張 博 梁 凱

基于貝葉斯的非侵入式負(fù)荷監(jiān)測沖擊波形分類方法

張 博1梁 凱2

（1. 國網(wǎng)江蘇省電力有限公司徐州供電分公司，江蘇 徐州 221006； 2. 國網(wǎng)江蘇省電力有限公司無錫供電分公司，江蘇 無錫 214002）

針對非侵入式負(fù)荷監(jiān)測中沖擊類負(fù)荷類型辨識(shí)問題，提出基于貝葉斯分類器的沖擊波形分類方法。首先，定義電流沖擊波形的沖擊幅值、上升時(shí)間、跌落幅值和跌落時(shí)間四個(gè)特征量，用于建立多特征貝葉斯分類模型。然后，將采集的不同電器的電流沖擊樣本分為多組，用多組樣本特征值的均值作為貝葉斯分類模型的參數(shù)。最后，在單相電能表硬件平臺(tái)上實(shí)現(xiàn)分類算法，在實(shí)驗(yàn)室場景下對定頻空調(diào)和變頻空調(diào)進(jìn)行分類測試。結(jié)果表明，本文所提方法可有效識(shí)別兩種類型沖擊，驗(yàn)證了所提方法的可行性。

非侵入式負(fù)荷監(jiān)測；貝葉斯分類器；負(fù)荷沖擊電流；智能電能表

0 引言

隨著我國經(jīng)濟(jì)的發(fā)展，全社會(huì)電力消耗顯著增長，城鎮(zhèn)居民家用電器種類和保有量逐年攀升，電費(fèi)支出成倍增加，對用電詳情查詢、節(jié)電建議獲取、安全用電信息等個(gè)性化、智能化、互動(dòng)化服務(wù)的需求有上升趨勢[1-3]。為了提供上述服務(wù)，需要采用技術(shù)手段獲得各電器的工作狀態(tài)和運(yùn)行功率水平，一般有入戶式和非入戶式兩種。入戶式方案為每類電器單獨(dú)安裝采集傳感器，需對戶內(nèi)電路進(jìn)行改造，硬件成本高，運(yùn)行維護(hù)資源消耗大，且停電安裝影響用戶正常用電。非入戶式方法也稱為非侵入式負(fù)荷監(jiān)測（non-intrusive load monitoring, NILM），最早由美國麻省理工學(xué)院Hart教授提出[4]。該方法基于電力負(fù)荷入口處的電壓、電流及功率的變化信息，應(yīng)用信號(hào)分析和機(jī)器學(xué)習(xí)算法，提取波形特征信息，實(shí)現(xiàn)電器類型辨識(shí)和負(fù)荷分解，得出電器的啟停時(shí)間、能耗水平等基礎(chǔ)數(shù)據(jù)。在此基礎(chǔ)上，進(jìn)行高級分析，從而為居民提供更豐富的用電服務(wù)信息。作為居民用電負(fù)荷監(jiān)測的重要方法之一，NILM技術(shù)研究與應(yīng)用近年來成為國內(nèi)外熱點(diǎn)。

世界各國的學(xué)者對NILM相關(guān)問題進(jìn)行了非常多的研究，包括事件檢測、特征提取、電器分類、能量分解等。D. Luo提出基于對數(shù)似然的事件檢測方法，用于對暖通空調(diào)開關(guān)事件的檢測[5]。周東國等提出基于狀態(tài)特征聚類的非侵入式負(fù)荷事件檢測方法[6]。E. S. Page教授提出來的累積和（cumulative sum, CUSUM）算法是目前應(yīng)用廣泛的方法之一，S. Zhang和 Z. Zhu等在其工作中均采用了此算法[7-8]。牛盧璐對CUSUM算法進(jìn)行改進(jìn)，稱為雙邊CUSUM，本文采用這種算法檢測負(fù)荷事件[9]。負(fù)荷分類的關(guān)鍵在于特征，特征也被稱為負(fù)荷印記，相關(guān)研究較多[10-13]。對于電器分類，文獻(xiàn)[4]在提出NILM技術(shù)時(shí)，基于二維有功-無功復(fù)平面，依據(jù)點(diǎn)的距離對負(fù)荷進(jìn)行分類；文獻(xiàn)[14]增加電壓和電流特征，實(shí)際上是在4維空間計(jì)算距離。文獻(xiàn)[15-18]研究機(jī)器學(xué)習(xí)算法在NILM領(lǐng)域的應(yīng)用，分別用隱馬爾可夫模型（hidden Markov model, HMM）方法、深度置信網(wǎng)絡(luò)、關(guān)聯(lián)規(guī)則挖掘、遺傳算法等方法解決負(fù)荷分解問題。

在現(xiàn)有研究中，針對高頻沖擊特征的研究很少。在大部分公開數(shù)據(jù)集中，數(shù)據(jù)的采樣頻率為Hz級，這些數(shù)據(jù)不包含沖擊特征，故鮮有專門研究電流沖擊特征的報(bào)道。文獻(xiàn)[19]采用功率沖擊系數(shù)p識(shí)別沖擊特征。電流沖擊特征是空調(diào)、吸塵器、微波爐等電器的重要負(fù)荷特征，對提高對這些電器的辨識(shí)準(zhǔn)確度具有顯著作用。本文研究的算法應(yīng)用于智能電表，數(shù)據(jù)源來自智能電表計(jì)量芯片輸出，采樣頻率為1.6kHz，包含電器開啟瞬間產(chǎn)生的沖擊電流特征。本文聚焦電器開啟時(shí)產(chǎn)生的短時(shí)沖擊，定義四個(gè)沖擊特征量，設(shè)計(jì)均值參數(shù)貝葉斯分類器，對電流沖擊波形進(jìn)行區(qū)分。測試結(jié)果表明，本文所提方法可有效識(shí)別不同類型的電流沖擊。

1 沖擊特征量定義

不同電器在開啟時(shí)產(chǎn)生的沖擊波形差異很大。為了區(qū)分沖擊波形，首先需要對沖擊波形的特征進(jìn)行量化表征。本文定義四個(gè)特征量，分別為沖擊幅值、上升時(shí)間、跌落幅值、跌落時(shí)間。圖1所示為一個(gè)典型的變頻空調(diào)沖擊波形。以圖1為例，詳細(xì)描述四個(gè)特征量的計(jì)算公式。

圖1 典型的變頻空調(diào)沖擊波形

第一個(gè)特征參數(shù)是沖擊幅值，反映當(dāng)前脈沖的絕對高度，其計(jì)算公式為

第二個(gè)特征參數(shù)是上升時(shí)間，反映上升速度和脈沖電流存在的時(shí)間長度，其計(jì)算公式為

第三個(gè)特征參數(shù)是跌落幅值，反映沖擊電流下降的幅度，其計(jì)算公式為

第四個(gè)特征參數(shù)是跌落時(shí)間，反映下降速度和脈沖電流存在的時(shí)間長度，其計(jì)算公式為

2 基于貝葉斯的分類方法

2.1 貝葉斯分類器原理

貝葉斯方法是一種數(shù)理統(tǒng)計(jì)手段，被廣泛應(yīng)用于數(shù)據(jù)融合和機(jī)器學(xué)習(xí)任務(wù)[20-21]。貝葉斯分類器的基本原理是在先驗(yàn)概率已知的情況下計(jì)算后驗(yàn)概率。其中，先驗(yàn)概率可以通過觀察大量樣本來估計(jì)。計(jì)算樣本屬于每個(gè)類別的概率，最大概率對應(yīng)的類別為分類結(jié)果。本文采用樸素貝葉斯分類器，假設(shè)特征屬性相互獨(dú)立。

2.2 聯(lián)合分布概率估計(jì)

2.3 構(gòu)建均值參數(shù)貝葉斯分類器

為了簡潔，本文以區(qū)分定頻空調(diào)和變頻空調(diào)為例，對本文所提的方法進(jìn)行說明。在離線情況下對這兩類電器各進(jìn)行100次啟動(dòng)錄波，即定頻空調(diào)和變頻空調(diào)各錄100次，得到200個(gè)沖擊電流波形樣本集。根據(jù)中心極限定理，獨(dú)立同分布的樣本均值更接近正態(tài)分布。因此，將兩類訓(xùn)練樣本在類間隨機(jī)分為5組，計(jì)算每組樣本屬性均值，最終得到兩類共10個(gè)樣本的參數(shù)均值。計(jì)算屬性平均值后的訓(xùn)練樣本集見表1。

表1 計(jì)算屬性平均值后的訓(xùn)練樣本集

表2 貝葉斯分類模型參數(shù)

2.4 分類計(jì)算示例

3 測試結(jié)果及分析

3.1 負(fù)荷辨識(shí)電能表實(shí)現(xiàn)

為了測試本文所提的方法，研制了基于多芯模組化結(jié)構(gòu)的帶負(fù)荷辨識(shí)功能電能表，由計(jì)量芯、負(fù)荷辨識(shí)芯、功能芯組成，符合IR46設(shè)計(jì)原則。三芯模組化負(fù)荷辨識(shí)電能表功能框圖如圖2所示。

圖2 三芯模組化負(fù)荷辨識(shí)電能表功能框圖

圖2中，負(fù)荷辨識(shí)芯采用32位ARM處理器STM32F412，計(jì)量芯采用單相計(jì)量芯片RN8209，兩者之間采用單向外設(shè)接口（serial peripheral interface, SPI）通信，確保計(jì)量功能不受任何影響。

3.2 測試方案及結(jié)果分析

按照典型家庭電器配置建成實(shí)驗(yàn)場景，實(shí)際分類測試場景如圖3所示。

圖3 實(shí)際分類測試場景

在圖3中，右邊為定頻空調(diào)，左邊為變頻空調(diào)，均不在訓(xùn)練樣本中，即屬于未知待分類樣本。測試分三種工況：①無任何電器工作；②熱水器和冰箱工作；③洗衣機(jī)工作。

為了確?？照{(diào)冷機(jī)起動(dòng)，每次空調(diào)開啟3min，從關(guān)閉到下一次開啟時(shí)間間隔設(shè)置為5min。定頻空調(diào)和變頻空調(diào)在上述三種工況下均開啟20次，將本文所提的均值參數(shù)貝葉斯分類方法和文獻(xiàn)[19]中采用功率沖擊系數(shù)的識(shí)別方法進(jìn)行比較，測試結(jié)果見表3。

表3 測試結(jié)果

從表3可以看出，本文所提方法僅在洗衣機(jī)工作時(shí)出現(xiàn)分類錯(cuò)誤，其他情況下均能正確識(shí)別沖擊類型，而文獻(xiàn)[19]方法在洗衣機(jī)和冰箱工作時(shí)，錯(cuò)誤率均較高。進(jìn)一步研究表明，洗衣機(jī)在工作時(shí)存在大量沖擊，與空調(diào)沖擊相似，若僅以沖擊系數(shù)為特征，在測試過程中很容易出現(xiàn)錯(cuò)誤識(shí)別的情況。在文獻(xiàn)[19]中，空調(diào)的功率沖擊系數(shù)取5，實(shí)際測量結(jié)果表明，同一臺(tái)空調(diào)的功率沖擊系數(shù)方差約為0.2，當(dāng)包含因子為2時(shí)，文獻(xiàn)[19]方法對空調(diào)沖擊辨識(shí)的理論準(zhǔn)確度大約是95%，與本文測試結(jié)果相符。本文提出的分類方法基于結(jié)構(gòu)化風(fēng)險(xiǎn)最小，定義了4個(gè)沖擊特征量，使對空調(diào)沖擊分類的理論準(zhǔn)確度達(dá)到了100%，在理論上比文獻(xiàn)[19]方法更優(yōu)。

4 結(jié)論

針對空調(diào)等電器開啟時(shí)產(chǎn)生的沖擊電流，定義了4個(gè)可以描述沖擊波形特征的參數(shù)，構(gòu)建了均值化貝葉斯分類器。以智能電表為硬件基礎(chǔ)實(shí)現(xiàn)了本文所提方法，在實(shí)驗(yàn)室進(jìn)行了變頻空調(diào)和定頻空調(diào)沖擊波形分類測試。結(jié)果表明，與文獻(xiàn)[19]方法相比，本文所提方法具有更優(yōu)的分類效果。

下一步，將沖擊特征與其他特征融合，以進(jìn)一步提高負(fù)荷辨識(shí)準(zhǔn)確度。同時(shí)，增加更多沖擊負(fù)荷類型，以二分類器為基礎(chǔ)，構(gòu)建多分類器，實(shí)現(xiàn)對多種沖擊類電器的辨識(shí)。本文工作可為研制具有非侵入式負(fù)荷辨識(shí)功能的電能表提供參考。

[1] 王宏飛, 周鑫, 徐哲壯, 等. 基于云平臺(tái)的工業(yè)用電分析與預(yù)測[J]. 電氣技術(shù), 2020, 21(12): 6-11.

[2] 郝朝, 張浩然, 張曉崎, 等. 北京郊區(qū)電網(wǎng)冬季典型日“煤改電”負(fù)荷特性分析[J]. 電氣技術(shù), 2021, 22(10): 17-21, 33.

[3] 張敏, 錢霜秋, 吳仲麒, 等. 基于數(shù)據(jù)挖掘技術(shù)的中長期負(fù)荷預(yù)測方法[J]. 電氣技術(shù), 2021, 22(6): 43-48.

[4] HART G W. Non-instructive appliance load moni- toring[J]. Proceedings of the IEEE, 1992, 80(12): 1870-1891.

[5] LUO Dong, NORFORD L K, SHAW S R, et al. Monitoring HVAC equipment electrical loads from a centralized location-methods and field test results[J]. ASHRAE Transactions, 2002, 108(1): 841-857.

[6] 周東國, 張恒, 周洪, 等. 基于狀態(tài)特征聚類的非侵入式負(fù)荷事件檢測方法[J]. 電工技術(shù)學(xué)報(bào), 2020, 35(21): 4565-4575.

[7] ZHANG Shuai, ZHU Zhicheng, YIN Bo, et al. Event detection methods for nonintrusive load monitoring in smart metering using the improved CUSUM algo- rithm[C]//2018 International Conference on Sensing, Diagnostics, Prognostics, and Control, Xi’an, China, 2018.

[8] ZHU Zhicheng, WEI Zhiqiang, YIN Bo, et al. A novel approach for event detection in non-intrusive load monitoring[C]//2017 IEEE Conference on Energy Internet and Energy System Integration, Beijing, China, 2017.

[9] 牛盧璐, 賈宏杰. 一種適用于非侵入式負(fù)荷監(jiān)測的暫態(tài)事件檢測算法[J]. 電力系統(tǒng)自動(dòng)化, 2011, 35(9): 35-40.

[10] BOUHOURAS A S, MILIOUDIS A N, ANDREOU G T, et al. Load signatures improvement through the determination of a spectral distribution coefficient for load identification[C]//9th International Conference on the European Energy Market, Florance, Italy, 2012.

[11] LIN Yu-Hsiu, TSAI Men-Shen. A novel feature extra- ction method for the development of nonintrusive load monitoring system based on BP-ANN[C]//3CA Inter- national Symposium, Taiwan, China, 2010: 215-218.

[12] YANG Hong-Tzer, CHANG Hsueh-Hsien, LIN Ching- Lung. Design a neural network for features selection in non-intrusive monitoring of industrial monitoring electrical loads[C]//2007 11th International Con- ference on Computer Supported Cooperative Work in Design, Melbourne, VIC, Australia, 2007: 1022-1027.

[13] NG S K K, LIANG Jian, CHENG J W M. Automatic appliance load signature identification by statistical clustering[C]//8th International Conference on Advances in Power System Control, Operation and Management (APSCOM 2009), Hong Kong, China, 2009.

[14] HONG Yingyi, CHOU Jinghan. Non-intrusive energy monitoring for micro-grids using hybrid self- organizing feature-mapping networks[J]. Energies, 2012, 5(7): 2578-2593.

[15] 陳鴻川, 劉博, 欒文鵬, 等. 用于非侵入式電力負(fù)荷監(jiān)測的改進(jìn)Viterbi算法[J]. 電力系統(tǒng)及其自動(dòng)化學(xué)報(bào), 2017, 29(2): 84-88.

[16] 徐春華, 陳克緒, 馬建, 等. 基于深度置信網(wǎng)絡(luò)的電力負(fù)荷識(shí)別[J]. 電工技術(shù)學(xué)報(bào), 2019, 34(19): 4135- 4142.

[17] 王孝慈, 董樹鋒, 王莉, 等. 基于電器狀態(tài)關(guān)聯(lián)分析的民可平移負(fù)荷辨識(shí)[J]. 電工技術(shù)學(xué)報(bào), 2020, 35(23): 4961-4970.

[18] 雷怡琴, 孫兆龍, 葉志浩, 等. 電力系統(tǒng)負(fù)荷非侵入式監(jiān)測方法研究[J]. 電工技術(shù)學(xué)報(bào), 2021, 36(11): 2288-2297.

[19] 李永昆. 非侵入式多戶居民負(fù)荷辨識(shí)裝置開發(fā)及應(yīng)用研究[D]. 南京: 東南大學(xué), 2017.

[20] 廉永樂. 空管供配電系統(tǒng)可靠性分析[J]. 電氣技術(shù), 2021, 22(5): 89-96.

[21] 路軍, 王梓耀, 余濤. 基于樸素貝葉斯和D-S證據(jù)理論的多時(shí)空數(shù)據(jù)融合[J]. 電氣技術(shù), 2019, 20(11): 27-32, 45.

A Bayesian-based classification method of impulse waveforms for non-intrusive load monitoring application

ZHANG Bo1LIANG Kai2

(1. Xuzhou Power Supply Company of State Grid Jiangsu Electric Power Co., Ltd, Xuzhou, Jiangsu 221006;2. Wuxi Power Supply Company of State Grid Jiangsu Electric Power Co., Ltd, Wuxi, Jiangsu 214002)

Aiming at the problem of impact load type identification in non-intrusive load monitoring, an impact waveform classification method based on Bayesian classifier is proposed. Firstly, the characteristic parameters of an impulse current waveform such as impulse amplitude, rising time, dropping amplitude, and falling time are defined to establish a multi-feature Bayesian classification model. Secondly, the current impulse waveform samples of different appliances are divided into several groups, and the mean values of the characteristic values of the samples are used as the parameters of the classification model. Finally, the classification algorithm is implemented on the hardware platform of single-phase watt hour meter. The classification tests of fixed frequency air conditioner and variable frequency air conditioner are carried out in the laboratory scene. The results show that the proposed method can effectively identify two types of impulse waveforms, which verifies the feasibility of the proposed method.

non-intrusive load monitoring; Bayesian classifier; load impulse current; smart electricity meter

2021-10-29

2021-12-30

張 博（1990—），男，江蘇省徐州市人，碩士，工程師，從事智能用電技術(shù)、用電管理、電能計(jì)量相關(guān)技術(shù)研究工作。