一種家用負荷的非侵入式識別方法研究

謝偉鴻，姚 磊，李睿欣

（上海理工大學 機械工程學院，上海 200093）

0 引言

為了應對全球氣候變化挑戰、解決環境污染危機，我國在2021 年作出了力爭在2030 年前二氧化碳排放量達到峰值，努力爭取2060 年前實現碳中和的承諾［1］。節能減排不僅是智能電網建設的戰略目標，更是整個社會的需求。傳統的電能監測體系往往只能給予用電總量的參數信息［2-3］，無法了解更加細節的設備能耗情況。如果能夠了解各個家用電器設備的詳細能耗情況，那么一個家庭將會減少5%～15%的電能消耗［4-5］。

隨著人工智能、物聯網技術的不斷發展，非侵入式負荷監測技術［2，6-7］逐漸走進人們的視野。在傳統侵入式負荷監測技術中，若要獲得各個設備的具體耗能情況，則需要在各個設備處安裝負荷監測裝置，存在成本高、難以檢修、不便推廣的問題［8-10］。非侵入式負荷監測通過在用戶入戶處安裝一處負荷監測裝置，采用非侵入式負荷識別算法選取合適的負荷特征，即可分解出用戶內部的各個用電設備，進而獲得其耗能情況［11-12］。

近年來，學者們對于非侵入式負荷識別算法進行了大量研究。例如，文獻［13］通過建立負荷穩態電流波形特征庫，利用DTW（Dynamic Time Warping）算法計算負荷穩態電流波形與特征庫模板的距離進行負荷識別實驗；文獻［14］提出一種基于廣義回歸神經網絡（GRNN）的非侵入式負荷識別模型，采用模擬退火算法計算光滑因子，進而找到全局最優解，以負荷投切過程中的一些暫態特征作為神經網絡輸入，進行負荷識別實驗，得到了較好的識別結果；文獻［15］利用CUSUM（Cumulative Sum）算法進行負荷投切的事件檢測，在結合暫態和穩態特征的基礎上搭建了負荷識別模型；文獻［16］提出一種改進滑動窗的負荷監測算法，并通過建立穩態負荷特征庫，利用Adaboost 算法進行負荷識別實驗；文獻［17］依托粒子群算法優化隨機森林的剪枝閾值、決策樹顆數、隨機屬性個數進行迭代尋優，對每棵決策樹采用加權投票的策略，得到了較好的負荷識別結果。

盡管目前已有許多種非侵入負荷識別算法，但部分算法存在計算量大、訓練時間長、識別準確率不高的問題。本文選用學習效率高、泛化性能好的極限學習機（Extreme Learning Machine，ELM）進行負荷識別，并采用麻雀搜索算法（Sparrow Search Algorithm，SSA）優化ELM 隱含層的輸入權重和閾值，通過與ELM 算法和BP 神經網絡算法進行比較，發現基于SSA 優化的ELM 算法（SSA-ELM）負荷識別性能更優。

1 ELM

ELM 是一種典型的單隱層前饋神經網絡算法［18-19］，不具有傳統前饋神經網絡訓練速度慢、容易陷入局部極小值點、學習率選擇敏感等缺點。ELM 算法輸入層與隱含層的權重系數和隱含層神經元的閾值都是隨機產生的，且一旦確定就不再變化。在計算過程中，只需要選定隱含層神經元的個數，便可以通過求解逆矩陣的方式得出隱含層與輸出層之間的輸出矩陣，從而獲得唯一最優解。與傳統神經網絡方法相比，ELM 算法是通過求解矩陣的逆的形式獲得最優解而不是采用迭代方法，因此具有運算速度快、泛化性能好等優點。ELM的網絡結構如圖1 所示。

Fig.1 Structure diagram of extreme learning machine圖1 ELM 結構示意圖

假設有N 個樣本（Xi，Yi），設隱含層節點數為L，那么ELM的輸出為：

式中，h(x)為激活函數，Wi為輸入層與隱含層之間的輸入權重，βi為隱含層與輸出層之間的輸出權重，bi為第i個神經元的閾值。為使ELM的輸出與期望輸出的差值i 最小，即存在Wi、βi、bi使得：

引入正則化系數C，求解可得輸出層權重β為：

則ELM 網絡模型的輸出為：

2 SSA

SSA 是近年來學者們根據麻雀群體覓食行為提出的一種群智能優化算法［20-21］。覓食過程中的麻雀種群分為發現者和加入者，發現者為整個種群提供食物的方向和位置，加入者總是靠發現者找到食物或在發現者附近覓食，發現者和加入者的身份是動態變化的，當一只加入者找到較好的食物時會變成發現者，此時便會有一只發現者變為加入者，發現者和加入者占種群的整體比例是固定的。種群在覓食過程中，部分麻雀還要負責偵查預警，如果發現危險，便會向種群發出信號，當環境預警值超過臨界值時，整個群體就會前往更加安全的區域覓食。

在SSA 算法中，發現者的適應度值比加入者更好，有著更大的搜索范圍，因此發現者會更先找到食物，并為種群提供搜尋食物的方向。每代發現者的位置更新如下：

式中，表示麻雀種群中第t代第i個麻雀在第d維的位置，a為［0，1］中的均勻隨機數，itermax為種群的最大迭代次數，Q 為一個標準正態分布隨機數。R2表示環境預警值，為［0，1］中的均勻隨機數；ST為警戒閾值，取值范圍為［0.5，1.0］。當R2＜ST時，代表此時發現者的位置較為安全，暫未發現捕食者，可以進行更大范圍的搜索；當R2＞ST時，表示種群中已經有麻雀發現了捕食者，并向其他麻雀發出預警信號，此時整個種群的麻雀需要前往更加安全的位置尋找食物。

在覓食過程中，一些加入者搜索到發現者找到了更好的食物，它們會前往發現者的位置進行覓食。如果沒能獲得食物，加入者的能量就會變低，其在整個種群中所處的覓食位置就會變差，更有可能會飛往更遠的地方尋找食物。

加入者位置更新為：

式中，Q為一個服從正態分布的隨機數；分別為此時發現者的最優位置以及全局最差的位置；A為一個1行d 列的矩陣，其中每個元素隨機取值為1 或-1；A+為偽逆矩陣，A+=AT（AAT）-1。

麻雀種群在覓食的同時，會隨機選擇部分麻雀負責警戒，當環境預警值超過臨界值時，其會放棄當前食物，前往更加安全的區域覓食，其位置更新為：

式中，β為符合標準正態分布的隨機數；K為［-1，1］的均勻隨機數；ε為一個較小的數，防止分母唯一；fi為當前第i個麻雀的適應度值；分別為全局最佳位置和最差位置；fg、fw為此時全局最佳位置和最差位置的適應度值。

3 SSA-ELM 負荷識別模型建立

3.1 負荷特征選取

家庭電器按照負荷容量可分為大功率電器和小功率電器兩種；按照負載類型可分為阻性負載、容性負載和感性負載3 種。不同家用電器的電路設計不同，產生的諧波亦不相同，因此諧波數據中通常包含各個電器的特征信息。傳統的有功功率和無功功率無法區分功率接近的電器設備，負荷識別準確率不高。因此，本文在傳統電流有效值（I）、有功功率（P）、無功功率（Q）、功率因數（λ）等負荷特征的基礎上，增加電流3 次、5 次和7 次諧波含有率（HRI3、HRI5、HRI7）作為新的負荷特征至負荷識別實驗中。電流的第h 次諧波含有率表示為第h 次諧波分量的方均根值與基波分量的方均根值之比，不同負荷的諧波含量有一定差異，表示為：

式中，HRIh為電流的第h次諧波含有率；Ih,rms、I1,rms分別為第h次諧波分量的方均根值與基波分量的方均根值。

3.2 SSA優化ELM模型參數

ELM 模型隱含層神經元的輸入權重Wi和閾值bi是隨機確定的，且一經確定便不再改變，非常容易導致模型陷入局部最優，影響分類準確率。SSA 是一種智能優化算法，具有搜索能力強、收斂速度快的優點。本文采用SSA 算法對ELM 模型的Wi和bi進行參數尋優，進一步提高了模型分類準確率。經過多次實驗優化，SSA 算法參數設置見表1。

將總體樣本中錯誤識別數量的占比作為模型適應度函數f（x），表示為：

式中，PR為總體樣本識別的正確率。

Table 1 Parameter setting of SSA algorithm表1 SSA 算法參數設置

3.3 SSA-ELM 模型建立

采用SSA 優化ELM的隱含層輸入權重和閾值，不斷迭代以找到最優參數，搭建出SSA-ELM 負荷識別模型，以各種負荷特征作為輸入，導入到訓練好的模型算法中，輸出負荷識別結果。

SSA-ELM 負荷識別模型算法流程為：①采集各個電器的負荷特征數據，并對其進行歸一化處理，建立負荷特征庫；②打亂負荷特征庫中所有數據的順序，隨機選擇其中70%的數據作為訓練集，剩下30%作為測試集；③將訓練集的負荷特征作為輸入對ELM 進行訓練；④通過SSA 算法對ELM 模型隱含層神經元的輸入權重Wi和閾值bi不斷進行尋優，提高模型性能；⑤判斷是否滿足尋優的終止條件，將SSA 算法篩選出的參數導入到ELM 中以建立負荷識別模型，否則重復第④步，直至選出最優參數；⑥將測試集數據導入到訓練好的SSA-ELM 負荷識別模型中，識別出各種電器負荷。具體流程如圖2 所示。

Fig.2 SSA-ELM load identification flow圖2 SSA-ELM 負荷識別流程

4 實驗方法與結果分析

4.1 數據來源與參數設置

采用實驗室設計的負荷監測裝置，以1KHz的采樣頻率對6 種常用家用電器（白熾燈、電風扇、電吹風、熱水壺、打印機、筆記本電腦）進行采樣，每種負荷采集100 組數據，共計600 組。將這些數據各自進行歸一化處理后分別打上1～6的負荷標簽，隨機選擇其中500 組數據作為訓練集，100組作為測試集。將測試集數據輸入導入到SSA-ELM 負荷識別模型中，得到測試集負荷識別結果的混淆矩陣如圖1所示。

Fig.3 Confusion matrix of test set圖3 測試集混淆矩陣

4.2 評價指標

選擇識別準確率PR 和計算耗時T 作為模型評價指標，分別表示為：

式中，PR為該樣本被識別的正確率，TP表示該樣本中被識別正確的數量，FP表示該樣本中被錯誤識別的數量；T為模型運行總耗時，ttr為模型訓練所消耗的時間，tt為模型測試所消耗的時間。

4.3 結果分析

將SSA-ELM 算法與傳統ELM 算法和BP 神經網絡算法進行比較，得到3 種算法對各類負荷的識別準確率如表2所示。

Table 2 Comparison of load identification accuracy of each algorithm表2 各算法負荷識別準確率比較 （%）

由表2 可知，SSA-ELM 非侵入式負荷識別算法對于單工作狀態電器的負荷識別準確率較高，對于多工作狀態電器的負荷識別準確率明顯高于傳統ELM 算法和BP 神經網絡算法。

經統計，SSA-ELM 算法的執行時間為51.7s，而ELM 算法和BP 神經網絡的執行時間分別為33.2s 和69.6s。雖然SSA-ELM 算法比傳統ELM 算法執行時間略有增加，但準確率明顯提升，與BP 神經網絡相比執行時間和識別準確率均得到改善。

5 結語

本文針對傳統非侵入負荷識別方法速度慢、準確率低的現狀，提出一種基于SSA-ELM的負荷識別算法。通過對幾種常用家庭電器進行負荷識別實驗，證實了采用SSA 算法對ELM 隱含層的輸入權重和隱含層神經元閾值參數進行優化能夠避免模型陷入局部最優，提高算法識別準確率，算法總耗時亦不會明顯增加，可用于家庭電器的非侵入負荷識別。然而負荷監測裝置采集到的數據存在一定誤差，而且算法對于多工作狀態電器負荷的識別率有待提升，如何提高算法的自適應性和多工作狀態負荷的識別準確率是后續研究方向。