夏 磊，李澤滔,夏 懿

(1.貴州大學電氣工程學院，貴州 貴陽 550025；2.安徽大學電氣工程與自動化學院，安徽 合肥 230039)

0 引言

家庭電器組成數(shù)據(jù)對于提高數(shù)據(jù)處理能力具有重要意義。電力公司根據(jù)這些數(shù)據(jù)可以進行更有效的削峰填谷。電器廠商根據(jù)這些數(shù)據(jù)可以更有針對性地進行電器升級設(shè)計。用戶根據(jù)這些數(shù)據(jù)可以減少不必要的電力費用開銷，實現(xiàn)節(jié)能減排。針對這一市場需求，學術(shù)界在理論模型的建立以及相關(guān)算法的設(shè)計上進行了大量的研究[1-2]。然而，目前市場上針對電器分解及相關(guān)數(shù)據(jù)的采集系統(tǒng)卻較為少見。從文獻來看，目前大多數(shù)電器辨識研究的主要關(guān)注算法的準確性，而較少關(guān)注系統(tǒng)的可實現(xiàn)性。因此，本文設(shè)計了一個具有一定準確性和實時性的電器辨識系統(tǒng)。

1 能耗監(jiān)測

家庭用電負荷分解前，首先要進行負荷監(jiān)測。對用電負荷的監(jiān)測，在硬件結(jié)構(gòu)上主要有侵入式監(jiān)測和非侵入式監(jiān)測兩種方式。侵入式監(jiān)測的優(yōu)點在于監(jiān)測準確性高、計算量小，對硬件要求低；缺點在于需要大量硬件進行監(jiān)測，成本較高，對系統(tǒng)也會產(chǎn)生干擾。非侵入式監(jiān)測(non-intrusive load monitoring,NILM)[3]的優(yōu)點在于只需要一套監(jiān)測硬件，通過軟件算法即可實現(xiàn)負荷分解。相對于侵入式監(jiān)測來說，其成本較低，但準確性不如侵入式。另外，這種監(jiān)測方式很難實際用于家庭負荷辨識場合，因為這種方式需要對入戶電力干線進行改造，造成安裝和后期維護成本較高。此外，這種方式運算量較大，監(jiān)測實時性較差。

本文對監(jiān)測系統(tǒng)的硬件結(jié)構(gòu)作了一定改進，將非侵入式結(jié)構(gòu)與侵入式結(jié)構(gòu)相結(jié)合，同時發(fā)揮兩種監(jiān)測方式的優(yōu)點，即非侵入式的低成本和侵入式的高準確性。具體來說，是在系統(tǒng)內(nèi)部設(shè)計多個辨識節(jié)點。針對每個子系統(tǒng)采用非侵入式監(jiān)測，這樣單個節(jié)點所連負荷的數(shù)量有限，從而使得算法所需的計算量顯著降低，而且其辨識準確性也大幅提高。辨識節(jié)點采用基于單片機系統(tǒng)的電力插座，從而使得這種基于算法的監(jiān)測方式在硬件上具有可行性。半侵入式監(jiān)測系統(tǒng)硬件結(jié)構(gòu)如圖1所示。

圖1 半侵入式監(jiān)測系統(tǒng)硬件結(jié)構(gòu)圖 Fig.1 Hardware structure of semi-intrusive monitoring system

系統(tǒng)的核心在于負荷辨識算法。國內(nèi)外對負荷辨識算法作了大量的研究，主要有以下幾種方法。

①通過功率變化、伏安特性或穩(wěn)態(tài)特性，實現(xiàn)對設(shè)備類型的辨識，例如Hart等通過監(jiān)測功率的變化來實現(xiàn)設(shè)備類型的辨識，而利用負荷有功、無功和諧波等特征參數(shù)來識別負荷[4]；Lam等利用伏安特性來辨識負荷種類[5]；Srinivasan等利用不同設(shè)備的諧波特性，結(jié)合神經(jīng)網(wǎng)絡(luò)進行辨識[6]；ROOS等基于穩(wěn)態(tài)特性進行辨識[7]。②通過暫態(tài)投切過程的特征，實現(xiàn)對設(shè)備類型的辨識[8]。③采用大型數(shù)據(jù)庫在宏觀上存儲負荷特性，再結(jié)合非侵入式監(jiān)測方式的相關(guān)技術(shù)，對負荷進行辨識[9]。

本文在前人研究的基礎(chǔ)上，設(shè)計了適合本文硬件結(jié)構(gòu)的辨識算法。首先通過建立辨識節(jié)點的電流數(shù)學模型，優(yōu)化初始類心的選取過程；然后采用C-均值法對實時監(jiān)測到的電流進行分類辨識，將辨識過的數(shù)據(jù)存入數(shù)據(jù)庫，作為后續(xù)辨識的先驗依據(jù)；最后采用重復剪輯最近鄰法按最小距離原則，對混雜樣本進行刪除。

2 電器辨識算法

本文算法主要基于兩個原理：電流差異性、基爾霍夫電流定律。

2.1 典型電器的電流差異性

調(diào)查顯示，家用電器中，冰箱、電視、洗衣機、空調(diào)以及計算機這幾種電器的居民占有率比較高[10]。家庭常用電器的電流波形實際上存在明顯差異，大部分電器的電流波形形狀是不相同的，即使形狀相似，其波形幅值也會有較大區(qū)別，因此可以將電流信號作為模式識別的特征向量來進行電器辨識。

2.2 家庭用電過程的電路分析

本文所用到的另一個重要原理是電路中的基爾霍夫電流定律。在任意瞬間，流入任意節(jié)點的電流之和等于流出節(jié)點的電流之和，數(shù)學公式表示如下：

∑I入=∑I出

(1)

式中：I入為流入節(jié)點的電流；I出為流出節(jié)點的電流。

2.3 電器運行狀態(tài)下的干線電流模型

本文設(shè)計的監(jiān)測系統(tǒng)，首先根據(jù)已有的電流先驗知識建立不同電器的電流模型庫，然后再通過該模型庫來辨識電力干線上電器設(shè)備。

假設(shè)連接在電力干線上的電器設(shè)備有3臺。3臺電器設(shè)備的電壓、電流矢量分別用U1、U2、U3和I1、I2、I3表示，且：U1=U2=U3。

根據(jù)基爾霍夫電流定律，電力干線電流模型如下。

(2)

式中：I總為電力干線電流;I1、I2、I3分別為3臺被監(jiān)測設(shè)備單獨運行狀態(tài)下的電流。

由于本文設(shè)計的硬件系統(tǒng)是非侵入式監(jiān)測方式，必須對電流先驗知識進行分時采集。分時采集會造成各電器設(shè)備的電壓數(shù)據(jù)初相不一致，進而造成各電器設(shè)備的電流數(shù)據(jù)存在角差。首先需要進行角差處理，才可以運用上述模型進行電器辨識。

2.4 電流先驗知識數(shù)據(jù)庫角差處理

首先引入定理1。

定理1 兩個相同頻率的正弦信號，其互相關(guān)函數(shù)值和它們相位差的余弦值成正比。

該定理的數(shù)學表達如下：

(3)

式中：φ0為樣本x的初相角；φ1為樣本y的初相角；n為樣本x和樣本y的樣本長度；x(k)、y(k)分別為樣本x和樣本y的第k個元素。

假設(shè)數(shù)據(jù)庫中已存在r個周期的K種電器設(shè)備的電流數(shù)據(jù)樣本i1，i2，…，ik和電壓數(shù)據(jù)樣本u1，u2，…，uk，每種電器設(shè)備的電壓電流數(shù)據(jù)向量各有N個元素。通過上式測得角差，設(shè)第2、第3、…、第K種電器設(shè)備與第1種電器設(shè)備的電壓角差分別為：θ1,k，…，θ1,2。

至此角差補償完成，按照式(1)中的干線電流數(shù)學模型構(gòu)建方法，對處理后的各電器設(shè)備電流數(shù)據(jù)進行建模，即可得到模型庫。再對實時采集到的數(shù)據(jù)和模型庫中的模型進行上述過程的角差檢測補償，最后進行聚類分析處理，即可實現(xiàn)電器的辨識。

3 聚類分析和重復剪輯最近鄰法

3.1 C-均值法聚類分析

C=[c10、c20、c30、…、cK0]×S

(4)

式中：S為組合狀態(tài)矩陣，是一個只包含0、1元素的矩陣。

S矩陣包含當前所辨識的電器運行狀態(tài)組合，S矩陣大小為K×2K，其元素值可以通過下述方式取得：

(5)

模型庫中共有Q=2K個類心，再假設(shè)自上次聚類剪輯完成時刻至當前時刻所采集到的第i組數(shù)據(jù)為ci，對新采集到的電流數(shù)據(jù)按照最小距離原則劃分。劃分完成后，再重新計算相應類的類心，重復采集劃分過程，直到數(shù)據(jù)量到達某個設(shè)定值時，進行聚類剪輯，再重復上述過程。

本文所用C-均值法聚類的算法過程如下。

①選擇Q個類心。

③計算重新分類后的類心。

(6)

3.2 聚類剪輯

隨著樣本數(shù)據(jù)量增多，必須對數(shù)據(jù)進行刪減。刪減過程堅持兩個優(yōu)先原則：一是將混雜樣本刪除，二是將距離類心較遠的樣本刪除。首先將混雜樣本刪除后重新計算類心，然后找出距離新類心相對較遠的數(shù)據(jù)進行刪除。具體過程如下。

①實時電流通過上文的C-均值法分類后存儲入數(shù)據(jù)庫，作為樣本為后續(xù)實時監(jiān)測的數(shù)據(jù)辨識提供類心校正。假設(shè)此時系統(tǒng)所采集到樣本集為C，隨機分成s組，設(shè)：

C={C1、C2、C3、…、Cs}

(7)

②采用最近鄰法，以Cj+1為參考集，對Cj中的樣本進行分類。

③去除第二步中的被錯分類的樣本。

④采用所留下的樣本構(gòu)成新的樣本集，設(shè)為C(NE)，如果經(jīng)過K次迭代后沒有樣本被剪輯掉，則停止；否則轉(zhuǎn)至步驟①。

⑤剪輯類邊界樣本，得到新的樣本集C(NE);重新計算各類類心樣本到該類新類心的距離，刪除距離值最大的前M個數(shù)據(jù)。

3.3 類心重合處理

理論上，當電器數(shù)量過多情況下，不排除出現(xiàn)類心重合的問題。本文通過辨識節(jié)點設(shè)計，在結(jié)構(gòu)上避免了單個節(jié)點電器設(shè)備過多的情況。為了進一步避免此類問題,對類心重合問題提出如下解決思路：記錄所有設(shè)備的運行停止狀態(tài),當出現(xiàn)類心重合無法辨識情況時，系統(tǒng)會根據(jù)前一時刻的運行記錄，作出最可能的運行狀態(tài)判斷。

4 試驗測試

每個辨識節(jié)點連接3個用電設(shè)備。電器連接情況如表1所示。辨識模式是每秒3組數(shù),每秒辨識3次，每分鐘剪輯一次。采用WiFi通信方式，使用TCP/IP協(xié)議。

表1 電器連接情況Tab.1 The connections of appliances

4.1 辨識試驗

本文以一個特點辨識節(jié)點為例，說明本文系統(tǒng)的辨識效果。辨識系統(tǒng)與計算機之間的通信方式為WIFI通信，上位計算機所用軟件采用LABVIEW編寫。

角差補償前后電流比較曲線如圖2所示。

圖2 電流比較曲線 Fig.2 Comparison of the current waveforms

顯示屏和小風扇的電流波形均以臺式機的電流波形為參考，進行角差補償。兩種電器的電流波形均發(fā)生了一定程度的相移。

電器辨識過程電流波形如圖3所示。

圖3 辨識過程電流波形圖 Fig.3 Current waveforms of identification process

從圖3可以看出，實時電流波形與模型庫中第三條先驗電流波形基本重合，說明辨識結(jié)果非常準確。

4.2 分類效果

為了展示分類效果，本文采用主成分分析(principal component analysis,PCA)方法對電流數(shù)據(jù)進行降維處理。利用PCA的前兩位分量所得到的分類效果如圖4所示。PCA貢獻度為80%以上，前兩位分量貢獻度分別為75.247%和5.239%。所有待辨識的電器設(shè)備在分類空間均得到了很好的劃分。

圖4 聚類效果圖 Fig.4 Clustering effect diagram

4.3 試驗統(tǒng)計

本文對9種電器分3個辨識節(jié)點進行了2 h試驗，對相關(guān)的辨識結(jié)果進行了數(shù)據(jù)統(tǒng)計。辨識節(jié)點數(shù)據(jù)統(tǒng)計情況如表2所示。

表2 節(jié)點辨識情況表Tab.2 The situations of node identification

運行狀態(tài)準確性統(tǒng)計情況如表3所示。

表3 運行狀態(tài)辨識情況表Tab.3 The situations of operation status identification

5 結(jié)束語

本文對侵入式和非侵入式兩種主流監(jiān)測方式進行了研究，將非侵入式方法和侵入式結(jié)構(gòu)相結(jié)合，提出了一種新的負荷監(jiān)測方式。通過建立電力干線電流模型，為C-均值分類算法提供初始類心，再利用重復剪輯近鄰法刪除混雜樣本。通過狀態(tài)記錄模式，解決了聚類過程中可能出現(xiàn)的類心重合問題。試驗表明，本文所提方法在辨識的準確性方面取得了令人滿意的結(jié)果。

參考文獻:

[1] LIANG J,SIMON K,KENDALL G. Load signature srudy-partⅠ:basic concept,struture,and methodology[J]. IEEE Transaction on Power Delivery,2010,25(2):511-560.

[2] LIANG J,SIMON K,KENDALL G. Load signature srudy-partⅡ:disaggregation framework,simulation and application[J].IEEE Transaction on Power Delivery,2010,25(2):1-3.

[3] HANNU P.Non-intrusive appliance load monitoring system based on modern KWh-meter[R].1998.

[4] HART G.Non-intrusive appliance load monitoring[J].Proceedings of IEEE,1992,80(12):1870-1891.

[5] LAM H,FUNG G,LEE W.Novel method to construct taxonomy of electrical appliances based on load signatures[J].IEEE Transactions on Consumer Electronics,2007,53(2):653-660.

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

[7] ROOS J.G,LANE I.Using neural networks for non-intrusive monitoring of industrial electrical loads[C]//Proceeds of IEEE Instrumentation and Measurement Technology Conference,1994:1115-1118

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

[9] LIN Y H,TSAI M S.Novel feature extraction method for the development of nonintrusive load monitoring system based on BP-ANN [J].International Symposium on Computer Communication Control & Automation,2010(2):215-218.

[10]ALMEIDA A. Report with the results of the surveys based on questionnaires for all countries [R].2005.