基于HVD算法的消費端用電負荷動態監測方法

摘 要：當監測消費端用電負荷時，會產生大量數據，容易出現數據擬合現象，使最終監測結果平均絕對誤差（MAE）較大。因此，本文提出了基于HVD算法的消費端用電負荷動態監測方法。結合邊緣計算設備和區域級云平臺，制定消費端用電負荷監測任務分配策略。利用HVD算法分解電力信號，通過平方包絡譜分析法，提取用電負荷信號特征。建立用電行為分析貝葉斯網絡，輸入信號提取結果，輸出動態負荷監測值。試驗結果表明，本文研究方法檢測結果的MAE＜0.1，滿足用電負荷檢測要求。

關鍵詞：HVD算法；信號分解；貝葉斯網絡；消費端；用電負荷；動態監測

中圖分類號：TM 714" " " " " " " " 文獻標志碼：A

消費端用電負荷是一個動態變化量，它受到終端用戶的用電行為、需求峰谷變化和季節變化等多種因素的影響。通過實時監測和管理消費端用電負荷，可以實現精細化調度、高效能源利用和能源交互等目標，推動智能電網和能源互聯網的發展。因此，研究消費端用電負荷監測具有重要意義。

常喜強等[1]提出了基于門控循環單元神經網絡以及負荷激活提取的非侵入式負荷監測算法。獲取消費端用電數據并完成去噪處理后，提取負荷激活信息。以門控循環單元為基礎，構建非侵入式負荷監測模型。田豐等[2]提出了基于距離權重統計方法的改進kNN算法，設計負荷動態識別模型，根據電力負荷數據的暫態特征和穩態特征，完成用電負荷動態監測。但是，該方法的監測結果容易受到噪聲干擾。上述2種方法均存在較大平均絕對誤差。

針對上述問題，本文提出了一種基于HVD算法的消費端用電負荷動態監測方法。通過采集用電端電壓信號，運用HVD算法提取用電負荷信號特征，并構建消費端用電負荷動態監測模型，實現消費端用電負荷動態監測。該監測方法精度高、實時性強且穩定性好。

1 消費端用電負荷動態監測方法

建立負荷監測任務分配策略能夠最大程度地提升負荷監測任務的執行效率。采用HVD算法提取用電負荷信號特征，基于貝葉斯網絡，構建消費端用電負荷動態監測模型，實現消費端用電負荷動態監測。

1.1 建立負荷監測任務分配策略

結合邊緣計算概念和電力信息采集系統[3]，在區域級云平臺環境中建立邊緣計算模型。消費端用電負荷監測邊緣計算模型框架如圖1所示。

該模型的任務分配模式如下。非侵入式負荷監測任務隊列中的每個任務可以在本地計算設備中執行，也可以通過通信信道上傳至邊緣計算服務器中執行。區域級云平臺作為邊緣計算模型框架的重要組成部分，承擔著制定任務分配策略的責任。根據區域消費端用電負荷監測的能效代價，設置負荷動態監測任務的分配權重。再以能效代價最小為目標，定義最優任務分配方案對應的數學模型，并針對任務分配模型給出最大計算能力和信道帶寬等約束條件[4]，保證最終求出分配方法是合理的。

1.2 基于HVD算法提取用電負荷信號特征

執行任意一個消費端用電負荷動態監測任務，都需要從歷史用電負荷數據入手。引入HVD概念[5]，設置固定的模態分解個數和后得到多個用電負荷信號分解分量，找到最優分量后即可提取用于用電負荷動態監測的信號特征。當應用HVD算法對預處理后的電力負荷信號進行分解時，需要先進行希爾伯特變換，得到原始信號的解析結果，如公式（1）所示。

?（t）=x（t）+jH（x（t）） （1）

式中：t為信號采樣時間；x為預處理后的電力負荷信號；?為解析信號；j為虛數單位；H為希爾伯特變換因子。

按照上述操作得到原始消費端用電負荷信號包括的多個信號分量后，從眾多信號中篩選最具代表性的重構信號，再利用平方包絡譜分析法進一步分析所選信號分量的重構信號，得到信號特征信息。其中，敏感信號分量的篩選指標為最大包絡峰度，具體計算過程如公式（2）、公式（3）所示。

（2）

Emax=max（Enmax） （3）

式中：E（i）為信號分量i時的包絡峰度；βki為信號分量i時的第k個模態分解數的包絡；Emax為最大包絡峰度；Enmax為第n個樣本數量的最大包絡峰度。

基于最大包絡峰度指標搜索最敏感的信號分量，對篩選的信號分量進行平方操作，得到信號的平方值，利用希爾伯特變換對平方后的信號進行包絡計算，得到信號的包絡曲線。針對包絡曲線進行譜分析，得到信號的頻譜信息，從中選取峰值、中心頻率等特征信息。

1.3 構建消費端用電負荷動態監測模型

為了將歷史消費端用電負荷信號特征提取結果應用于負荷動態監測過程中，本研究采用專家知識與數據學習相結合的方法，構建一個可以進行用電行為分析的貝葉斯網絡，如圖2所示。

基于圖2所示的貝葉斯網絡，明確不同影響因素和電氣特征之間的關聯性，將上文提取的信號特征輸入模型中，計算當前數據屬于某個用電類別的后驗概率，如公式（4）所示。

（4）

式中：X為影響用戶行為發生的外界因素；Yu為消費端用電行為類型；Z為電氣特征；P為概率。

根據后驗概率計算結果，找到最大后驗概率對應的用電行為類別，作為負荷辨識結果，保存至用電行為規則庫內充當網絡更新訓練數據。結合對負荷辨識結果的評價，更新規則庫中用電行為樣本頻次信息和總樣本數量，得到動態用電負荷監測所需的基本數據。更新實時貝葉斯網絡負荷辨識結果后，即可根據當前辨識數據得到消費端用電負荷變化情況，完成用電負荷動態監測。

2 試驗分析

2.1 試驗準備

為了驗證基于HVD算法的消費端用電負荷動態監測方法的應用效果，試驗所需數據主要來自2020—2022年英格蘭地區的10座住宅建筑。在試驗準備階段，主要選取洗衣機、水壺、洗碗機和微波爐4類設備的負荷數據，組成數據集。應用文獻[1]和文獻[2]方法，進行同樣的消費端用電負荷動態監測試驗，將兩者的監測結果與本文研究方法監測結果進行對比，利用指標MAE衡量本文方法的效果，如公式（5）所示。

（5）

式中：G為監測時間周期；?g為時間點g消費端某個家用電器真實負荷值；λg為時間點g動態監測得到的負荷值。

2.2 信號特征提取

以2號住宅建筑中的家庭為例，從數據集中找到歷史負荷數據，并應用HVD算法分解原始用電負荷信號，如圖3所示。

進一步分析上述 3 個分解得到的信號分量，求得三者的最大包絡峰度值分別為0.23、0.26和0.31。經過對比可以看出，第三個信號分量包絡峰度值最大，選取該信號分量提取特征信息。

2.3 消費端用電負荷動態監測結果

明確消費端用電負荷信號的特征后，基于貝葉斯網絡模型識別具體的負荷類型，并針對每類負荷完成動態監測。以洗衣機為例，本文研究方法、文獻[1]方法以及文獻[2]方法的監測結果見表1。

根據表1可知，本文研究方法與其他2種方法均可以完成消費端用電負荷動態監測，但是3種方法監測結果存在差異。為了進一步衡量監測結果的準確程度，記錄目標家庭的真實消費端用電負荷，結合監測結果進行計算，得到不同方法MAE對比結果，如圖4所示。

根據圖4可知，應用本文研究方法后，消費端用電負荷動態監測結果的MAE﹤1.0，基本滿足了負荷監測精度要求，采用另外2種對比方法的監測結果MAE明顯大于采用本文研究方法的MAE，這個試驗結果充分驗證了本文研究方法的優越性能。

3 結語

本文通過理論分析和試驗，驗證了HVD算法在用電負荷動態監測中的有效性，本文研究方法能夠精確監測用電負荷的波動，并對噪聲和干擾具有更高的魯棒性。此外，本文研究方法還可以提供負荷失真的早期警告，從而幫助電力公司預防潛在的問題。

參考文獻

[1]常喜強，崔浩，楊茂.基于門控循環單元神經網絡及負荷激活提取的非侵入式負荷監測算法[J].電氣自動化，2023，45（4）：40-43.

[2]田豐，鄧曉平，張桂青，等.基于改進kNN算法與暫穩態特征的非侵入式負荷監測方法[J].計算機與現代化，2022（10）：29-35.

[3]陳薇，張昱波.智能用電非侵入式負荷監測系統分析[J].集成電路應用，2022，39（4）：116-117.

[4]蘭森林，王葉鋒，陳明，等.基于用電信息采集的非侵入式居民電力負荷自動監測系統[J].電子設計工程，2022，30（4）：101-105.

[5]陳飛，楊超.住宅用電非侵入式電力負荷監測與識別[J].智能計算機與應用，2021，11（9）：75-84.