廖榮文，劉 剛，肖 剛

（1. 上海電力大學(xué)自動(dòng)化工程學(xué)院，上海市 200090；2. 上海交通大學(xué)航空航天學(xué)院，上海市 200240）

0 引言

智能用電是智能電網(wǎng)的關(guān)鍵組成部分，能實(shí)現(xiàn)電網(wǎng)和用戶的靈活互動(dòng)［1］。負(fù)荷分解作為其重要的組成部分，可以為電力用戶側(cè)和供給側(cè)政策的制定提供依據(jù)。通過了解每個(gè)家用電器的用電量，用戶側(cè)可以節(jié)省電費(fèi)開支，供給側(cè)則能提供更多的相關(guān)服務(wù)［2］。如何在較低的成本下準(zhǔn)確分辨負(fù)荷種類并計(jì)算電能消耗，一直是負(fù)荷分解領(lǐng)域關(guān)注的主要問題。

近年來，基于深度學(xué)習(xí)的負(fù)荷分解方法受到越來越多的關(guān)注。文獻(xiàn)［3-4］證明了設(shè)備中點(diǎn)元素的狀態(tài)與中點(diǎn)前后的聚合電能信息相關(guān)；文獻(xiàn)［5-7］通過同一時(shí)間點(diǎn)的聚合值估計(jì)特定時(shí)間點(diǎn)上設(shè)備的消耗，有時(shí)會(huì)對(duì)設(shè)備運(yùn)行狀態(tài)產(chǎn)生誤判；文獻(xiàn)［8］提出一種一維卷積堆疊長短時(shí)記憶循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）技術(shù)；文獻(xiàn)［9］采用的電力特征由于依賴高頻采樣，所以采集設(shè)備成本較高；文獻(xiàn)［10］基于電器的持續(xù)時(shí)間、使用時(shí)間和有功功率等非電力特征進(jìn)行建模；文獻(xiàn)［11-12］提出非傳統(tǒng)特征與負(fù)荷分解目標(biāo)值之間存在一定的相關(guān)性，但依賴于大量特征以及較多的數(shù)據(jù)。

針對(duì)以上問題，本文提出一種基于時(shí)間模糊化長短時(shí)記憶（time-fuzzified long short-term memory，TFLSTM）的非侵入式負(fù)荷分解方法，主要貢獻(xiàn)有以下3 點(diǎn)：①算法的輸入為有功功率，通過學(xué)習(xí)固定長度序列的映射關(guān)系來代替?zhèn)鹘y(tǒng)樣本點(diǎn)的映射關(guān)系，并將數(shù)據(jù)集分割后進(jìn)行單獨(dú)訓(xùn)練，以此來提高算法準(zhǔn)確率；②對(duì)總功率信號(hào)和設(shè)備功率信號(hào)進(jìn)行建模，通過長短時(shí)記憶（long short-term memory，LSTM）建立狀態(tài)點(diǎn)之間的聯(lián)系，利用編碼過程和解碼過程去除非目標(biāo)設(shè)備的信息，無須采集成本較高的高頻特征和大量非電力特征，輸入數(shù)據(jù)整體較為簡潔；③引入時(shí)間模糊策略，構(gòu)建了一種與時(shí)間區(qū)域相關(guān)的模糊區(qū)域規(guī)則，結(jié)合用戶在不同時(shí)間區(qū)域的用電習(xí)慣實(shí)現(xiàn)負(fù)荷分解，以提高算法對(duì)于設(shè)備狀態(tài)判斷的準(zhǔn)確率。

1 模型原理

1.1 時(shí)間分割

文獻(xiàn)［13］提出偽卡諾圖（pseudo Karnaugh mapping，PKMap）用于展示數(shù)據(jù)集中的不平衡類分布，本文引入PKMap，根據(jù)不同設(shè)備、不同時(shí)間區(qū)域的功率值給卡諾圖上色，使整個(gè)數(shù)據(jù)集實(shí)現(xiàn)可視化，來呈現(xiàn)較長時(shí)間內(nèi)設(shè)備使用情況的分布。本文對(duì)文獻(xiàn)［14］房間2 的REFIT 數(shù)據(jù)集中不同時(shí)間區(qū)域的設(shè)備功率進(jìn)行統(tǒng)計(jì)、映射和著色，并利用PKMap 排列加以呈現(xiàn)，從而展示不同設(shè)備的電能使用情況。每種電器單位小時(shí)內(nèi)的工作狀態(tài)統(tǒng)計(jì)如附錄A 圖A1 所示，圖中右側(cè)的色度圖呈現(xiàn)了數(shù)據(jù)集采集期中可視化電功W的數(shù)量級(jí)。W的公式如下所示：

式中：I為數(shù)據(jù)集中單位小時(shí)內(nèi)所有功率大于閾值功率（本文設(shè)為8 W）的采樣點(diǎn)個(gè)數(shù)；p(i)為第i個(gè)采樣點(diǎn)對(duì)應(yīng)的有功功率；pˉon為功率均值；H為單位小時(shí)內(nèi)所有采樣點(diǎn)個(gè)數(shù)；p(h)為第h個(gè)采樣點(diǎn)對(duì)應(yīng)的有功功率；th為第h個(gè)采樣點(diǎn)對(duì)應(yīng)的時(shí)刻。通過式（1）進(jìn)行處理后，可以減小所有設(shè)備W的差異，有利于標(biāo)注色度圖。

附錄A 圖A1 通過顏色深淺表示不同設(shè)備的運(yùn)行時(shí)間狀況，當(dāng)顏色為白色時(shí)表示設(shè)備在該單元對(duì)應(yīng)的時(shí)間內(nèi)均處于關(guān)閉狀態(tài)，其余的顏色越淺表示設(shè)備處于開啟狀態(tài)時(shí)間越長，顏色越深則表示設(shè)備處于關(guān)閉狀態(tài)時(shí)間越長。在較長的采樣時(shí)間下，大部分設(shè)備在不同時(shí)間區(qū)域的運(yùn)行情況存在明顯差異，某些設(shè)備在一些時(shí)間區(qū)域內(nèi)基本處于不工作狀態(tài)，而在另一些時(shí)間區(qū)域內(nèi)則使用頻率很高。根據(jù)設(shè)備在不同時(shí)間區(qū)域內(nèi)的使用差異，將原始數(shù)據(jù)集劃分為數(shù)據(jù)集A和數(shù)據(jù)集B。

本文統(tǒng)計(jì)并可視化了REFIT 數(shù)據(jù)集，所基于的數(shù)據(jù)為2013—2015 年的總表和單個(gè)設(shè)備傳感器測量的有功功率數(shù)據(jù)，其中包含季節(jié)、溫度、節(jié)假日與工作日等影響因素在內(nèi)的所有數(shù)據(jù)。對(duì)于不同影響因素下所對(duì)應(yīng)的數(shù)據(jù)，根據(jù)時(shí)間區(qū)域劃分?jǐn)?shù)據(jù)集并分別用于訓(xùn)練不同的網(wǎng)絡(luò)，由網(wǎng)絡(luò)分解出目標(biāo)設(shè)備的功率信息，使得本文提出的算法在不同影響因素下，仍然可以保持較好的效果。同時(shí)，利用居民用電行為規(guī)律得到時(shí)間模糊策略，提高算法對(duì)于設(shè)備狀態(tài)判斷的準(zhǔn)確率。

1.2 網(wǎng)絡(luò)結(jié)構(gòu)

本文提出一種長短時(shí)記憶自編碼器（long shortterm memory auto-encoder，LSTMA）模型來解決負(fù)荷分解問題。首先，將輸入序列的部分?jǐn)?shù)據(jù)基于概率置零，保留輸入序列和輸出序列的差異性以更好地訓(xùn)練模型。經(jīng)過處理后，輸入序列與輸出序列更加接近，提高了訓(xùn)練得到的權(quán)重的魯棒性。

該方法通過學(xué)習(xí)固定長度輸入和輸出序列的映射關(guān)系，降低了算法誤判功率值，提高了算法精度。同時(shí)，當(dāng)輸入信號(hào)有且僅有電表總功率信號(hào)且采樣頻率較低時(shí)，該網(wǎng)絡(luò)有助于提高模型的分解能力，在負(fù)荷分解任務(wù)中相較于其他方法往往具有較好的效果。LSTMA 主要網(wǎng)絡(luò)框架如圖1 所示。

圖1 LSTMA 模型結(jié)構(gòu)Fig.1 Structure of LSTMA model

LSTM 網(wǎng)絡(luò)在RNN 結(jié)構(gòu)的基礎(chǔ)上增加了記憶單元c、更新門μ、遺忘門f和輸出門o，因此對(duì)于第1層正向LSTM 網(wǎng)絡(luò)，公式如下所示：

式中：記憶單元c、更新門μ、遺忘門f和輸出門o對(duì)應(yīng)的權(quán)重分別為Wc、Wμ、Wf、Wo，對(duì)應(yīng)的偏置分別為bc、bμ、bf、bo；為記憶單元初始值；為時(shí)間步t記憶單元的狀態(tài)向量，其候選值為；為時(shí)間步t非記憶單元的狀態(tài)向量；x(t)為時(shí)間步t網(wǎng)絡(luò)的輸入向量；σ(·)表示sigmoid 函數(shù)變化；φ(·)表示tanh 函數(shù)變化；每個(gè)時(shí)間步更新門μ和遺忘門f共同決定是繼承上一個(gè)時(shí)間步記憶單元的狀態(tài)向量，還是更新為候選值。當(dāng)輸出門o為0 時(shí)釋放記憶內(nèi)容，當(dāng)o不為0 時(shí)保留記憶內(nèi)容。

第2 層反向LSTM 網(wǎng)絡(luò)從與第1 層網(wǎng)絡(luò)相反的方向訓(xùn)練網(wǎng)絡(luò)參數(shù)，然后2 層網(wǎng)絡(luò)的狀態(tài)參數(shù)和組合為m(t)，網(wǎng)絡(luò)層m經(jīng)過加權(quán)映射進(jìn)行數(shù)據(jù)的降維表示，得到隱藏層h，最后通過反向加權(quán)映射得到輸出層M，通過上述編碼過程和解碼過程去除非目標(biāo)設(shè)備的信息［15］。

式中：We和be分別為編碼層的權(quán)重和偏置；Wd和bd分別為解碼層的權(quán)重和偏置。編碼后提取到的m中關(guān)鍵信息作為后續(xù)訓(xùn)練網(wǎng)絡(luò)的輸入，完成從m到M的信息重構(gòu)。

1.3 模糊理論與時(shí)間域模糊化

在負(fù)荷分解中，同一種家用電器在不同時(shí)間區(qū)域的使用頻率會(huì)有所不同［16］，使得負(fù)荷分解和時(shí)刻呈現(xiàn)相關(guān)性。本文通過參考兩者之間的隱含關(guān)系，提高模型對(duì)設(shè)備狀態(tài)判定的準(zhǔn)確率。

本文中論域U為24 h，即時(shí)刻點(diǎn)x∈[0，24)=U，fT為定義在U上的一個(gè)隸屬于集合T的隸屬度函數(shù)，集合T包括集合a和集合b，隸屬函數(shù)fT把U中的每一個(gè)元素都映射到［0，1］區(qū)間內(nèi)，代表元素隸屬于T的程度，值越大表示隸屬程度越高。數(shù)據(jù)集中不同時(shí)間區(qū)域信息在生成模型過程中的重要程度是不清晰的，因此根據(jù)模糊理論對(duì)論域U的模糊映射如下：

式中：fa(·)為集合a的隸屬度函數(shù)，函數(shù)的均值和方差分別為σa和ca；fb(·)為集合b的隸屬度函數(shù)，函數(shù)的均值和方差分別為σb和cb。

式（12）在數(shù)據(jù)層面上描述了模糊現(xiàn)象，體現(xiàn)了時(shí)間區(qū)域?qū)傩缘牟淮_定性，并通過隸屬度判定時(shí)間區(qū)域的重要性。本文選用高斯型隸屬度函數(shù)，隸屬規(guī)則曲線如附錄A 圖A2 所示。圖中隸屬度曲線交點(diǎn)的橫坐標(biāo)即為劃分?jǐn)?shù)據(jù)集的時(shí)間節(jié)點(diǎn)。時(shí)間區(qū)域模糊化將區(qū)域模糊性轉(zhuǎn)化為每個(gè)時(shí)刻對(duì)應(yīng)的隸屬度值，而模糊區(qū)域規(guī)則用于進(jìn)行負(fù)荷分解過程中模糊區(qū)域的劃分和不同時(shí)間區(qū)域信息重要性的判定。

2 基于TFLSTM 的負(fù)荷分解方法

目前，負(fù)荷分解算法基于的特征主要分為高頻特征和低頻特征，高頻特征主要包括電壓、電流和諧波信號(hào)，而低頻特征則主要包括有功功率、無功功率和功率因數(shù)。然而高頻特征往往依賴于高頻采樣，要求的數(shù)據(jù)采集設(shè)備成本較高，因此本文將有功功率作為輸入，探究低頻特征下的負(fù)荷分解方法。設(shè)p(tn)為在時(shí)間tn時(shí)所有家電測量的總功率。在離散時(shí)間取樣下，將p(tn)簡化表示為p(n)［17］，即

式中：J為家用電器數(shù)量；j為各類家用電器的索引；pj(n)為設(shè)備j在采樣點(diǎn)n上的有功功率；e(n)為測量的附加噪聲。

非侵入式負(fù)荷分解的目標(biāo)是從已知的p(n)中提取出未知的pj(n)，而pj(n)的估算值p^j(n)與同一窗口下的總功率p(n)有關(guān)，因此可以訓(xùn)練一個(gè)網(wǎng)絡(luò)來進(jìn)行時(shí)間序列回歸，使其可以由p(n) 得到(n)，即

式中：g(·)為在學(xué)習(xí)過程中的非線性函數(shù)；ej(n)為測量設(shè)備j的附加噪聲。

本文考慮到電力負(fù)荷與時(shí)間具有相關(guān)性，提出了基于TFLSTM 的非侵入式負(fù)荷分解方法。在式（15）的基礎(chǔ)上，建立基于時(shí)間模糊的負(fù)荷分解函數(shù)模型：

式中：yA(n)和yB(n)分別表示由數(shù)據(jù)集A和數(shù)據(jù)集B來訓(xùn)練模型時(shí)所得到設(shè)備j的功率估計(jì)結(jié)果；fA(x)和fB(x)為在n對(duì)應(yīng)的時(shí)間點(diǎn)x下的模糊參數(shù)。當(dāng)分割點(diǎn)參數(shù)確定以后，fA(x)和fB(x)就分別對(duì)應(yīng)于式（13）中的fa(·)和fb(·)。TFLSTM 負(fù)荷分解方法的基本結(jié)構(gòu)框架如圖2 所示。

圖2 算法框架Fig.2 Framework of proposed algorithm

本文所提出的負(fù)荷分解模型可以根據(jù)總用電功耗數(shù)據(jù)，分解出特定的用電設(shè)備功耗數(shù)據(jù)。通過多個(gè)不同設(shè)備的網(wǎng)絡(luò)，即可得到多個(gè)設(shè)備的用電信息。該模型首先將原始數(shù)據(jù)集中的總用電功率序列按照時(shí)間區(qū)域分割重組，得到了2 個(gè)數(shù)據(jù)集；再根據(jù)種類不同的設(shè)備，分別將數(shù)據(jù)集裁剪成相應(yīng)序列長度的集合，每小段序列經(jīng)過LSTMA 網(wǎng)絡(luò)結(jié)構(gòu)，得到相應(yīng)的功率估計(jì)值序列；2 個(gè)數(shù)據(jù)集共得到2 組對(duì)應(yīng)設(shè)備的功率估計(jì)值序列，然后由不同時(shí)間區(qū)域?qū)?yīng)的隸屬規(guī)則，對(duì)2 組數(shù)據(jù)做進(jìn)一步處理，最后輸出通過分解得到的用電功耗估計(jì)值。

3 實(shí)驗(yàn)評(píng)價(jià)

3.1 數(shù)據(jù)集描述和參數(shù)選擇

本文選用公開的REFIT［14］數(shù)據(jù)集來評(píng)價(jià)提出的算法。該數(shù)據(jù)集收集了來自英國20 戶家庭2013—2015 年的總表和單個(gè)設(shè)備傳感器測量的有功功率數(shù)據(jù)，在此期間，居住者照常進(jìn)行工作生活任務(wù)，以確保數(shù)據(jù)中保留居住者的用電行為習(xí)慣，數(shù)據(jù)采樣時(shí)間分辨率為6～8 s。保留REFIT 數(shù)據(jù)集中一周的用電數(shù)據(jù)作為測試集，其余數(shù)據(jù)用于訓(xùn)練，測試過程中算法辨識(shí)未知負(fù)荷的時(shí)長為9 s 左右。選擇數(shù)據(jù)集中設(shè)備使用功率占比較高的幾種電器作為已知電器用于驗(yàn)證算法，分別是：洗碗機(jī)（DW）、冰箱（FF）、水壺（K）、電視機(jī)（TV）、洗衣機(jī)（WM）。這5 種電器消耗了相當(dāng)大比例的電能，而且分別代表了一系列不同電力特征的用電設(shè)備，如水壺等簡單的開/關(guān)狀態(tài)設(shè)備和洗衣機(jī)等復(fù)雜的多狀態(tài)設(shè)備。

本文提出的TFLSTM 算法在TensorFlow2.0深度學(xué)習(xí)框架下實(shí)現(xiàn)，在訓(xùn)練深度學(xué)習(xí)模型時(shí)利用圖形處理器（GPU）加速，設(shè)置采樣間隔為1 min，并采用自適應(yīng)矩估計(jì)（adaptive moment estimation，Adam）優(yōu)化算法訓(xùn)練模型。每次訓(xùn)練迭代使用128 個(gè)樣本更新模型權(quán)重和系數(shù)，將輸入網(wǎng)絡(luò)中的數(shù)據(jù)歸一化到［0，1］范圍內(nèi)，以提高深度學(xué)習(xí)的性能。文獻(xiàn)［3］觀察到不同設(shè)備的數(shù)據(jù)在訓(xùn)練網(wǎng)絡(luò)時(shí)，洗衣機(jī)等設(shè)備訓(xùn)練的網(wǎng)絡(luò)可以提取比其他設(shè)備更多的信息。本文所提出的模型通過訓(xùn)練每個(gè)設(shè)備對(duì)應(yīng)的網(wǎng)絡(luò)來對(duì)負(fù)荷進(jìn)行分類，但在實(shí)際應(yīng)用場景中很難做到對(duì)每個(gè)設(shè)備單獨(dú)進(jìn)行網(wǎng)絡(luò)訓(xùn)練，為解決成本較高的問題，選擇多狀態(tài)設(shè)備洗衣機(jī)作為基準(zhǔn)設(shè)備，保留其負(fù)荷分解網(wǎng)絡(luò)訓(xùn)練后得到的參數(shù)，而其他設(shè)備每次僅訓(xùn)練最后一層一維卷積層的相關(guān)參數(shù)。

對(duì)于一個(gè)電器設(shè)備的完整運(yùn)行過程而言，穩(wěn)定的區(qū)域包括具有相同特性的數(shù)據(jù)［18］。TFLSTM 算法為每個(gè)網(wǎng)絡(luò)的輸入對(duì)應(yīng)設(shè)置一個(gè)樣本跨度，該樣本跨度下的總功率序列會(huì)通過網(wǎng)絡(luò)得到同一時(shí)間區(qū)域下相應(yīng)設(shè)備的消耗功率序列。表1 通過統(tǒng)計(jì)每個(gè)設(shè)備超過設(shè)定閾值功率的連續(xù)樣本個(gè)數(shù)來確定樣本跨度。

表1 樣本參數(shù)選擇Table 1 Sample parameter selection

3.2 評(píng)價(jià)指標(biāo)

本文采用平均絕對(duì)誤差（mean absolute error，MAE）、均方根誤差（root mean squared error，RMSE）、歸一化均方根誤差（normalized root mean squared error，NRMS）、功率分解準(zhǔn)確率cpower、召回率R和電器啟動(dòng)辨識(shí)準(zhǔn)確率con作為算法的評(píng)價(jià)指標(biāo)。計(jì)算公式分別如下：

式中：EM、ER、EN分別為MAE、RMSE、NRMS 值；TP為正樣本被預(yù)測為正樣本的采樣點(diǎn)總個(gè)數(shù)；FN為正樣本被預(yù)測為負(fù)樣本的采樣點(diǎn)總個(gè)數(shù)；TN為負(fù)樣本被預(yù)測為負(fù)樣本的采樣點(diǎn)總個(gè)數(shù)；FP為負(fù)樣本被預(yù)測為正樣本的采樣點(diǎn)總個(gè)數(shù)。

3.3 數(shù)據(jù)集分割節(jié)點(diǎn)探究

所選數(shù)據(jù)集中包含了時(shí)刻信息、不同時(shí)刻對(duì)應(yīng)的房間總有功功率數(shù)據(jù)以及測量的9 種設(shè)備各自消耗的有功功率數(shù)據(jù)。以房間2 為例，由于數(shù)據(jù)集中相鄰時(shí)刻間隔的時(shí)間不等，所以本文在統(tǒng)計(jì)之前對(duì)數(shù)據(jù)進(jìn)行了采樣，采樣時(shí)間為1 min，以保證每個(gè)時(shí)間區(qū)域內(nèi)的采樣點(diǎn)數(shù)保持一致，并將一個(gè)采樣周期內(nèi)設(shè)備所有功率值的均值作為每個(gè)采樣點(diǎn)對(duì)應(yīng)的功率值。數(shù)據(jù)集根據(jù)提供的時(shí)間信息分為00：00—01：00、01：00—02：00、…、23：00—24：00 這24 個(gè)時(shí)間區(qū)域?qū)?yīng)的子集，剔除房間2 數(shù)據(jù)集中首尾不完整的2 d 的數(shù)據(jù)，探究了數(shù)據(jù)集不同設(shè)備在不同時(shí)間區(qū)域的用電規(guī)律。從附錄A 圖A3 中可以看到，除了設(shè)備1 和設(shè)備7，大部分電器在不同時(shí)間區(qū)域的使用頻率存在較大差異。

根據(jù)統(tǒng)計(jì)的數(shù)據(jù)將時(shí)間分為06：00—18：00 和18：00—次日06：00 這2 個(gè)區(qū)域，2 個(gè)區(qū)域分別為用電設(shè)備使用的相對(duì)高頻段和相對(duì)低頻段，然后針對(duì)這2 個(gè)時(shí)間區(qū)域，評(píng)估訓(xùn)練集時(shí)間區(qū)域?qū)Ψ纸饽Ｐ蜏y試效果的影響。房間2 的原始數(shù)據(jù)集A按照上述時(shí)間區(qū)域分成2 個(gè)數(shù)據(jù)集，其中06：00—18：00 區(qū)域的數(shù)據(jù)集記為數(shù)據(jù)集B，18：00—次日06：00 區(qū)域的數(shù)據(jù)集記為數(shù)據(jù)集C，同時(shí)2 個(gè)數(shù)據(jù)集分為訓(xùn)練集B1、訓(xùn)練集C1、測試集B2和測試集C2，并且從原始數(shù)據(jù)集中分出一個(gè)測試集A2，以LSTM 算法［19］作為用于評(píng)估的負(fù)荷分解算法。由數(shù)據(jù)集B1和數(shù)據(jù)集C1訓(xùn)練得到的2 個(gè)模型分別放在數(shù)據(jù)集A2、B2、C2上測試，計(jì)算3 種模型對(duì)應(yīng)的ER用于評(píng)價(jià)，具體如附錄A 表A1 所示。可以看出，對(duì)大部分設(shè)備而言，數(shù)據(jù)集B1訓(xùn)練的模型在測試集B2的效果優(yōu)于測試集A2，且在測試集C2上的效果最差；數(shù)據(jù)集C1訓(xùn)練的模型在測試集C2的效果優(yōu)于測試集A2，且在測試集B2上的效果最差，即當(dāng)訓(xùn)練集和測試集的時(shí)間區(qū)域相同時(shí)，算法可以達(dá)到更好的分解效果。

本文提出利用粒子群優(yōu)化（particle swarm optimization，PSO）算法確定時(shí)間分割節(jié)點(diǎn)的時(shí)間模糊策略，引入PSO 算法對(duì)分割節(jié)點(diǎn)x1和x2進(jìn)行尋優(yōu)，根據(jù)式（12）和式（13）求解模糊策略參數(shù)ca和σ2a，然后在不同時(shí)間區(qū)域訓(xùn)練得到的模型基礎(chǔ)上采用模糊策略，以結(jié)合家庭用電設(shè)備的使用習(xí)慣用于負(fù)荷分解。得到不同情況下的隸屬度函數(shù)后，將適應(yīng)度函數(shù)值設(shè)置為EN，粒子群的數(shù)量設(shè)置為100，通過迭代篩選出最優(yōu)粒子，作為最終確定的時(shí)間分割節(jié)點(diǎn)。附錄A 圖A4 展示了引入PSO 算法對(duì)分割節(jié)點(diǎn)x1和x2進(jìn)行尋優(yōu)后，5 種電器在網(wǎng)絡(luò)迭代過程中適應(yīng)度值的變化。由圖可知，經(jīng)過75 次迭代后，所有電器的適應(yīng)度值均逐漸降低并收斂。

3.4 加入模糊的影響

在LSTM 算法和LSTMA 算法的基礎(chǔ)上，分別加入模糊策略形成模糊長短時(shí)記憶（fuzzified long short-term memory，F(xiàn)LSTM）和TFLSTM 這2 種方法，表2 通過EM、ER、EN這3 種評(píng)價(jià)指標(biāo)對(duì)比了4 種模型下5 種電器的非侵入式負(fù)荷監(jiān)測（non-intrusive load monitoring，NILM）性能。 FLSTM 相比于LSTM，其對(duì)應(yīng)的EM、ER、EN分別降低了0.44～12.46 W、4.73～56.48 W、0.04～0.17；TFLSTM 相比于LSTMA，其對(duì)應(yīng)的EM、ER、EN分別降低了0.54～13.25 W、5.2～43.67 W、0.02～0.36。這些數(shù)據(jù)表明，加入模糊策略在一定程度上補(bǔ)償了設(shè)備使用高頻時(shí)間區(qū)域中算法對(duì)設(shè)備的分解功率，釋放了設(shè)備使用低頻時(shí)間區(qū)域中算法對(duì)設(shè)備的分解功率，對(duì)算法起到了一定的提升作用。

表2 加入模糊對(duì)模型的影響Table 2 Influence of adding fuzziness on the model

3.5 TFLSTM 算法與其他算法的性能對(duì)比

表 3 將 TFLSTM 算 法 與 組 合 優(yōu) 化（combinatorial optimization，CO）算法［20］、因子隱馬爾可夫模型（factorial hidden Markov model，F(xiàn)HMM）算法［21］、文獻(xiàn)［22］中的算法進(jìn)行對(duì)比。對(duì)比4 種算法下cpower、R和con指標(biāo)的平均值，本文算法相較于其他算法分別高出4%～15%、0.07～0.19 和5%～13%。

表3 不同模型的評(píng)價(jià)指標(biāo)對(duì)比Table 3 Comparison of evaluation indices for different models

TFLSTM 算法引入時(shí)間分割和模糊策略，將用戶的用電行為作為分解的依據(jù)之一，并改進(jìn)了LSTM 算法模型，在一定程度上降低了算法對(duì)設(shè)備的誤判分解功率。

3.6 復(fù)雜工況下的負(fù)荷辨識(shí)精度

在負(fù)荷分解多種實(shí)際應(yīng)用場景中，總表中采集的數(shù)據(jù)往往包含大量噪聲，為驗(yàn)證TFLSTM 在復(fù)雜工況下是否依然能夠取得較好的辨識(shí)精度，本文在REFIT 數(shù)據(jù)集中加入不同分貝信噪比（signal-tonoise ratio，SNR）的高斯白噪聲，即

式中：RSN為信噪比；s(n)為采樣點(diǎn)n處的噪聲功率。

圖3 展示了不同算法下5 種設(shè)備cpower的平均值。當(dāng)噪聲功率增大即信噪比降低時(shí)，算法準(zhǔn)確率開始降低，而TFLSTM 算法和文獻(xiàn)［22］提出的算法均在信噪比為30 dB 左右時(shí)，準(zhǔn)確率才開始降低，并且當(dāng)信噪比相同時(shí)，TFLSTM 算法的準(zhǔn)確率均高于其他算法，因此，TFLSTM 算法在復(fù)雜工況下依然保持了較好的負(fù)荷識(shí)別精度。

圖3 不同算法的魯棒性對(duì)比Fig.3 Comparison of robustness for different algorithms

4 結(jié)語

本文提出了一種基于時(shí)間模糊化雙向LSTM的負(fù)荷分解深度學(xué)習(xí)模型，即TFLSTM 算法，可以自適應(yīng)地根據(jù)設(shè)備前后的狀態(tài)確定當(dāng)前狀態(tài)，適應(yīng)設(shè)備特有的運(yùn)行模式，同時(shí)通過改進(jìn)的LSTM 網(wǎng)絡(luò)分解結(jié)構(gòu)，對(duì)總功率和特定設(shè)備功率在連續(xù)若干個(gè)固定長度序列進(jìn)行建模。訓(xùn)練好的模型可以從家庭總用電數(shù)據(jù)中分解出特定電器的耗能情況，實(shí)驗(yàn)證明TFLSTM 算法能有效降低設(shè)備估計(jì)功率值與真實(shí)值的誤差。此外，該方法中融入了時(shí)間模糊策略，將算法和用戶的用電行為相結(jié)合用于負(fù)荷分解，降低了模型分解的狀態(tài)誤判率。未來工作將進(jìn)一步研究不同地區(qū)的時(shí)間模糊策略設(shè)計(jì)方案，以期提升模型的泛化性能。

附錄見本刊網(wǎng)絡(luò)版（http：//www.aeps-info.com/aeps/ch/index.aspx），掃英文摘要后二維碼可以閱讀網(wǎng)絡(luò)全文。