，導致相應設備在整體上表現為一個非線性的負載。在正弦電壓的作用下，非線性負載會產生大量的諧波電流。對于不同類別的電器設備，各次諧波電流的含有率差異較大。為說明該現象，給出了11類電器設備的諧波電流分布，具體如圖 4所示。由圖4可知，微波爐的3次和5次諧波較為嚴重，計算機的3、5、7、9次諧波含量均較大，而空調、白熾燈、加熱器等設備的各次諧波含量較少。

圖 5 各類電器設備的功率分布Fig.5 Power distribution of various electrical equipment

圖 4 各類電器設備的諧波分布Fig.4 Harmonic distribution of various electrical equipment

采用離散傅里葉變換(discrete Fourier transform，DFT)提取電流和電壓信號的諧波特征。DFT是數字信號處理領域最基本的方法之一，它可以根據一系列的離散數據采樣點獲取原始信號的時域和頻域特征。對于某個穩態周期內的離散電流采樣值，采用傅里葉變換可得到其k階頻域信號X(k)及對應的幅值|X(k)|和相角arg[X(k)]，即

(3)

(4)

arg[X(k)]=arctan(bk/ak)

(5)

式中：ak、bk分別為X(k)的實部和虛部，具體為

(6)

(7)

|X(k)|即為k次諧波特征。進一步地，電流信號的時域形式可表示為

表 1 神經網絡參數設置Table1 Neural network parameter settings

(8)

各次諧波電流的有效值、相角與其k階頻域信號的關系為

(9)

(10)

(11)

電壓信號的時域形式同樣可以通過上述方法得到。

1.2.4 功率特征

功率特征分為有功功率和無功功率兩種。其中有功特征反映了電器設備的能耗大小。利用該特征可以對能耗相差較大的設備進行有效區分。無功特征則體現了設備的阻抗特性。利用該特征能夠對具有不同阻抗特性(電阻型、電感型、電容型)的電器設備起到較好的分類效果。

考慮到諧波分量的存在，可根據設備電壓和電流的時域形式計算其有功和無功功率，即

(12)

(13)

利用式(12)和式(13)對各類設備的運行功率進行計算，每類設備隨機選取5個樣本，得到其功率分布如圖 5所示。由圖5可知，白熾燈、熒光燈和計算機的功率較小，且分布相對集中；洗衣機的有功和無功耗量均較大，其用能呈現出明顯的阻-感特性；吹風機和加熱器主要消耗有功，無功耗量非常小，因此可將其歸類為電阻型負載；相對其他設備，空調的功率分布較為分散，在0.1～2.5kW均有分布，這是因為空調可以在多種工作模式下運行(例如設置不同的制冷/制熱溫度)，是一類典型的變工況設備。

1.3 模型訓練

1.3.1 網絡訓練

在上述4種特征中，二維V-I軌跡為圖像特征，其余均為一維化的數值特征。這兩類特征從不同的角度展示了設備之間的屬性差異，若能將其加以融合則可以顯著增強算法的負荷識別能力。近年來，卷積神經網絡在圖像識別領域取得了巨大的成功，而傳統BP神經網絡算法對一維數據的擬合效果較好。故此，可采用雙通道的思想，將圖像特征和數值特征以不同的通道在高維空間進行融合，則能更加全面、立體地揭示各類設備的本質特征。

基于上述思想，采用卷積和BP神經網絡算法構建了一種雙通道多特征融合模型，其基本結構如圖 6所示。其中，BP神經網絡作為通道1，通過隱含層提取功率、電流、諧波等輸入信息中所蘊含的高級抽象特征；而卷積神經網絡(convolutional neural network，CNN)作為通道2，其通過卷積層和池化層從V-I軌跡中學習復雜的形狀參數。兩個通道獨立提取電器設備的不同屬性特征，然后將這些特征向量進行拼接融合，最后通過全連接層和Softmax函數實現不同類別電器設備的有效辨識。

圖 6 雙通道多特征融合負荷識別Fig.6 Multi feature fusion structure with dual channel

BP、CNN與Softmax算法的相關參數設置如表 1所示。通道1的輸入為524個初級特征，它包括500個電流、22個諧波以及2個功率特征；通道2的輸入為28×28的二維V-I軌跡圖像；分類算法采用單隱含層的Softmax分類，其輸入為通道1和通道2形成的融合特征，總維數為384。通道1、通道2以及Softmax分類的輸出層維度均為11，它表示該算法可以區分11類電器設備。

1.3.2 數據降維

由于通道1的輸入特征維數較大，容易導致過擬合與訓練時間長的現象產生。針對該問題，采用主成分分析(principal components analysis，PCA)方法，在保留主要信息(如99.9%的有效信息)的同時通過剔除冗余數據以實現特征降維。PCA方法的流程如下。

(1)已知m個n維特征S:x(1)，x(2)，…，x(m)，其中第i個樣本x(i)∈Rn×1有n個特征。

(3)計算m個樣本的協方差矩陣XXT，然后對矩陣XXT進行特征值分解，得到n個特征值和特征向量。

(4)將n個特征值由大到小排列，然后選取前n′個特征值(λ1，λ2，…，λn′)及對應的特征向量(w1，w2，…，wn′)，使得式(14)成立。

(14)

(5)將n′個特征向量標準化，以形成特征矩陣W。

(6)對n維空間樣本集中的每一個x(i)，轉換為n′維空間內新的樣本，即z(i)=WTx(i)。樣本集S′:z(1)，z(2)，…，z(m)即為降維后的樣本集合。

1.3.3 訓練方法

選取交叉熵函數作為最小損失函數，優化方法為隨機梯度下降法，學習速率取1.0×10-4，丟棄率為0.2，批次數量為100。具體訓練步驟如下。

(1)根據1.1和1.2節中的方法，提取V-I圖像特征和電流、諧波、功率等數值特征，并對數值特征進行歸一化和PCA降維處理。

(2)構建雙通道網絡，將數值特征、圖像特征分別送入對應的通道，然后以電器類別為標簽進行有監督地訓練。

(3)訓練完成后，將通道1的隱含層輸出和通道2的全連接層輸出合并為一維向量，得到由圖像和數值組成的復合特征。

(4)以復合特征為輸入，以電器類別為標簽，訓練Softmax分類網絡進行正確負荷識別。

2 算例測試及分析

2.1 算例說明

采用PLAID數據集[17]對本文方法進行測試。PLAID數據集覆蓋11類共235臺獨立設備的電壓-電流波形數據，采樣頻率為30kHz，總樣本數為1 074 組。考慮到PLAID數據集中不同類別電器的樣本數相差較大，若直接進行訓練識別可能導致部分設備的辨識效果不佳。為此，采用Borderline1-SMOTE[18]過采樣技術對少數類樣本進行合成擴充，擴充后的總樣本數為1 925。隨機從擴充的樣本集中選取220個樣本組成測試集(每類設備測試20個)，剩余1 705個樣本作為訓練集。

在開始訓練之前，定義負荷識別準確率(精度)指標ε，該指標表示分類正確的樣本數ntrue與總測試樣本數ntest之比，即

(15)

2.2 結果分析

為定量分析訓練次數對算法性能的影響，繪制了識別精度和損失值隨訓練次數的變化曲線，如圖 7所示。可以看到，在迭代初期，隨著訓練次數增加，損失函數值逐漸減小，訓練集和測試集的識別精度也隨之不斷增加。當迭代次數超過200 次時，無論是損失函數還是訓練集和測試集的識別精度均趨于穩定，Softmax分類算法的識別性能將不會發生大的變化。基于以上分析，可將訓練次數設置為200 次，即可獲得較為滿意的識別效果。

圖 7 訓練次數對算法性能的影響Fig.7 Influence of training times on algorithm performance

考慮到電流、諧波、功率等數值特征的總維數較大，影響了BP算法的訓練速度。為此，采用主成分分析方法對輸入通道1的數值特征進行了降維處理。降維后，數值特征的總維數由524減少為120，對應測試集的精度僅下降了1.36%，而訓練速度則提升了90%以上。降維后的二維電流和諧波分布如圖 8所示。

圖 8 降維后電流和諧波特征的二維分布Fig.8 Distribution of current and harmonic characteristics after dimensionality reduction

負荷識別的精度與分類算法的輸入特征有關。對3種特征方案進行了測試，得到識別結果如圖 9所示。具體地，圖 9(a)、圖9(b)分別為采用數值特征和圖像特征進行識別時得到的混淆矩陣，圖 9(c)為采用數值與圖像復合特征得到的混淆矩陣。單元格中的數字表示設備的數量，橫坐標表示設備的預測類別標簽，縱坐標表示電器的真實類別標簽。矩陣中的每一行之和代表測試集中該類別電器的樣本數量；每一列之和代表被預測為該類別電器的樣本數量。

圖 9 不同特征方案下的混淆矩陣Fig.9 Confusion matrix under different feature schemes

表 2 不同方法的負荷識別精度對比Table2 Comparison of load identification accuracy of different methods

表 3 不同方法的設備識別精度Table3 Equipment identification accuracy of different methods

由圖 9可知，僅使用數值特征進行負荷識別時的準確率為84.09%，使用V-I圖像特征進行負荷識別的準確率為87.27%，而采用數值與圖像復合特征識別的準確率則高達94.55%。對比圖 9(a)和圖 9(b)，兩種測試場景的負荷識別結果呈現一定的互補性。具體表現在：單獨采用數值特征進行負荷識別時被錯誤分類的吸塵器和洗衣機能夠在使用圖像特征時被正確識別；單獨采用圖像特征進行負荷識別時被錯誤分類的電風扇和加熱器也能在使用數值特征時被正確識別。相對于使用單一數值特征或圖像特征，將兩種特征進行融合識別可以減少錯誤分類數，提高辨識的準確率。例如，圖 9(c)中冰箱和吹風機的分類正確數較之使用單一特征時有所上升。以上測試結果表明，基于雙通道多特征融合的電力負荷識別方法可以充分利用各類特征之間的互補性，有效克服單一特征無法全面反映設備自身屬性的缺點，從而顯著增強負荷分類算法的識別能力。

負荷識別的精度還與算法的自身性質有關。隨機森林選取了4種常見負荷分類算法，并與本文方法進行對比，結果如表 2所示。表2中，KNN、SVM和隨機森林分別為K近鄰、支持向量機以及隨機森林算法。由表2可知，當使用數值特征或圖像特征進行負荷識別時，Softmax、隨機森林和KNN算法的識別性能較好。當采用復合特征進行識別時，Softmax、隨機森林、SVM和貝葉斯算法的識別精度均有所提高，而K近鄰算法的識別精度低于單一特征識別時的精度，說明該方法不適用于多特征融合。無論采用單一特征還是復合特征，Softmax分類算法的識別性能均優于其他方法，該結果充分說明了Softmax算法的強大學習和分類能力。

為進一步說明本文方法的優勢，將設備識別結果與其他文獻中的結果進行比較，具體如表 3所示。其中文獻[19]采用奇次諧波特征進行負荷分類，分類算法為多層感知器模型；文獻[20-21]均采用隨機森林算法，負荷特征分別為經過簡化的V-I軌跡和采用縮減技術形成的有效特征集；文獻[22]則采用由暫態和穩態指標組成的復合特征，分類算法為PCA分類辨識算法。分析表 3可知，5種方法對于空調、電風扇和冰箱的識別精度均較低，這是因為上述三類設備可以在不同運行狀態之間切換，導致其電氣特性復雜，進而影響了分類算法的辨識效果。考慮到文獻[19]僅采用諧波特征進行負荷分類，而文獻[20]的V-I軌跡經過了大幅簡化，因此兩者的識別效果均較差。文獻[21-22]在一定程度上利用了特征之間的互補性，其設備的識別精度高于文獻[19-20]。但由于所采用的分類算法無法在高維空間中挖掘設備的本質屬性，導致文獻[21-22]的精度仍低于本文方法。以上結果進一步驗證了提出的雙通道多特征融合負荷識別方法所具備的突出優勢。

3 結論

提出了一種基于雙通道多特征融合的負荷智能感知方法。該方法充分利用了各類特征之間的互補性，通過PCA-BP神經網絡算法對電流、諧波和功率等數值特征進行了高級特征提取，同時利用卷積神經網絡算法對V-I圖像特征進行了高效學習。兩個通道獨立提取和學習電器設備的不同屬性特征，然后將其進行擴展融合，最后采用Softmax分類算法實現了用電負荷的有效辨識。

采用PLAID數據集對本文方法進行測試，并與其他分類方法進行了比較。算例測試結果表明，相對于傳統使用單一特征的負荷識別方法，基于雙通道多特征融合的負荷識別可以更全面地反映電器設備的本質屬性，有效克服單一特征所造成的設備區分率差的問題，從而顯著增強了算法的負荷識別能力。在后續工作中，將進一步研究本文算法在嵌入式設備中進行集成應用的問題，以檢驗算法的在線識別效果。