基于改進(jìn)DPC-IGWO-Elman的負(fù)荷分解方法

［摘 要］ 針對現(xiàn)有負(fù)荷分解方法負(fù)荷特征單一、分解精度低的問題，提出一種結(jié)合改進(jìn)密度峰值聚類算法與改進(jìn)灰狼算法優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)的非侵入式負(fù)荷分解方法。首先針對密度峰值聚類算法（DPC）在處理復(fù)雜數(shù)據(jù)集時(shí)缺乏自適應(yīng)能力的問題對局部密度的計(jì)算方法進(jìn)行改進(jìn)，再將改進(jìn)DPC算法應(yīng)用于用電器負(fù)荷數(shù)據(jù)的聚類分析，從而得到用電器的工作狀態(tài)標(biāo)簽并進(jìn)行編碼；之后運(yùn)用Elman神經(jīng)網(wǎng)絡(luò)構(gòu)建分解模型同時(shí)引入改進(jìn)灰狼優(yōu)化算法（IGWO）對網(wǎng)絡(luò)參數(shù)進(jìn)行尋優(yōu)，最后根據(jù)網(wǎng)絡(luò)輸出編碼獲取用電器工作狀態(tài)標(biāo)簽并根據(jù)對應(yīng)負(fù)荷特征信息進(jìn)行有功功率擬合，完成負(fù)荷分解。經(jīng)公開數(shù)據(jù)集測試和實(shí)驗(yàn)對比，IGWO-Elman模型的識(shí)別準(zhǔn)確率以及有功功率擬合效果均優(yōu)于其他模型。

［關(guān)鍵詞］ 非侵入式負(fù)荷分解； 密度峰值聚類算法； 灰狼優(yōu)化算法； Elman神經(jīng)網(wǎng)絡(luò)

［中圖分類號］ TM714" ［文獻(xiàn)標(biāo)識(shí)碼］ A

隨著電力物聯(lián)網(wǎng)技術(shù)的迅速發(fā)展和智能電表［1］的廣泛應(yīng)用，海量電能信息為負(fù)荷監(jiān)測提供了強(qiáng)大的數(shù)據(jù)支撐。負(fù)荷監(jiān)測一方面能夠讓用戶詳細(xì)了解各時(shí)間段內(nèi)不同家用電器的電能消耗情況，幫助其制定節(jié)能計(jì)劃，減少用電開支，另一方面能夠幫助供電部門制定調(diào)度策略，維持電網(wǎng)穩(wěn)定運(yùn)行［2］。

上世紀(jì)90年代，麻省理工學(xué)院的HART首次提出了非侵入式負(fù)荷監(jiān)測［3］（non-invasive load monitoring， NILM）的概念，之后也被稱作非侵入式負(fù)荷分解（non-invasive load decomposition， NILD），其主要理念是通過分析用戶總線的電能數(shù)據(jù)，得到各用電器的工作狀態(tài)信息。經(jīng)過30年的發(fā)展，NILD技術(shù)的研究方法越來越豐富。文獻(xiàn)［4］提出將功率特征與總諧波失真系數(shù)一并加入目標(biāo)函數(shù)，運(yùn)用動(dòng)態(tài)自適應(yīng)粒子群算法對負(fù)荷數(shù)據(jù)進(jìn)行分解；文獻(xiàn)［5］對多特征遺傳算法的尋優(yōu)函數(shù)進(jìn)行改進(jìn)，將負(fù)荷諧波特征作為尋優(yōu)目標(biāo)以實(shí)現(xiàn)用電器工作狀態(tài)辨識(shí)；文獻(xiàn)［6］根據(jù)電壓電流數(shù)據(jù)計(jì)算暫態(tài)功率波形，在一定時(shí)間周期內(nèi)對負(fù)荷進(jìn)行關(guān)聯(lián)分析從而確定用電器的暫態(tài)特征。此類方法無需訓(xùn)練、收斂速度快，但對數(shù)據(jù)采集有較高的要求，不僅采集頻率高，且噪聲波動(dòng)對識(shí)別效果的影響較大。

近年來神經(jīng)網(wǎng)絡(luò)算法在圖像處理、模式識(shí)別等領(lǐng)域的發(fā)展十分迅速［7］，已經(jīng)有學(xué)者將其應(yīng)用于NILD領(lǐng)域。文獻(xiàn)［8］將負(fù)載電流的直流分量等6種特征量作為輸入，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)識(shí)別負(fù)載類型。文獻(xiàn)［9］提出在輸入端加入負(fù)載投切狀態(tài)的暫態(tài)能量能夠提高BP神經(jīng)網(wǎng)絡(luò)模型的識(shí)別準(zhǔn)確率。文獻(xiàn)［10］將小波包能量作為負(fù)荷特征，構(gòu)建GRU-BP神經(jīng)網(wǎng)絡(luò)模型來對負(fù)荷特征進(jìn)行識(shí)別。然而BP神經(jīng)網(wǎng)絡(luò)屬于靜態(tài)模型，對于處理負(fù)荷特征這類時(shí)間維度上的動(dòng)態(tài)信息的能力較差。

針對以上研究中存在的不足，本文提出了一種基于改進(jìn)密度峰值聚類算法與改進(jìn)灰狼算法優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)的非侵入式負(fù)荷分解方法。首先結(jié)合K最鄰近算法（K-nearest neighbor， KNN）的思想對DPC算法的局部密度計(jì)算方法進(jìn)行改進(jìn)，以避免負(fù)荷數(shù)據(jù)疏密程度差異性對聚類結(jié)果產(chǎn)生的影響，以有功功率、無功功率、電流三種穩(wěn)態(tài)特征為依據(jù)，運(yùn)用改進(jìn)DPC算法劃分用電器工作狀態(tài)，建立負(fù)荷特征庫。其次，Elman神經(jīng)網(wǎng)絡(luò)是一種典型的動(dòng)態(tài)遞歸網(wǎng)絡(luò)模型，與目前應(yīng)用較多的BP神經(jīng)網(wǎng)絡(luò)不同的是，其隱藏層部分增加了一個(gè)承接層結(jié)構(gòu)，能夠起到延時(shí)算子的作用，對動(dòng)態(tài)問題的處理能力明顯優(yōu)于BP神經(jīng)網(wǎng)絡(luò)，因此本文利用Elman神經(jīng)網(wǎng)絡(luò)來進(jìn)行負(fù)荷分解。然后，為使Elman神經(jīng)網(wǎng)絡(luò)在負(fù)荷分解中的訓(xùn)練效果達(dá)到最佳，本文提出一種基于IGWO算法優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)參數(shù)的混合模型。相較于傳統(tǒng)灰狼優(yōu)化算法（grey wolf optimizer， GWO），IGWO算法首先利用混沌序列生成多樣性更好的初始狼群，引入一種非線性收斂因子，并對決策層個(gè)體添加混沌擾動(dòng)，以此來提高算法的全局搜索能力和搜索精度。最后，本文構(gòu)建了一種基于改進(jìn)DPC-IGWO-Elman的負(fù)荷分解模型，并在Ampds2公開數(shù)據(jù)集上驗(yàn)證該模型的有效性。

1 算法相關(guān)原理及步驟

1.1 改進(jìn)密度峰值聚類算法

DPC算法是由Alex Rodriguez 和 Alessandro Laio于2014年提出的一種基于密度的聚類算法［11］，能夠快速識(shí)別各種形狀的類簇。DPC算法的提出主要基于以下兩點(diǎn)思想：1）在一個(gè)簇中，聚類中心的局部密度比它周圍點(diǎn)的局部密度更大；2）聚類中心與其他具有更高局部密度的點(diǎn)之間的距離較遠(yuǎn)。針對這兩點(diǎn)思想做出以下的數(shù)學(xué)描述。在數(shù)據(jù)集X=x1，x2，…，xn中，di，j表示點(diǎn)xi與xj之間的歐氏距離，dc為事先選取的截?cái)嗑嚯x參數(shù)。

局部密度ρi的截?cái)嗪擞?jì)算方法為：

1.2.2 基于改進(jìn)灰狼優(yōu)化算法的Elman網(wǎng)絡(luò)模型

Elman神經(jīng)網(wǎng)絡(luò)是一種具有局部記憶功能的前饋型神經(jīng)網(wǎng)絡(luò)，不僅具備基本的輸入層、隱藏層和輸出層，其隱藏層部分還有一個(gè)特殊的承接層。承接層能夠儲(chǔ)存來自隱藏層上一時(shí)刻的輸出數(shù)據(jù)，再將儲(chǔ)存的數(shù)據(jù)和當(dāng)前時(shí)刻來自輸入層的數(shù)據(jù)一并輸入隱藏層，這種自聯(lián)方式使得系統(tǒng)對歷史信息更加敏感，從而提升系統(tǒng)對動(dòng)態(tài)問題的處理能力［16］。

非侵入式負(fù)荷分解的目的是根據(jù)總的用電數(shù)據(jù)得到各用電器的工作狀態(tài)信息，本文將總有功功率P，總無功功率Q和總電流I作為Elman神經(jīng)網(wǎng)絡(luò)的輸入，將用電器的工作狀態(tài)標(biāo)簽作為輸出。其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

其數(shù)學(xué)模型如下：

y（k）=g（ω3x（k）+b2）（18）

x（k）=f（ω1xc（k）+ω2（u（k-1））+b1）（19）

xc（k）=x（k-1）（20）

式中：k、k-1均表示時(shí)刻，y、x、u分別表示輸出節(jié)點(diǎn)向量、隱藏層節(jié)點(diǎn)向量和輸入向量，xc表示反饋狀態(tài)向量，ω1、ω2、ω3分別表示承接層與隱藏層，輸入層與隱藏層，隱藏層與輸出層之間的連接權(quán)值，b1、b2分別表示輸入層與隱藏層的閾值，函數(shù)f（x）、g（x）分別表示隱藏層神經(jīng)元與輸出層神經(jīng)元的傳遞函數(shù)，本文分別選用tansig和purelin函數(shù)。Elman神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)指標(biāo)函數(shù)為：

E（ω）=∑nk=1（yk（ω）-zk（ω））2（21）

式中：yk（ω）為網(wǎng)絡(luò)輸出，zk（ω）為期望輸出。

Elman神經(jīng)網(wǎng)絡(luò)對初始權(quán)值與閾值較敏感，而傳統(tǒng)Elman神經(jīng)網(wǎng)絡(luò)的初始權(quán)值與閾值一般由系統(tǒng)隨機(jī)生成，使得網(wǎng)絡(luò)訓(xùn)練效果無法達(dá)到最佳。因此本文運(yùn)用IGWO算法對初始權(quán)值與閾值進(jìn)行尋優(yōu)，將Elman神經(jīng)網(wǎng)絡(luò)的初始權(quán)值與閾值認(rèn)定為狼群的位置信息。狼群在狩獵過程中不斷更新自己的位置以靠近獵物， 相當(dāng)于Elman神經(jīng)網(wǎng)絡(luò)不斷更新初始權(quán)值與閾值以達(dá)到最佳訓(xùn)練效果。IGWO-Elman神經(jīng)網(wǎng)絡(luò)算法步驟如下：

1）提取樣本數(shù)據(jù)，劃分訓(xùn)練集與測試集，確定Elman神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)；

2）確定灰狼種群大小、維度以及上下邊界，生成狼群初始位置，每只灰狼個(gè)體的位置信息代表一組網(wǎng)絡(luò)初始權(quán)值與閾值；

3）將每只灰狼個(gè)體的位置信息代入網(wǎng)絡(luò)中進(jìn)行訓(xùn)練， 根據(jù)訓(xùn)練結(jié)果與適應(yīng)度函數(shù)求得每只灰狼個(gè)體的適應(yīng)度值，保存適應(yīng)度值最小的三只狼α、β、δ；

4）更新所有灰狼位置，并更新a、A、C。再將新的位置信息代入網(wǎng)絡(luò)完成訓(xùn)練，根據(jù)適應(yīng)度值確定新的α、β、δ；

5）判斷當(dāng)前迭代次數(shù)是否達(dá)到最大迭代次數(shù)，若達(dá)到，則輸出α的位置信息為最佳初始權(quán)值與閾值，若未達(dá)到，則返回步驟3）；

6）運(yùn)用最佳初始權(quán)值與閾值構(gòu)建Elman神經(jīng)網(wǎng)絡(luò)，運(yùn)用訓(xùn)練集進(jìn)行網(wǎng)絡(luò)訓(xùn)練，當(dāng)訓(xùn)練誤差達(dá)到預(yù)期值或訓(xùn)練次數(shù)達(dá)到上限時(shí)，訓(xùn)練結(jié)束。

IGWO-Elman流程如圖2所示。

1.3 基于改進(jìn)DPC-IGWO-Elman的負(fù)荷分解算法總體流程

本文提出的負(fù)荷分解流程如圖3所示，主要分為負(fù)荷特征分析與負(fù)荷分解模型搭建兩部分。

1）運(yùn)用DPC-KNN算法對用電器有功功率P，無功功率Q和電流I進(jìn)行聚類分析，劃分用電器工作狀態(tài)，完成采樣點(diǎn)打標(biāo)簽工作，將各聚類中心點(diǎn)的數(shù)值寫入負(fù)荷特征庫；

2）運(yùn)用Elman神經(jīng)網(wǎng)絡(luò)搭建負(fù)荷分解模型，將訓(xùn)練集中總負(fù)荷數(shù)據(jù)組成的矩陣X1作為網(wǎng)絡(luò)輸入，對應(yīng)的各用電器工作狀態(tài)標(biāo)簽組成的矩陣L1作為網(wǎng)絡(luò)輸出進(jìn)行網(wǎng)絡(luò)訓(xùn)練，運(yùn)用IGWO算法對網(wǎng)絡(luò)的初始權(quán)值與閾值進(jìn)行尋優(yōu)；

3）將訓(xùn)練集的總負(fù)荷數(shù)據(jù)組成的矩陣X2輸入訓(xùn)練好的網(wǎng)絡(luò)，得到待識(shí)別的工作狀態(tài)標(biāo)簽矩陣L2，根據(jù)L2與負(fù)荷特征庫信息完成負(fù)荷分解。

2 算例分析

AMPds2數(shù)據(jù)集［17］記錄了某加拿大家庭兩年內(nèi)19種用電器的用電數(shù)據(jù)，采集頻率為1/60 Hz，本文選取其中30天內(nèi)6種用電器的數(shù)據(jù)來進(jìn)行負(fù)荷分解。

2.1 用電器工作狀態(tài)劃分

有功功率作為用電器最典型的負(fù)荷特征之一，能夠較好地反映出用電器的工作狀態(tài)信息，然而依然存在用電器有功功率相同時(shí)，無功功率與電流相差較大的情況，為了更為準(zhǔn)確地劃分用電器工作狀態(tài)，提取負(fù)荷特征庫，本文對6種用電器30天內(nèi)的PQI數(shù)據(jù)進(jìn)行聚類分析。將運(yùn)用DPC-KNN算法得到的聚類結(jié)果與運(yùn)用傳統(tǒng)DPC算法以及K均值聚類算法（K-means）所得到的結(jié)果進(jìn)行對比，運(yùn)用K-means算法時(shí)，將其類數(shù)設(shè)置為與DPC-KNN算法得到的類數(shù)相同。以SS值作為評價(jià)指標(biāo)，對比結(jié)果如表1所示。

由表1中的類數(shù)可知，傳統(tǒng)DPC算法得到的類數(shù)普遍偏多，這是由于運(yùn)用DPC算法生成的決策圖中決策值最大的點(diǎn)都集中在數(shù)據(jù)分布最密集的區(qū)域，使得這些區(qū)域內(nèi)出現(xiàn)了多個(gè)聚類中心，然而這些聚類中心的數(shù)據(jù)差值很小，劃分不具有代表性，單純地通過調(diào)整截?cái)嗑嚯x參數(shù)dc也無法解決該問題。而DPC-KNN算法通過改進(jìn)局部密度的計(jì)算方法，有效避免了數(shù)據(jù)分布密集程度差異性對聚類結(jié)果產(chǎn)生的影響。由表1中SS值可知，在類數(shù)相同的情況下，DPC-KNN算法的聚類效果優(yōu)于K-means算法。圖4、圖5為用電器熱泵的PQI數(shù)據(jù)分別運(yùn)用DPC與DPC-KNN算法得到的聚類結(jié)果。由圖4可以看出，DPC算法得到的6個(gè)聚類中心點(diǎn)中有4個(gè)都位于數(shù)據(jù)分布最集中的區(qū)域，從而導(dǎo)致聚類結(jié)果不均勻。圖5中算法有效解決了聚類中心分布不均的問題，聚類結(jié)果更符合實(shí)際情況。

根據(jù)DPC-KNN算法聚類的結(jié)果來劃分用電器的工作狀態(tài)，并給每個(gè)采樣點(diǎn)確定相應(yīng)的工作狀態(tài)標(biāo)簽，類的數(shù)量即為該用電器的工作狀態(tài)數(shù)量，以每個(gè)類的聚類中心數(shù)值代表該狀態(tài)的負(fù)荷信息，6種用電器的工作狀態(tài)編號以及負(fù)荷特征信息如表2所示。

2.2 用電器工作狀態(tài)識(shí)別及功率擬合

將總的PQI數(shù)據(jù)作為IGWO-Elman神經(jīng)網(wǎng)絡(luò)輸入，6種用電器工作狀態(tài)標(biāo)簽作為網(wǎng)絡(luò)輸出來構(gòu)建IGWO-Elman神經(jīng)網(wǎng)絡(luò)模型。在30 d的數(shù)據(jù)中，選取包含6種用電器所有工作狀態(tài)的2500條數(shù)據(jù)，其中80%作為訓(xùn)練集，20%作為測試集。在輸入網(wǎng)絡(luò)之前將訓(xùn)練集的順序隨機(jī)打亂，測試集保留原始順序。由于輸入為3組數(shù)據(jù)，故輸入層神經(jīng)元結(jié)點(diǎn)數(shù)為3，輸出層神經(jīng)元結(jié)點(diǎn)數(shù)為6種用電器的工作狀態(tài)個(gè)數(shù)總和19。本文運(yùn)用獨(dú)熱編碼方式對用電器工作狀態(tài)標(biāo)簽進(jìn)行編碼，網(wǎng)絡(luò)輸出如表3所示。

首先根據(jù)文獻(xiàn)［16］中所提出的經(jīng)驗(yàn)公式確定隱藏層神經(jīng)元結(jié)點(diǎn)數(shù)最優(yōu)區(qū)間，再通過實(shí)驗(yàn)對比確定最佳的神經(jīng)元結(jié)點(diǎn)數(shù)，承接層神經(jīng)元結(jié)點(diǎn)數(shù)與隱藏層神經(jīng)元結(jié)點(diǎn)數(shù)相等。經(jīng)對比實(shí)驗(yàn)求得當(dāng)隱藏層神經(jīng)元結(jié)點(diǎn)數(shù)為6時(shí)模型的識(shí)別準(zhǔn)確率最高。IGWO的尋優(yōu)對象包含圖1中的ω1、ω2、ω3和b1、b2，灰狼種群維度計(jì)算方法為：

D=LinLh+L2h+LhLout+Lh+Lout（22）

式中：Lin為輸入層神經(jīng)元結(jié)點(diǎn)數(shù)，Lh為隱藏層與承接層神經(jīng)元結(jié)點(diǎn)數(shù)，Lout為輸出層神經(jīng)元結(jié)點(diǎn)數(shù)。因?yàn)榫W(wǎng)絡(luò)結(jié)構(gòu)為3-6-19，故灰狼種群維度為193。

設(shè)置網(wǎng)絡(luò)迭代次數(shù)為1000次，訓(xùn)練精度為0.001，學(xué)習(xí)率為0.01；設(shè)置初始化狼群位置區(qū)間為［-1，1］，狼群種群數(shù)為50只，最大迭代次數(shù)為200次。定義適應(yīng)度函數(shù)為：

fitness=1N∑Ni=1∑Mj=1yj-dj2（23）

式中：M為輸出層神經(jīng)元結(jié)點(diǎn)數(shù)，N為測試集數(shù)據(jù)組數(shù)，yj為網(wǎng)絡(luò)模型輸出標(biāo)簽，dj為真實(shí)標(biāo)簽。

網(wǎng)絡(luò)的輸出為用電器工作狀態(tài)標(biāo)簽，而每個(gè)標(biāo)簽都有特定的負(fù)荷信息與之對應(yīng)，將標(biāo)簽替換為相應(yīng)的有功功率值就能得到6種用電器的有功功率擬合情況。本文以用電器工作狀態(tài)識(shí)別準(zhǔn)確率acc以及均方根誤差RMSE對負(fù)荷分解結(jié)果進(jìn)行評價(jià)，其計(jì)算方法為：

acc=QM（24）

RMSE=1M∑Mi=1（p^i-pi）2（25）

式中：Q為網(wǎng)絡(luò)模型識(shí)別用電器工作狀態(tài)標(biāo)簽與實(shí)際工作狀態(tài)標(biāo)簽相同的樣本數(shù)量，M為總樣本數(shù)量，i為識(shí)別后的擬合功率，pi為實(shí)際功率。

為了驗(yàn)證IGWO-Elman神經(jīng)網(wǎng)絡(luò)的有效性，本文運(yùn)用GWO-Elman神經(jīng)網(wǎng)絡(luò)、Elman神經(jīng)網(wǎng)絡(luò)以及BP神經(jīng)網(wǎng)絡(luò)進(jìn)行對比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表4所示。

由表4可以看出，BP神經(jīng)網(wǎng)絡(luò)的辨識(shí)效果最差，Elman神經(jīng)網(wǎng)絡(luò)因其獨(dú)特的承接層結(jié)構(gòu)使得辨識(shí)效果有所提升，GWO算法在一定程度上對網(wǎng)絡(luò)進(jìn)行了優(yōu)化，而本文提出的IGWO-Elman模型具有最高的識(shí)別率以及最好的有功功率擬合效果。圖6至圖11為6種用電器的有功功率擬合。

由圖6至圖11可以看出，模型的輸出結(jié)果出現(xiàn)了一些用電器工作狀態(tài)誤判以及有功功率擬合與實(shí)際不相符的情況，但出現(xiàn)誤判的概率較小，整體上效果較好。

3 結(jié)論

本文提出了一種改進(jìn)密度峰值聚類算法與改進(jìn)灰狼算法優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)相結(jié)合的非侵入式負(fù)荷分解方法。首先提取AMPds2公開數(shù)據(jù)集中30 d內(nèi)的6種用電器的負(fù)荷數(shù)據(jù)，運(yùn)用結(jié)合K最鄰近算法思想的改進(jìn)密度峰值聚類算法進(jìn)行聚類分析，從而得到用電器的工作狀態(tài)標(biāo)簽以及負(fù)荷特征信息，通過與傳統(tǒng)DPC算法和K-means算法對比，驗(yàn)證了DPC-KNN算法在負(fù)荷特征劃分中的優(yōu)越性。運(yùn)用Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行負(fù)荷分解，針對傳統(tǒng)GWO算法收斂速度慢、易陷入局部最優(yōu)的問題，提出3點(diǎn)改進(jìn)策略并將其應(yīng)用于網(wǎng)絡(luò)優(yōu)化，從而構(gòu)建IGWO-Elman負(fù)荷分解模型。通過與GWO-Elman神經(jīng)網(wǎng)絡(luò)、Elman神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)進(jìn)行對比，證明本文模型具有更高的辨識(shí)準(zhǔn)確率和更好的有功功率擬合效果。之后的研究應(yīng)考慮增加模型輸入特征因素，進(jìn)一步提升模型的普適性。

［ 參 考 文 獻(xiàn) ］

［1］ 馬紅明，申洪濤，孫勇強(qiáng)，等.基于智能電表數(shù)據(jù)的家庭特征聯(lián)合預(yù)測算法［J］.計(jì)算機(jī)應(yīng)用與軟件，2022，39（02）：208-214.

［2］ 田豐，鄧曉平，張桂青，等.基于改進(jìn)kNN算法與暫穩(wěn)態(tài)特征的非侵入式負(fù)荷監(jiān)測方法［J］.計(jì)算機(jī)與現(xiàn)代化，2022（10）：29-35.

［3］ HART G W . Nonintrusive appliance load monitoring［J］. Proceedings of the IEEE， 1992， 80（12）：1870-1891.

［4］ 孫毅，張璐，趙洪磊，等.基于動(dòng)態(tài)自適應(yīng)粒子群算法的非侵入式家居負(fù)荷分解方法［J］.電網(wǎng)技術(shù)， 2018， 42（06）： 1819-1826.

［5］ 孫毅，崔燦，陸俊，等.基于遺傳優(yōu)化的非侵入式家居負(fù)荷分解方法［J］.電網(wǎng)技術(shù)，2016，40（12）：3912-3917.

［6］ 趙文清，張?jiān)姖M，李剛.基于聚類和關(guān)聯(lián)分析的居民用戶非侵入式負(fù)荷分解［J］.電力自動(dòng)化設(shè)備， 2020， 40（06）： 8-19.

［7］ 唐建軍，李興秀，華晶，等.基于神經(jīng)網(wǎng)絡(luò)的心電圖檢測分類綜述［J］.計(jì)算機(jī)應(yīng)用與軟件，2021，38（05）：1-9.

［8］ 邢燕. 基于物聯(lián)網(wǎng)的校園智能用電管理系統(tǒng)［D］.濟(jì)南：山東建筑大學(xué)，2021.

［9］ CHANG H H， LIN C L， LEE J K. Load identification in nonintrusive load monitoring using steady-state and turn-on transient energy algorithms［C］∥The 2010 14th International Conference on Computer Supported Cooperative Work in Design. IEEE， 2010： 27-32.

［10］ 張春健. 非侵入式家居電器負(fù)荷識(shí)別方法研究及應(yīng)用［D］.濟(jì)南：山東大學(xué)，2021.

［11］ RODRIGUEZ A， LAIO A. Clustering by fast search and find of density peaks［J］. Science， 2014， 344（6191）： 1492-1496.

［12］ 陳葉旺，申蓮蓮，鐘才明，等.密度峰值聚類算法綜述［J］.計(jì)算機(jī)研究與發(fā)展，2020，57（02）：378-394.

［13］ 婁藕蝶. 非侵入式負(fù)荷特征提取與識(shí)別研究［D］.南京：東南大學(xué)， 2018.

［14］ MIRJALILI S， MIRJALILI S M， LEWIS A. Grey wolf optimizer［J］. Advances in Engineering Software， 2014， 69（03）：46-61.

［15］ 單梁，強(qiáng)浩，李軍，等.基于Tent映射的混沌優(yōu)化算法［J］.控制與決策，2005，20（02）：179-182.

［16］ 陳法法，湯寶平，黃慶卿.免疫遺傳優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)機(jī)械故障診斷［J］.重慶大學(xué)學(xué)報(bào)，2012，35（05）：7-13.

［17］ MAKONIN S， ELLERT B， BAJIC′ I V， et al. Electricity， water， and natural gas consumption of a residential house in Canada from 2012 to 2014［J］. Scientific data， 2016， 3（01）： 1-12.

Load Decomposition Method Based on Improved Dpc-Igwo-Elman

HU Sheng，YUAN Gongjin，LIU Cong

（School of Electrical and Electronic Engin.， Hubei Univ. of Tech.， Wuhan 430068，China）

Abstract： Aiming at the problems of single load characteristics and low decomposition accuracy in existing decomposition methods， a non-intrusive load decomposition method combining the improved density peak clustering algorithm and Elman neural network optimized by the improved gray wolf optimization algorithm was proposed. Firstly， the calculation method of local density was improved for the lack of adaptive ability of Clustering by fast search and find of density peaks （DPC） when dealing with complex data sets， and the improved DPC was applied to the clustering analysis of electrical load data， then the working status labels of electrical appliances were obtained and coded. Subsequently， Elman neural network was used to construct the decomposition model and improved grey wolf optimizer （IGWO） was applied to optimize the network parameters. Finally， according to the network output code， the working state labels of the electrical appliance were obtained， and the active power was fitted according to the corresponding load characteristic information， then the load decomposition was completed. The test and experimental comparison on public data sets proved that the load identification accuracy and active power fitting effect of IGWO Elman model were better than other models.

Keywords： non-intrusive load decomposition; density peak clustering algorithm; grey wolf optimizer; Elman neural network

［責(zé)任編校： 閆 品］

［收稿日期］ 2022-10-28

［基金項(xiàng)目］ 青年科學(xué)基金項(xiàng)目（61901165 ）

［第一作者］ 胡 勝（1982-）， 男， 湖南長沙人， 湖北工業(yè)大學(xué)講師， 研究方向?yàn)橥ㄐ偶夹g(shù)與人工智能算法。

［通信作者］ 袁功進(jìn)（1998-）， 男， 湖北黃岡人， 湖北工業(yè)大學(xué)碩士研究生， 研究方向?yàn)榉乔秩胧截?fù)荷分解與模式識(shí)別。

［文章編號］ 1003-4684（2024）05-0001-07