基于非侵入式技術的空氣源熱泵負荷識別與分解

宋一凡，于浩然，尹凱，馬驍，李洪濤

(1. 國網北京市電力公司電力科學研究院，北京 100075；

2. 天津求實智源科技有限公司，天津 300384)

0 引 言

近年來需求側管理政策發展迅速，電力非侵入負荷監測(Non-Intrusive Load Monitoring，NILM)逐漸受到關注[1]。該技術是通過在電力負荷入口處安裝傳感器，通過采集、處理和分析電力負荷入口處的電壓和電流，獲取總負荷內部各個/類用電設備的工作狀態和耗電功率等信息并形成特征庫，用于后續辨識和分解[2]。由于其只需在總口處安裝單一的傳感器，因此費用低，容易安裝，保證不干擾到用戶用電，避免糾紛。近年來，國內對于非侵入式電力負荷監測與分解的研究不斷增多，識別對象多為居民家庭用電負荷，文獻[3]應用NILM技術對家庭主要設備負荷特性進行提取，通過模糊C聚類法實現家庭負荷模型歸類，獲得設備針對不同電價的轉移靈敏度和自靈敏度用電特性，并在此基礎上形成家庭負荷特性。文獻[4]采用結構熵權法將居民用電行為與有功功率、無功功率和電流諧波特征相結合,確定最終權值,有效提高負荷識別的準確率。文獻[5]提取了電熱水器、電熱水壺、定頻空調的辨識特征量組，提出了基于暫穩態混合判據的非侵入負荷辨識算法。隨著北方地區大規模推進“煤改電”工程，電采暖設備作為用電側引入的新興負荷，其不同原理下的設備負荷特性與煤改電用戶的用電行為有強相關性，但數據量樣本少且難以獲取[6]，非侵入式電力負荷監測技術可以較好解決電采暖負荷數據采集的問題。目前在負荷辨識的性能方面，非侵入式技術仍存在一些結構和工作原理相似的用電設備通常難以區分的問題[2-5]，辨識對象多集中于家庭常見用電負荷，在煤改電負荷上的應用經驗較少。結合非侵入負荷辨識流程[7]，針對電采暖設備中最常用的空氣源熱泵，提出了一種基于負荷事件檢測的負荷指紋提取方案以及適用于工程應用的指紋模板庫自動生成方法，實際應用證明，該方法所形成的模板庫中空氣源熱泵負荷特征區別于其他家庭負荷的唯一性較好，實用性高，抗干擾性強。

1 空氣源熱泵負荷指紋提取

用電設備在特定工作模式下所體現的負荷特性被稱作該設備的“負荷指紋”[8]，為實現非侵入式對負荷的有效辨識，首先需要提取空氣源熱泵的負荷指紋，構建唯一特征模式，通過自適應檢測將其固化形成空氣源熱泵指紋模板庫，最終完成對負荷的識別與分解。采用一種基于負荷事件檢測的非侵入式空氣源熱泵負荷指紋提取方案。負荷事件是指電器設備發生工作狀態的改變，實際中多數情況下每個電器設備都有特定的啟動過程及穩態時的電壓電流波形，因而可以根據暫態變化或穩態變化來獲取負荷事件的特征[9-10]。

實際檢測到空氣源熱泵的負荷功率特征如圖1所示，設備啟動后運行區域由多個暫態和穩態交替疊加形成，最大功率達到4.5 kW。有功功率作為非侵入式負荷監測中是最為直觀的數據，空氣源熱泵在穩定工作時其有功功率常保持恒定值，因此采用對有功功率的判別來檢測空氣源熱泵負荷事件。

圖1 空氣源熱泵功率特征曲線Fig.1 Power characteristic curves of ASHP

1.1 特征量采集

由于實際采集的信號是離散信號，計算不同諧波的有功功率需要對電壓電流采用離散傅里葉變換算法(DFT)進行處理。對空氣源熱泵電流，采用按時間抽取的快速傅里葉變換(FFT)算法，將一個周期的采樣序列分為奇偶兩組，分別為I1和I2，為減小算法時間復雜度，又可將I1和I2分別再分為子序列，以此類推，形成多級級聯的運算。根據傅里葉分解，總口下原有的穩態電流可以表示為如下形式：

iold(t)=I1,old[cos(ωt+θ1,old)+…+αk,oldcos(kωt+θk,old)+…]

(1)

式中iold(t)表示電氣設備處于工作穩態時的電流瞬時值；I1,old為電氣設備穩態時電流基波分量幅值；θk,old為相角；αk,old表示電氣設備穩態電流第k次諧波幅值與其基波幅值的比值。

當總口下有新的電氣設備啟動后，并且達到穩態，會產生新的電流：

il,new(t)=Il1,new[cos(ωt+θl1,new)+…+αlk,newcos(kωt+θlk,new)+…]

(2)

式中l表示電氣設備；Il1為電氣設備穩態時電流基波分量幅值；θlk為相角；αlk表示電氣設備穩態電流第k次諧波幅值與其基波幅值的比值；il,new(t)表示在電器l投入使用后在總口下獲取的新的穩態電流，則該用電設備的穩態電流變化可以近似使用新穩態電流減去舊穩態電流獲得：

Δil(t)=il,new(t)-iold(t)=Il1,new[cos(ωt+θl1,new)+…αlk,newcos(kωt+θlk)+…]-I1,old[cos(ωt+θ1,old)+…+αk,oldcos(kωt+θk,old)+…]=Il1[cos(ωt+θl1)+…+αlkcos(kωt+θl1,new)+…]

(3)

在檢測到負荷事件發生后，使用式(3)計算出該負荷事件的基波電流電壓的幅值、各次高次諧波的幅值與基波比值，以及相角。因為過高次諧波幅值較小，因此計算時可以只采用11次及以下計算。得到基波與各次高次諧波分解結果后，依次對各正交分量計算有功功率，并做累加得到ΔP。

1.2 過渡事件捕獲

設置功率門檻值Pmin，選取方法如下：正常情況下，一天的功率數據點數為83 000～86 000點，計算其當日標準差Sn，其中n為天計數。

如圖2所示。選擇4天對每日的功率標準差進行平均，得到標準差平均值Savg作為這4天功率波動程度的評價指標。在負荷事件的判定中，應避免波動對事件提取的影響，考慮到波動的極值，因此事件的功率最小門檻值應不小于5倍4天窗口的Savg，其中5倍的選擇依據為文中算法經過大量數據評價和驗證得到的經驗值，即:

圖2 事件門檻值計算示意圖Fig.2 Illustration of threshold value calculation

Pmin≥5Savg

(4)

該值作為后續4天的事件檢測門檻值。繼續地，在第5天時，向前迭代3天，再次組成4天窗口期計算標準差平均值并更新Savg作為后續時間段事件檢測門檻值。事件最小門檻值根據負荷運行波動情況自動調整，其調整窗口期為4天(負荷辨識算法在云端系統對實時結果回溯修正的時間)。針對于文中提到的環境，經過長期運行期計算每4天門檻值，目前已經穩定在100 W，因此本文中空氣源熱泵的系統事件門檻值到目前為止被判定為100 W。

獲得Pmin后，定義20點功率平均值為μ，20點功率瞬時值為Pi(i=1,2,…,20)，其中事前功率瞬時值為Pai，事后功率瞬時值為Pbi。若滿足以下條件：

ΔP≥Pmin

(5)

則認為該事件為過渡事件，以ΔP啟動時刻為標準，向前掃描過渡事件起點，即事前最近穩態點。通過監測連續時間序列下功率波動值，計算 20點功率波動值的標準差，若波動值滿足以下條件：

(6)

則定義離ΔP過渡狀態事前最近的時間序列點為事前穩態點Ta，也即過渡事件的起點；如不滿足條件，則拋棄最近時間序列點，繼續向前迭代計算。其中20%μ為空氣源熱泵最低波動判斷門檻值，即功率波動程度小于該值時認為達到穩態，判斷門檻值過高會過濾掉部分需要采集的事件，過低會造成事件淹沒，該參數的取值與設備設置的功率門檻值Pmin相關。其中20%的選擇依據同Pmin的選擇依據一致，即功率曲線連續20點波動幅值水平不應大于事件不應大于基值的20%。

同樣采用上述20點循環的方法以ΔP啟動時刻為標準，向后掃描過渡事件終點，即事后穩態點Tb。

計算過渡事件的時間窗長度

ΔT=Tb-Ta

(7)

整個過渡事件捕獲流程圖如圖3所示。

圖3 過渡事件捕獲流程圖Fig.3 Flow chart of transit event capturing

2 空氣源熱泵辨識判據

通過對大量空氣源熱泵實際采樣波形的分析，其表現出的過渡事件可分為典型的三大類，具體如下:

圖4為過渡事件中典型的階躍事件，其特征為持續時間較短，斜率接近90°，最大功率值與達到穩態時功率接近。

圖4 階躍事件波形圖Fig.4 Typical power curve of step event

圖5為過渡事件中典型的尖峰事件，其特征為持續時間較短，斜率接近90°，但其最大功率值超過達到穩態時功率10倍以上，且持續時間較短。

圖5 尖峰事件波形圖Fig.5 Typical power curve of peak event

圖6為過渡事件中典型的斜坡事件，其特征為持續時間較長，斜率一般小于75°，但其功率通過過渡時間段慢慢爬升到與穩態功率值一直水平。

圖6 斜坡事件示意圖Fig.6 Typical power curve of slope event

空氣源熱泵負荷功率包含了上述三種特性，前文中已經獲得過渡事件關鍵參數ΔT和ΔP，下面通過判斷ΔT的長度，以及事前功率、突變功率和事后功率的關系，給出三種過渡事件判決條件如下：

ΔT≤1 s時，若滿足Pai+ΔP=Pbi,則認為該過渡事件為階躍事件；若滿足Pai+ΔP=1.5Pbi，則認為該過渡事件為尖峰事件。ΔT≧5 s時，若過渡事件的傾斜度不大于75°，即arctan(ΔP/ΔT)≤75°，則認為該過渡事件為斜坡事件。判定空氣源熱泵啟動需滿足以下條件：

過渡事件為斜坡事件

或

或

過渡事件為尖峰事件

其中，Pref值的選定是通過熱泵名牌和多此實測值綜合評定得來，是階躍條件下判定熱泵啟動的重要判據。除以上條件外，其他情況均判定空氣源熱泵未啟動，如圖7所示。

圖7 空氣源熱泵辨識流程圖Fig.7 Flow chart of ASHP load identification

3 指紋模板自動生成技術

為了解決非侵入式電力負荷監測技術系統電氣設備指紋特征庫更新和維護不及時，導致監測結果準確性降低的問題，以及高成本、低效率的人工更新和維護方案使得非侵入式電力負荷監測技術的實用性差，有礙其技術推廣的問題[11]，采用空氣源熱泵指紋模板自動生成的技術。辨識系統需要對陌生場景具備一定的自適應能力，根據用電狀態監測結果對應的電力負荷指紋估計值和采集到電力負荷指紋實際值之間的偏差大小來判斷當前時刻電力負荷中是否存在未知電氣設備類型，將監測到的事件模式與上述空氣源熱泵的唯一特征模式進行比較，積累到一定閾值的時候開始自動啟動聚類算法[12]，將唯一特征模式固化為空氣源熱泵的負荷模板庫，具體過程如下。

(8)

式中sn(t)表示時刻t第n種已知電氣設備類型的用電狀態辨識結果;Xn表示第n種已知電氣設備類型的指紋模板，其中，n∈{1，2，3，…，N}，N為電力負荷內部已知電氣設備類型的總數量。

若式(9)成立，即目標函數未收斂到合適的數值，則表明在t時刻電力負荷內部存在未知電氣設備類型：

(9)

當檢測到的未知電氣設備的指紋模板樣本積累達到一定的數量時，對已經積累的m1(一般m1≥100)個模板樣本進行聚類分析[13-15]，為了排除異常值的干擾，認為聚類所得的簇規模大于預設值m2(一般m2≥5)的結果才是有效的。

從圖9中可以看到，每一次指紋模板并不是完全相同，因此生成的模板庫會產生一個區間值，另外，模板庫的形成考慮了運行時刻、時長和頻次等宏觀信息。系統得到每一次事件的事件標記后，如果該事件標記為空氣源熱泵，將會對此次事件功率曲線對時間進行積分得到此次運行電量，以此類推，可以計算得到每小時、每天、每月空氣源熱泵的電量，結果如圖10所示。

圖8 負荷指紋模板庫自動生成方法流程圖Fig.8 Flow chart of automatic generation method of load dactylogram library

圖9 空氣源熱泵負荷模板庫生成圖示界面Fig.9 Illustration of ASHP load pattern library

圖10 空氣源熱泵負荷識別與分解電量結果(單日)界面Fig.10 Electric quantity result of ASHP load (one day)

4 算例分析

為說明文中算法在實際工程中的應用效果，選取北京地區某“煤改電”用戶作為研究對象。該用戶住宅為一個兩進院落，建筑面積365 m2，其中前院安裝有兩臺空氣源熱泵，功率分別為5.16 kW和4 kW。

為了對比和驗證辨識的準確度，在空氣源熱泵支線處加裝了獨立的侵入式傳感器，采集頻率為5 min一次；在前院配電箱總線處安裝帶有空氣源熱泵負荷識別算法的非侵入式監測終端，采集頻率為1 s一次，通過上文所述的空氣源熱泵指紋提取方法形成負荷指紋模板庫，用于負荷辨識和分解，圖11為帶有空氣源熱泵負荷識別的非侵入式原理圖。

圖11 帶有空氣源熱泵負荷識別的非侵入式原理圖Fig.11 Schematic diagram of ASHP identification by NILM technology

測試時間為2019年2月份，該時間段內，用戶家中除空氣源熱泵外，有電熱水器、直熱式電暖氣、日光燈、電熱水壺、洗衣機等家用電器運行，其中直熱式電暖式和空氣源熱泵共同為用戶多個房間進行供暖。定義狀態識別準確率Cs[16-17]來描述辨識性能：

(10)

式中Ts為空氣源熱泵狀態正確識別次數；Ns為采樣點總數；Cs越大，說明辨識性能越好。

2019年2月3日4時～7時，傳感器采集波形如圖12所示，可以看出在該時間段內空氣源熱泵多次啟停，其中需要提到的是由于傳感器的數據采集頻率為5分鐘一次，在某些功率突變時刻會存在漏采集的可能性。通過功率波動情況得出空氣源熱泵啟動和退出的次數和時間如表1所示，可以看出在2月3日4時～7時，兩臺空氣源熱泵共啟動4次。非侵入裝置辨識波形分別如圖13所示，與圖12對比可知，狀態識別準確率Cs為100%。

圖13 2月3日4時～7時非侵入式識別熱泵功率界面Fig.13 NILM power curve (4 am to 7 am on 3rd Feb.)

表1 非侵入監測和傳感器辨識對比(2月3日4時～7時)Tab.1 Identification results comparison between NILM and sensor-measured (4 am to 7 am on 3rd Feb.)

圖12 2月3日4時至7時空氣源熱泵實測功率Fig.12 Sensor-measured power curve of ASHP (4am to 7am on 3rd Feb.)

從2019年2月中任意選取10天對比傳感器記錄電量和非侵入監測的電量數據，如表2所示。

表2 非侵入監測和傳感器采集電量對比Tab.2 Electric quantity comparison results between NILM and sensor-measured

現場測試結果表明，在該時間段內非侵入式辨識空氣源熱泵啟停次數正確，電量歸集精度大于84%，分析誤差可能由臨時性和波動性的小功率負荷造成，同時傳感器和非侵入辨識的數據采集頻率差別較大，也是產生誤差的原因之一。

5 結束語

本文給出了一種以過渡事件檢測為判斷依據的空氣源熱泵負荷指紋提取方案，詳細描述了過渡事件捕獲和空氣源熱泵負荷辨識流程，提出的指紋模板自動生成方法便于工程應用，提高了非侵入式電力負荷辨識技術的實用性。現場辨識結果表明，該算法可有效辨識出空氣源熱泵啟停次數，區別于其他電采暖裝置(直熱式電暖器)，唯一性較好，電量歸集精度大于84%。由于存在相似特征功率干擾，算法擬合的有功功率結果準確性仍有待進一步改進。此方法為空氣源熱泵負荷特性數據采集和煤改電用戶用電行為監測提供了成本低、易操作的解決途徑，可應用于煤改電用戶需求側響應和用戶用能建議等相關領域，配合實現煤改電用戶負荷管理和預測。