非侵入式負荷辨識技術研究及應用

張繼東 陳雪薇 徐述 馬安安

摘要：為了進一步細分電力用戶的用能習慣，輔助國家能源規劃和調度，需要研究各類設備的具體能耗水平。據此，分析了不同類別電器的工作模式和電力負荷特征，并基于電器特征信號提出了一種改進的負荷辨識算法，通過對負荷的提取辨識，研究了負荷分類模型和實現機制。通過設計研發非侵入式負荷辨識電能表，實現了負荷精準辨識。

關鍵詞：非侵入式;負荷辨識;事件檢測;分類器

0 引言

黨的十九大指出，當前社會的主要矛盾已經轉化為人民日益增長的美好生活需要和不平衡不充分的發展之間的矛盾。為響應國家號召，國網公司積極構建以客戶為中心的新型供電服務體系，于2018年初發布了《國家電網公司關于堅持以客戶為中心進一步提升優質服務水平的意見》（國家電網辦〔2018〕1號），提出了“客戶服務能力在能源行業領先、客戶服務感知和服務滿意度在公共服務行業領先”的發展目標。

當前，國網公司用電客戶中居民用戶達4.1億戶，占總客戶數的88.9%。同時，隨著我國城鎮居民生活水平的提高，居民用戶負荷呈高速增長態勢，用電行為日趨復雜，居民用戶對精準精益用能的服務訴求不斷增長。智能電能表作為智能電網的基礎性、關鍵性資產，既是用戶計量結算的依據，又是用戶用電信息交互的窗口[1-3]。通過開展智能電能表數據深化應用和智能量測體系建設，深度挖掘用電信息采集系統功能，可有效促進以客戶為中心的新型供電服務體系建成。

在上述背景下，計量專業積極開展負荷辨識電能表研發及應用，以期實現居民用電設備組成和能耗全時段精確辨識，為客戶提供節能診斷、用電安全隱患辨識、電器壽命預測、電器使用率統計等增值服務;同時，通過引導用戶科學合理用電，降低電網峰谷差，推動節能減排。

1 電器負荷特征提取

居民電力負荷在運行以及開啟和關斷的過程中，因工作原理的不同而具有不同的運行特性和啟停特性，可以據此對居民電力負荷進行有效辨識分解，這構成了非侵入式辨識的基礎，負荷的運行特性和啟停特性被稱為“辨識特征量”[4-6]。

在實際工作中，采樣數據都是離散值，所以采用的有功功率計算公式如下：

式中：m為有功功率序列P的計算時間窗口所含工頻周期數目;N為一個工頻周期包含的電流、電壓采樣點數目，N=fs/50，fs為電流、電壓的采樣頻率;uk、ik為離散的電壓和電流序列。

基于以上計算，可以實現基于本地裝置的用戶功率數據提取。

非侵入式負荷辨識技術非常依賴數據，因此首先需要采集電器負荷數據，建設負荷特征庫[7]。家庭負荷種類繁多，工作模式迥異，采集得到的原始數據量相當龐大，需要對其進行特征提取，然后進行分類與管理。

根據居民負荷原始數據，可從負荷功率特性、諧波特性、沖擊特性等多種角度進行數據特征分析。例如，電磁爐、微波爐的主要特征是諧波，圖1分別是4臺不同電磁爐的負荷特征數據。

分析圖1數據可以發現，電磁爐直流分項可以忽略不計，諧波排序大致會出現奇次（4、5、6）—偶次（1、2、3）的排序，這些諧波分量均可以作為分類器的一個輸入特征向量。

2 負荷辨識算法

負荷辨識算法的核心有兩個：一是事件檢測，幾乎全部現有算法均需要用事件檢測來區分負荷投切前后的穩態和暫態區段，并在此基礎上執行后續計算;二是分類器，即負荷識別模型，基于機器學習算法的分類器是最優選擇[8]。

事件檢測算法有很多，本文主要研究改進雙邊累積和（Cumulative Sum，CUSUM）檢測算法，主要改進點在于引進一個伸縮因子，以使CUSUM算法可以適應不同功率水平下的負荷事件檢測需求。原始CUSUM算法原理是，考慮采樣序列X={x（k）}，（k=1，2，…），非參數化雙邊CUSUM的統計量g定義如下：

根據上述統計量，負荷事件判斷過程如下：正向統計函數值是否大于統計閾值，若是則為投入負荷事件;負向統計函數值是否大于統計閾值，若是則為切除負荷事件。

在實際測試過程中，數據異常、快速誤操作、拉弧沖擊電流等可能引起檢測錯誤的問題。例如，數據異常點會多檢測出一個負荷切除事件;快速誤操作會多檢測出一個電器;拉弧沖擊電流則比較復雜，可能會檢測出多個連續的負荷投入或切除事件。上述異常可能導致算法邏輯崩潰，因此還需要加強事件檢測算法的魯棒性，對檢測結果做適當修正。

修正邏輯為：

（1）若某負荷切除事件集合的左邊界小于某負荷投入事件的右邊界，且負荷切除事件后窗與某投入事件的前窗均值差大于設定閾值，則連接兩個事件，并修正為負荷投入事件;

（2）若某負荷切除事件集合是某負荷投入事件集合的真子集，則刪除該切除事件。

與現有的兩步方差法和CUSUM算法相比，本文所提方法對常規負荷事件檢測準確度有很大改善，對緩升型和沖擊型事件檢測精度有顯著提高，算法容錯性好。

3 負荷分類器

采用支持向量機分類器，根據電器啟停時刻的電氣特征量變化對電器進行分類，實現電器種類辨識。以下簡單介紹SVM線性分類器的基本原理。

在訓練非線性SVM分類器時，若允許分類器在訓練樣本上存在一定的分類錯誤率，降低分類器在測試樣本上的泛化誤差，還需要加入一個正則化項C。基于SVM分類可得到如圖2所示的分類結果，基于該結果可根據不同的采樣結果對負荷進行分類識別。

4 實驗分析及現場應用

非侵入式負荷辨識電能表采用多芯模組的設計，采用計量核心、控制核心和負荷辨識核心構成三芯協同的硬件框架。

多芯模組的劃分主要以功能為導向。計量核心采用片上系統（System on Chip，SoC）設計方案，負責將用戶側總線上的電壓和電流經由互感器、調理電路和模數轉換器得到的波形數據準確采集，經過必要的數據處理環節后按一定的周期和數據格式發送給負荷辨識芯;功能核心MCU負責計量芯、負荷辨識芯和采集主站之間的通信連接，發揮通信中轉站的作用，連接電能表各個功能并協同工作;負荷辨識芯，顧名思義負責基于原始電壓和電流波形數據進行非侵入式負荷辨識的功能實現，實物電路板如圖3所示。