汪四仙, 畢忠勤

(上海電力學院 計算機科學與技術學院, 上海 200090)

非侵入式電力負荷監(jiān)測技術研究

汪四仙, 畢忠勤

(上海電力學院 計算機科學與技術學院, 上海 200090)

非侵入式負荷監(jiān)測(NILM)技術通過分解總電力負荷數(shù)據(jù),使電力用戶了解不同時段各類設備的電能消耗,幫助決策者制定合理的節(jié)能計劃,減少能源開支,并對節(jié)能減排具有重要作用.分析了NILM相對于傳統(tǒng)侵入式負荷監(jiān)測的優(yōu)勢,具有成本低、部署簡單、擴展容易等特點.概述了NILM的基本框架,從監(jiān)督和非監(jiān)督算法兩個方面進行了詳細介紹.討論了現(xiàn)有的數(shù)據(jù)集和算法評價指標,并指出了目前NILM面臨的挑戰(zhàn).

非侵入式負荷監(jiān)測; 基本框架; 評價指標; 數(shù)據(jù)集

為了提高國網(wǎng)用電利用率,減少電力系統(tǒng)成本,加大用戶對電網(wǎng)的調節(jié)作用,讓老百姓享受到峰谷電價的優(yōu)惠,需要從各個家用設備的用電時間段和用電量著手,精確掌握其用電狀況,并進行細粒度的電力負荷監(jiān)測,這是電網(wǎng)智能化建設中非常關鍵的技術環(huán)節(jié).通過細粒度的能源消耗監(jiān)測,并將監(jiān)測信息反饋給消費者,可以有效解決能源的浪費,細化智能電表獲得的總負荷數(shù)據(jù)[1].為了實現(xiàn)這樣的監(jiān)測與反饋,研究者們提出了設備負荷監(jiān)測方法(Appliance Load Monitoring,ALM),主要包括侵入式負荷監(jiān)測(Intrusive Load Monitoring,ILM)和非侵入式負荷監(jiān)測(Non-Intrusive Load Monitoring,NILM).侵入式負荷監(jiān)測是在用戶的每個用電設備上安裝傳感器,用以采集其使用情況的數(shù)據(jù).該方法的優(yōu)點是監(jiān)測數(shù)據(jù)準確可靠,缺點是經濟成本高、實施性難度大、用戶接受程度較低.與ILM相比,NILM的經濟成本低,實用性強[2-5].隨著科技的發(fā)展,NILM的研究熱度又一次提升,但對于非侵入式負荷分解的研究還不夠深入,仍有較大的發(fā)展空間.

1 非侵入式負荷監(jiān)測概述

非侵入式負荷監(jiān)測由HART G W于20世紀80年代提出[6],其實質就是負荷分解,即對小區(qū)或家庭電力負荷入口的總負荷數(shù)據(jù)進行分解,包含電壓、電流、功率負荷等數(shù)據(jù).要達到這一目標,需要在小區(qū)或家庭總電力入口處安裝數(shù)據(jù)采集設備,如傳感器或智能電表,收集電壓、電流、功率數(shù)據(jù).通過分析這些數(shù)據(jù),有助于了解住宅的用電負荷情況,以及每個家用設備的用電情況,詳細到不同時刻的用電量和用電時間,進而獲取用戶用電的規(guī)律信息,提升從總負荷入口獲取的數(shù)據(jù)的應用價值,電力公司和電網(wǎng)可利用這些有價值的信息做出利國利民的決策.這一概念受到全球范圍內電力公司和科研機構的廣泛關注[7].隨著非侵入式負荷監(jiān)測系統(tǒng)的進一步研究,有限狀態(tài)機和連續(xù)可變狀態(tài)設備有了新的進展,其含義進一步擴展,演化為現(xiàn)今的NILM系統(tǒng).非侵入式負荷監(jiān)測系統(tǒng)如圖1所示.

圖1 NILM系統(tǒng)示意

各個設備功率的總和就是電力供給入口處的總功率,即:

(1)

由式(1)可知,單個用電設備的功率變化將引起系統(tǒng)總功率的變化,反之,系統(tǒng)總功率的改變必定是由單個用電設備運行狀態(tài)改變而導致的.于是可以根據(jù)系統(tǒng)總功率的變化情況來推測是由哪種電器所引起的,這就是NILM的基本概念.

自非侵入式負荷監(jiān)測系統(tǒng)概念提出以來,各國學者陸續(xù)提出了許多用于監(jiān)測和識別用電負荷的不同理念,并基于這些理念搭建了實際的負荷監(jiān)測系統(tǒng).現(xiàn)有的負荷監(jiān)測系統(tǒng)的基本框架如圖2所示.

圖2 NILM系統(tǒng)的基本框架

圖2中,數(shù)據(jù)采集模塊的作用是獲取原始數(shù)據(jù),即總負荷的穩(wěn)態(tài)和暫態(tài)信號.數(shù)據(jù)預處理模塊按預設前提對數(shù)據(jù)作一定的處理,如歸一化、頻譜計算等.事件檢測模塊對負荷投切操作進行檢測,可通過設定某一負荷特征的判定閾值來得知設備運行狀態(tài)的變化情況.

特征提取模塊是非侵入式負荷監(jiān)測系統(tǒng)的關鍵模塊,它可以從穩(wěn)態(tài)和暫態(tài)兩個方面提取負荷特征.提取穩(wěn)態(tài)特征時,對監(jiān)測系統(tǒng)的硬件水平要求較低,系統(tǒng)采樣頻率和計算能力較低,但穩(wěn)態(tài)負荷特征很難區(qū)分特征重疊事件.負荷暫態(tài)值比穩(wěn)態(tài)值更加難以測量,對硬件水平、采樣頻率的要求較高,但獲取波形、持續(xù)時間、諧波等暫態(tài)特征值,可以更好地定義設備狀態(tài)的轉變.

負荷識別模塊將特征提取模塊獲取的負荷特征與負荷特征數(shù)據(jù)庫進行對比,達到相似標準即可識別出相應設備.建立負荷特征數(shù)據(jù)庫的常用方法主要有兩種:一是人工記錄總結負荷特征;二是通過機器學習中的算法進行自動分類.第1種方法要浪費大量的人力物力,第2種方法是機器學習的分支,可選擇的算法有很多,故應用更為廣泛.

負荷管理模塊利用負荷識別模塊生成的信息得到用電設備詳細的耗能情況,引導用戶合理消費,進而優(yōu)化國家電力資源配置.

2 非侵入式電力負荷分解算法

非侵入式負荷分解算法分為監(jiān)督學習方法和非監(jiān)督學習方法兩種.本文總結了NILM中運用的監(jiān)督和非監(jiān)督方法,并進一步分析其局限性.

負荷識別在很大程度上取決于負荷特征,根據(jù)文獻[7],用戶設備可按照運行狀態(tài)分類如下.

(1) 1型 雙態(tài)設備,只有兩個運行狀態(tài),即開和關,如臺燈、烤面包機等.

(2) 2型 有限多狀態(tài)設備,有多個運行狀態(tài)且是有限個,這類設備也被稱為有限狀態(tài)機,如洗衣機、爐灶等.這些設備的開關模式是可重復的,便于負荷分解算法的識別.

(3) 3型 連續(xù)變狀態(tài)設備,功率可變但不是周期性變化,如調光燈和電動工具.

(4) 4型 恒定設備,一天24 h幾乎保持穩(wěn)定的有功和無功功率,如煙霧探測器、電話、有線電視接收機等.

2.1 監(jiān)督學習算法

SRINIVASAN D等人[4]提出了一種基于神經網(wǎng)絡的非侵入性諧波源識別算法,該方法從輸入電流波形中提取負荷特征,使用不同的諧波特征惟一性來惟一地識別各種類型的設備.KAMAT S P[5]提出了一種利用模糊識別進行負荷分解的方法.SUZUKI K等人[8]提出了基于整數(shù)規(guī)劃的非侵入式負荷分解算法.MARCHIORI A等人[9]用貝葉斯算法,對每一個設備都訓練一個樸素貝葉斯分類器,進而用分類器來識別單個設備的運行狀態(tài).此外,為了提高系統(tǒng)的識別精度和實時檢測狀態(tài)變化,使用貝葉斯網(wǎng)絡分析用戶行為,利用貝葉斯濾波器在線推理,提升分類器精度.KATO T等人[10]提出用支持向量機來分類設備,效果良好.

王志超[11]利用決策樹算法分治的思想,結合3種特征參數(shù)(功率變化參數(shù)、諧波含有率、電壓-電流軌跡)進行識別和分類,讓不同的特征參數(shù)發(fā)揮各自的優(yōu)勢,算法簡單、高效,有效減少了與數(shù)據(jù)庫比對的計算量.

2.2 非監(jiān)督學習算法

最近,研究人員開始探索在沒有先驗信息的條件下實現(xiàn)負荷分解.KIM F H等人[12]提出結合FHSMM(factoril hidden semi-Markon Model)和CFHM(Conditional Factorial Hidden Markov Model)兩種模型,產生新的模型CFHSM(Conditional Factorial Hidden Semi-Markon).實驗結果表明,CFHSM優(yōu)于其他非監(jiān)督學習算法,可以準確地將電力負荷數(shù)據(jù)分解為每個設備的電力使用信息.KOLTER J Z等人[13]提出了一種相關算法——加性因子近似最大后驗推理算法,已經被應用于負荷分解,該算法有較高的精度和召回率,且不受局部優(yōu)化的影響.

MARTINS J F等人[14]基于S變換提出了一種新的非侵入式電力負荷監(jiān)測模式,并給出了相應的監(jiān)測步驟.黎鵬[15]對穩(wěn)態(tài)特征進行分析,提出了一種基于最優(yōu)求解方法和表格法的非侵入式負荷分解算法.最優(yōu)求解方法可以在線確定不同類型設備的功耗比例,表格法在離線情況下形成估量電流和功率比例的對照表,在線情況下只要找到與實際測量的負荷電流最接近的估計電流,即可實現(xiàn)負荷分解.牛盧璐等人[16]提出了一種根據(jù)暫態(tài)事件自主監(jiān)測算法的NILM,該算法基于CUSUM滑動窗,精度較高,魯棒性強.

對負荷分解常用的學習算法進行比較,結果如表1所示.

表1 5種負荷分解算法的比較

3 算法評價指標

為了便于評估負荷分解算法,KOLTER J Z等人[17]構建了REDD(the Reference Energy Disaggregation Data Set)數(shù)據(jù)集,該數(shù)據(jù)集記錄了6個家庭短周期內的高頻和低頻數(shù)據(jù).ANDERSON K等人[18]構建了BLUED數(shù)據(jù)集,記錄了1個家庭的用電總負荷數(shù)據(jù),而不包含子表記錄數(shù)據(jù).BARKER S等人[19]構建了Smart數(shù)據(jù)集,包含3個家庭的總負荷數(shù)據(jù)和單個家庭的子表數(shù)據(jù).HOLCOMB C[22]構建的Pecan Street數(shù)據(jù)集包含10個家庭的總負荷數(shù)據(jù)和子表負荷數(shù)據(jù).ZIMMERMANN J P等人[20]構建了HES數(shù)據(jù)集,其來自251個家庭,但總負荷數(shù)據(jù)只采集了14個家庭.

然而,以上每個數(shù)據(jù)集的目標不同,導致了它們使用完全不同的格式,這就給數(shù)據(jù)集的工程應用造成了一定的障礙.為了解決這一問題,BATRA L N等人[21]提出了NILMTK-DF,這是啟發(fā)于REDD數(shù)據(jù)格式的一種公共數(shù)據(jù)集格式,可以轉換現(xiàn)有的數(shù)據(jù)集.NILMTK包含6大數(shù)據(jù)集的接口,即REDD,Smart,Pecan Street,iAWE,AMPds,UK-DALE.BLUED數(shù)據(jù)集因沒有子表數(shù)據(jù),HES數(shù)據(jù)集因時間約束,均不包括在NILMTK-DF內.NILMTK是一個非侵入式負荷監(jiān)控的工具包,于2014年發(fā)布,為支持能量分解研究提供了軟件基礎設施,旨在幫助研究人員評估NILM算法的精度.

ZEIFMAN等人[23]使用ROC曲線來比較不同模型的性能,該方法簡單、直觀,還可準確反映不同算法之間的區(qū)別.此外,部分研究還用到混淆矩陣、特征曲線等評價指標.

4 非侵入式負荷監(jiān)測技術面臨的挑戰(zhàn)

雖然NILM受到了廣大研究者的關注,但實現(xiàn)切實可行的NILM系統(tǒng)還面臨著不少的挑戰(zhàn).

(1) 由于每種設備的負荷特征存在高組間可變性,難以形成通用的負荷模型,而且大多數(shù)的功耗模型取決于特定的用戶設置.

(2) 低功耗家電有相似的功耗特性,增加了負荷識別任務的難度.

(3) 非侵入式負荷監(jiān)測在1型和2型設備的識別上表現(xiàn)良好,識別精度較高,但對3型和4型設備的識別難度比較大.

(4) 大多數(shù)的NILM方法要求離線訓練數(shù)據(jù),而且負荷特征數(shù)據(jù)庫也不可能包含各類設備的負荷特征,因此分解算法無法識別出不在特征數(shù)據(jù)庫中的新設備.

5 結 語

由于侵入式負荷監(jiān)測系統(tǒng)的高成本、低可靠性、實施難度高等缺陷,ALM領域的研究多集中于非侵入式負荷監(jiān)測.NILM在保持低成本和高可靠性的前提下,在設備負荷監(jiān)測上獲得了令人滿意的結果.本文闡述了NILM系統(tǒng)的概念,總結了負荷識別和算法評估的研究現(xiàn)狀,并進一步比較了兩種常用方法的優(yōu)缺點.

[1] DARBY S.The effectiveness of feedback on energy consumption[M].A Review for Defra of the Literature on Metering Oxford:Oxford University Press,2006:486.

[2] HART G W.Residential energy monitoring and computerized surveillance via utility power flows[J].IEEE Technology& Society Magazine,1989,8(2):12-16.

[3] FROEHLICH J,LARSON E,GUPTA S,etal.Disaggregated end-use energy sensing for the smart grid[J].IEEE Pervasive Computing,2010,10(1):28-39.

[4] SRINIVASAN D,NG W S,LIEW A C.Neural-network-based signature recognition for harmonic source identification[J].Power Delivery,IEEE Transactions on,2006,21(1):398-405.

[5] KAMAT S P.Fuzzy logic based pattern recognition technique for non-intrusive load monitoring[C]//TENCON 2b04.2004 IEEE Region 10 Conference,2004:528-530.

[6] HART G W.Nonintrusive appliance load monitoring[J].IEEE Proc.,1992(80):1 870-1 891.

[7] COLLINS K,MALLICK M,VOLPE G,etal.Smart energy monitoring and management system for industrial applications[C]//Electrical Power and Energy Conference,2012 IEEE.London:IEEE,2012:92-97.

[8] SUZUKI K,INAGAKI S,SUZUKI T,etal.Non-intrusive appliance load monitoring based on integer programming[C]//Int.Conference on Instrumentation,Control and Information Technology,Tokyo,Japan,2008:2 742-2 747.

[9] MARCHIORI A,HAKKARINEN D,HAN Q,etal.Circuit-level load monitoring for household energy management[J].IEEE Pervas Computer,2011(10):40-48.

[10] KATO T,CHO H S,LEE D.Appliance recognition from electric current signals for information-energy integrated network in home environments[C]//Proceedings of the 7th International Conference on Smart Homes and Health Telematics,Tours,France,2009:150-157.

[11] 王志超.住宅用電負荷的非侵入式監(jiān)測方法研究[D].重慶:重慶大學,2015.

[12] KIM Frequency H,MARWAH M,ARLITT M,etal.Unsupervised disaggregation of low power measurements[C]//On data mining Mesa,AZ,USA,Proceedings of the 11th SIAM International Conference,2011:28-30.

[13] KOLTER J Z,JAAKKOLA T.Approximate inference in additive factorial HMMs with application to energy disaggregation[J].Mach Leran.Res,2012(22):1 472-1 482.

[14] MARTINS J F,LOPES R,LIMA C,etal.A novel nonintrusive load monitoring system based on the S-transform[C]//Optimization of Electrical and Electronic Equipment (OPTIM),2012/13th International Conference on.IEEE,2012:973-978.

[15] 黎鵬.非侵入式電力負荷分解與監(jiān)測[D].天津:天津大學,2009.

[16] 牛盧璐,賈宏杰.一種適用于非侵入式負荷監(jiān)測的暫態(tài)事件檢測算法[J].電力系統(tǒng)自動化,2011,35(9):30-35.

[17] KOLTER J Z,JOHNSON M J.REDD:a public data set for energy disaggregation research[C]//Proceedings of 1st KDD Workshop on Data Mining Applications in Sustainability,San Diego,CA,USA,2011.

[18] ANDERSON K,OCNEANU A,BENITEZ D,etal.BLUED:a fully labeled public dataset for event-based non-intrusive load monitoring research[C]//Proceedings of end KDD Workshop on Data Mining Applications in Sustainability,Beijing,China,2012:12-16.

[19] BARKER S,MISHRA A,IRWIN D,etal.Smart*:an open data set and tools for enabling research in sustainable homes[C]//Proceedings of end KDD Workshop on Data Mining Applications in Sustainability,Beijing,China,2012.

[20] ZIMMERMANN J P,EVANS M,GRIGGS J,etal.Household electricity survey:a study of domestic electrical product usage[R].Technical Report 866141,DEFRA,May 2012.

[21] BATRAL N,KELLYZ J,PARSON O,etal.NILMTK:an open source toolkit for non-intrusive load nonitoring[J].Future Energy Systems,2014(4):265-276.

[22] HOLCOMB C.Pecan Street Inc:a test-bed for NILM[C]//International Workshop on Non-Intrusive Load Monitoring,Pittsburgh,PA,USA,2012.

[23] ZEIFMAN M.Disaggregation of home energy display data using probabilistic approach[C]//IEEE Traps.Consum.Electron,2012:23-31.

[24] LIANG J ,NG S,KENDALL G,etal.Load signature study Part I:Basic concept,structure methodology[J].IEEE Trans.Power Del,2010,25(2):551-560.

[25] KOLTER J Z,BATRA S,NG A Y.Energy disaggregation via discriminative sparse coding[C]//Internation Conference on Neural Information Processing Systems,2010:1 153-1 161.

(編輯 白林雪)

StudyonNon-IntrusiveLoadMonitoringTechnology

WANGSixian,BIZhongqin

(SchoolofComputerScienceandTechnology,ShanghaiUniversityofElectricPower,Shanghai200900,China)

Non-Intrusive Load Monitoring (NILM) technology enables power users to understand the power consumption of various types of equipment at different times by disaggregating the total energy load data to help decision makers develop sound energy efficiency plans,reduce energy costs,which plays an important role in emission reduction.The advantages of NILM are analyzed in comparison with the traditional intrusion load monitoring,and the characteristics of low cost,simple deployment and easy expansion.Secondly,the basic framework of NILM is summarized,and the NILM algorithm is introduced in detail from the two aspects of supervision and unsupervised algorithm.Then the existing data set and algorithm evaluation index are discussed.Finally,the challenges facing the current NILM are pointed out.

non-intrusive load monitoring; basic framework; evaluation criteria; dataset

10.3969/j.issn.1006-4729.2017.04.010

2017-03-09

汪四仙(1993-),女,在讀碩士,安徽黃山人.主要研究方向為非侵入式電力負荷分解技術. E-mail:wsxjy1993@163.com.

TP273.5;TM714;TM76

A

1006-4729(2017)04-0357-05