基于矩陣特征重構的深度學習負荷監測方法

繆巍巍，曾 锃，王傳君，李世豪，曾文浩

（1.國網江蘇省電力公司信息通信分公司，江蘇 南京 210024；2.南京工程學院，江蘇 南京 211167）

在未來泛在電力物聯網的建設中，非侵入式負荷分析能夠提供極大的便利。通過利用該方法，電網管理人員能夠準確有效地獲取用電用戶的用電行為分析，為電網的智能化管理奠定堅實的基礎。同時，非侵入式負荷監測實施成本低且對用戶干擾小，通過非侵入式負荷監測，電網公司能夠預測各類負荷曲線，協助電網調度工作，而用電用戶也可通過非侵入式負荷監測，詳細掌握工廠或家庭的用電情況，提升用電的智能程度，因此具有廣泛的應用前景[1]。

深度學習作為一種廣泛使用的人工智能技術，以其較強的泛用性和較高的準確率，獲得了各領域學者的重點關注[2-3]。目前，深度學習發展迅速，并帶動了各類智能化技術的突破[4]。另外，不少研究單位致力于將深度學習實用化的工作，且取得了顯著的成果。與傳統人工智能技術只能以CPU為載體不同，深度學習能夠通過使用GPU、FPGA等載體來多線程操作，極大地提高了深度學習的性能[5-7]。使用GPU實現深度學習，一是能夠提高算法的運行速度，二是可以一定程度地降低功耗，且具有較短的技術研發周期，在深度學習的工程化、實用化方面具有極大的優勢[8]。

傳統的非侵入式負荷監測方法，是通過模式識別的方法對負荷特征進行學習和訓練，過程繁瑣，需要的樣本也較大，存在著模型難以求解、準確識別所需的完備負荷特征庫在實際中難以獲得、部分特征往往不滿足疊加或進行數學運算的問題[9-12]。

1 基于奇異值特征矩陣重構的深度學習負荷監測

為了解決負荷特征學習和訓練模型難以求解、識別準確率不高的問題，提出一種基于奇異值特征矩陣重構的深度學習非侵入式負荷監測方法。本方法使用基于奇異值特征矩陣重構的方法對信號進行預處理，能夠有效剔除信號中的噪聲與其他干擾信息，并保留信號的特征信息；利用卷積神經網絡算法對重構的特征矩陣進行深度學習，實現負荷特征的獲取與識別，能夠有效提高識別的效率和準確率。

本方法首先使用奇異值分解對采集到的混合信號進行負荷分離；其次根據信號奇異值的大小和特征，設定奇異值的門限；在此基礎上，保留通過門限的奇異值，及對應的左右奇異值向量；再次，由左右奇異值向量構建對應矩陣，并求對應的克羅內克積，實現信號的特征矩陣重構；最后將大量典型家電的運行電流數據轉換成數據特征圖的形式，并使用卷積神經網絡模型進行訓練，進而建立能夠處理重構特征矩陣數據的卷積神經網絡模型，從重構的特征矩陣中提取獨立負荷特征。

本方法的思想是利用奇異值分解和信號的結構特征，將大量典型家電的運行電流數據轉換成重構特征矩陣，并建立能夠處理重構特征矩陣數據的卷積神經網絡模型，實現辨識負荷特征的目的。本發明的方法主要包含的步驟如圖1所示。

圖1 非侵入式負荷檢測流程圖

首先根據采集到的電流信號的頻率、電流和電壓等特征，對數據進行分包，并完成數據標準化等操作，將采集到的數據形成標準化的數據矩陣。

然后，利用奇異值分解算法對標準化的數據矩陣進行負荷分離，即：

其中，X（t）為處理前信號，Σ為奇異值對角向量矩陣，U為左奇異值向量矩陣，V為右奇異值向量。

接著，根據信號奇異值的大小及電流信號的頻率、電流、電壓等特征，以及信號的實際狀態，設定奇異值的門限。

其中，η為常數，根據信號特征確定。

保留通過門限K的奇異值，構建對應的對角矩陣Σk，并獲取對應的左奇異值向量矩陣Uk，右奇異值向量矩陣Vk。

求左右奇異值向量矩陣Uk、Vk對應的克羅內克積實現信號的特征矩陣重構

然后對卷積神經網絡模型進行訓練，完成網絡的權值初始化，并將重構的特征矩陣作為卷積神經網絡的輸入。卷積神經網絡輸出的結果是分類的結果，即輸入的信號包含哪幾種負荷特征，具體種類的數量由訓練集的種類數量決定。

2 卷積神經網絡的配置

經過6個卷積層、2個池化層和3個全連接層的向前傳播得到輸出值。

求出網絡的輸出值與目標值之間的誤差，當誤差大于設定的期望值時，將誤差傳回網絡中，依次求得全連接層、下采樣層和卷積層的誤差。各層的誤差可以理解為對于網絡的總誤差，網絡應承擔多少；當誤差等于或小于設定的期望值時，結束訓練。誤差函數為：

其中，m為樣本個數，i為第i個樣本，x(i)為第i個系統輸入，hθ（x(i)）為通過卷積網絡后的輸出即預測值，y(i)為理想輸出即訓練集的實際種類。通過隨機梯度下降算法來減小誤差，逼近分類目標。

根據求得誤差進行權值更新，并從重構的特征矩陣中提取獨立負荷特征，進而建立能夠處理重構特征矩陣數據的卷積神經網絡模型。

基于該模型進行提取數據特征，從而達到辨識負荷特征的目的。

3 實驗仿真驗證

本實驗使用MTK團隊提供的REDD數據集，REDD數據集中包含6個不同家庭數周的電力數據，以及其中兩個家庭主電源的高頻電流/電壓數據。數據本身和用于收集數據的硬件文獻中有更詳細的描述。

本實驗選取第3戶用戶在2011年5月30日前的用電數據作為訓練數據，用2011年6月1日的用電數據作為測試數據。該用戶主要使用的電器類型有：照明、燃氣設備、手機電子設備、冰箱、處置、洗碗機、爐、照明、洗衣機、烘干機、微波爐和個煙霧報警器等，為了實驗簡便，只顯示用電占比前3的電器。某段時間內的具體檢測結果如圖2所示。

在圖2中，CE appliance代表燃氣設備，Washer dryer代表帶烘干功能的洗衣機，Fridge代表冰箱。從圖2中可以看出，本文算法能夠有效地在復雜數據中分析出用戶的具體用電行為，并且獲得每種電器的能量分解。

圖2 用電行為檢測結果

4 結束語

本文提出了一種基于奇異值特征矩陣重構的深度學習非侵入式負荷監測方法，通過利用矩陣特征重構的方法，將大量典型家電的運行電流數據轉換成重構特征矩陣的形式，并使用卷積神經網絡模型進行訓練，從重構的特征矩陣中提取獨立負荷特征，解決了負荷特征學習和訓練模型難以求解、識別準確率不高的問題，從而達到有效辨識負荷特征的目的。