何恒靖，周尚禮，張本松，謝文旺，連新凱 ，徐浩田

（1.南方電網(wǎng)數(shù)字電網(wǎng)研究院有限公司，廣東 廣州 510663；2.河南許繼儀表有限公司，河南 許昌 461000）

近年來，隨著新一代智能電表嵌入非侵入式負荷感知技術（non-intrusive load monitoring，NILM）的發(fā)展，國家電網(wǎng)、省電力公司等單位于2018年起便開始著手布局并相應地開展了部分試點以推動負荷感知技術的進一步發(fā)展[1]。該技術的發(fā)展和成熟不僅有助于促進電力公司和用戶之間的良好互動，同時可以通過大數(shù)據(jù)分析，為用戶提供方便、快捷的用電指導以及科學合理的用電建議，從而為推進資源節(jié)約型社會的發(fā)展奠定基礎。

NILM技術最早于20世紀80年代由麻省理工學院的HART教授提出[2]，目前，負荷辨識技術已經(jīng)成為一個新型的研究領域，引起了國內(nèi)外研究者的廣泛關注。相比于國外，國內(nèi)的高校和研究單位起步相對較晚，天津大學的余貽鑫院士團隊最先開始從事這方面的研究[3-4]，隨后武漢大學、東南大學等[1，5-6]高校學者也針對NILM進行了深入研究。總的來講，該領域的研究核心在于負荷特征的構建和辨識算法的開發(fā)，這也是當前研究的熱點。負荷特征是直接反映負荷的運行狀態(tài)，是實現(xiàn)負荷分類和辨識的依據(jù)。早期，有功功率和無功功率是負荷辨識最為常用的特征，例如文獻[4]中選取了有功功率和無功功率作為負荷特征進行負荷分解。然而，對于小功率設備或者對于具有特征混疊的負荷，通常需要借助其他負荷特征進行細分辨識，例如文獻[7]中選用穩(wěn)態(tài)電流幅值、瞬態(tài)電流波形以及電流諧波等特征進行負荷辨識。盡管這些特征在一定程度上避免了辨識過程中因特征少的局限性，然而，多維特征容易引發(fā)高維災難，從而影響負荷辨識效率，因此文獻[8]將多種負荷特征構造成特征集，通過降維處理得到最佳辨識特征。此外，為了能夠進一步解決負荷特征混疊問題，文獻[9]通過分析設備的高頻采樣數(shù)據(jù)提取了V—I軌跡圖像特征與功率數(shù)值特征，以復合特征作為設備新的特征訓練BP神經(jīng)網(wǎng)絡進行非侵入式負荷辨識。

隨著可選辨識特征的增多，選擇高效的辨識算法成為了當前亟待解決的難點。同時隨著人工智能的快速興起，各種監(jiān)督型算法因其適用性廣、尋優(yōu)能力強的優(yōu)點成為了研究熱點[10]。神經(jīng)網(wǎng)絡作為一種具有學習能力和構建非線性的復雜關系模型，因此在NILM算法開發(fā)中得到了進一步研究與應用，文獻[11]提出采用彈性BP（resilient back propagation，RPROP）模型對實驗室7種設備有效辨識；隨著深度學習神經(jīng)網(wǎng)絡的發(fā)展，雙向長短時記憶（Bi-directional long short-term memory，Bi-LSTM）模型、循環(huán)神經(jīng)網(wǎng)絡（recurrent neural network，RNN）模型等[12-13]相繼也應用在該領域，并取得了較好的成果。此外，還有一些模式識別的經(jīng)典算法，例如Adaboost算法[14]，它將同一訓練集訓練出的不同的分類器通過線性疊加的方式，構成一個更強的分類器，具有簡單、高效等特性。

考慮到BP神經(jīng)網(wǎng)絡在智能電表負荷感知模塊上易于實現(xiàn)以及具備自學習、容錯性好等特點，本文利用Adaboost算法核心思想，建立一個基于BP神經(jīng)網(wǎng)絡分類器增強的負荷辨識方法。首先，本文在有功、無功功率特征這一最基本的電量特征基礎上，引入與用戶用電行為習慣密切相關的非電量特征，然后利用思維進化算法（mind evolutionary algorithm，MEA）[15]優(yōu)化BP神經(jīng)網(wǎng)絡內(nèi)在參數(shù)，使得分類器性能得到提升。同時，結合Adaboost框架理論對BP神經(jīng)網(wǎng)絡分類器進行增強。最后，在AMPds公開數(shù)據(jù)集進行訓練和測試，驗證文中方法的有效性。

1 負荷特征選擇及建模

1.1 有功功率-無功功率

有功功率P和無功功率Q是反映各電器運行最直接且有效的特征。通常該特征是根據(jù)采樣得到的一個周期內(nèi)的瞬時電壓V（t）、瞬時電流I（t）信息計算得到，即

式中：T為一個周波內(nèi)的采樣點數(shù)；t為周波內(nèi)的采樣點時刻。

作為典型的負荷特征，有功和無功特征的結合可以對一些大功率負荷進行有效區(qū)分，即采用P—Q圖的方式進行聚類實現(xiàn)對用電負荷的辨識。然而，對于具有P—Q特征混疊的用電設備，則需要引入其他特征進行細分。

1.2 用戶投切設備時間

在普通用戶家庭中，用電行為通常潛在地存在一些規(guī)律，例如電飯煲等具有比較規(guī)律的投切時刻點。令某個用電設備i在投切時刻為ti，則負荷i關于用電設備投切時刻分類函數(shù)可表示為

式中：ti，kL，ti，kR分別為用電設備i投切時刻的下限和上限。

投切時刻上、下限值的確定要求滿足在該區(qū)間范圍內(nèi)的負荷i占該負荷總統(tǒng)計次數(shù)90%以上。

1.3 負荷運行時長

運行時長是反映電器的“固有屬性”和用戶的“生活屬性”的一項重要參數(shù)，也是電能能耗計量的基礎。由于不同電器的運行時長不僅與電器自身構造相關，也與用戶的行為習慣密不可分，因此可建立特征分類函數(shù)為

其中，F(xiàn)L（i）表示針對負荷特征的分類函數(shù)；Li表示某種用電設備時長，當其運行時長在這種用電設備規(guī)定的范圍內(nèi)[Li，min，Li，max]則認為是該種負荷。Li，min和Li，max分別表示負荷i運行時長的下限和上限，通常在確定Li，min和Li，max值時要求滿足在該區(qū)間范圍內(nèi)的負荷i占該負荷總的統(tǒng)計次數(shù)的90%以上。

2 BP神經(jīng)網(wǎng)絡分類器增強的電力負荷辨識算法

從上述特征中不難發(fā)現(xiàn)，由于特征的量綱不一致性以及分類器設計的差異性，使得僅通過傳統(tǒng)分類器方法難以滿足高負荷辨識準確度的需求。為此，本文利用模式識別中BP神經(jīng)網(wǎng)絡分類作為分類器，通過Adaboost算法理論框架，搭建BP神經(jīng)網(wǎng)絡分類器增強的非侵入式負荷辨識方法。同時，針對BP神經(jīng)網(wǎng)絡內(nèi)部參數(shù)，采用MEA算法進行優(yōu)化，提升辨識性能。

2.1 Adaboost辨識算法

Adaboost算法[16-17]的核心思想是將多個弱分類器通過權值線性組合成一個強分類器，從而增強分類性能。

假定任意一個樣本可表示為（xi，yi），其中，xi是樣本的特征向量，yi是樣本的標簽向量，yi=[yi1，yi2，...，yik，...，yiK]，其分量定義為

式中：K為類別數(shù)，當K=2時，即屬于二分類。

在Adaboost算法中，各個分類器采用加法模型，假定訓練好的分類器記為fm(x)，如下式：

式中：h（ix）為基分類器（弱分類器）；αi為分類器h（ix）的權重。

針對K分類，fm（x）可表示為fm（x）=[fm（1x），fm（2x），…，fmK（x）]。為了能夠確保求解得到的fm（x）唯一，這里通常需要添加一個對稱約束條件：

此外，為了能夠更好地求解模型，Adaboost的指數(shù)損失函數(shù)沿用傳統(tǒng)的指數(shù)損失函數(shù)，即

其中

式中：ωi為權重分布。

由于yi和hm（x）i都是 1×K維向量，當它表示第j類時，則第j個分量為1，其余分量為-1（/K-1），因此當分類器預測正確時，有：

反之，當預測錯誤時，有：

將式（10）、式（11）代入損失函數(shù)式（8），并對變量αm求導可得：

得到：

其中

式中：re為分類器的錯誤率。

由此，通過對各個弱分類器的分類錯誤率計算以及權重ωi的分布，最終得到各個分類器的權重αi，從而得到一個強分類器：

功能性便秘主要以老年人為高發(fā)人群，病情較輕的患者可出現(xiàn)腹脹不適且容易影響營養(yǎng)的吸收，病情較重的患者有可能發(fā)生結腸潰瘍及癌腫，可嚴重威脅患者生命安全[1] 。本研究針對本院收治80例老年功能性便秘患者采取不同護理措施進行分析，報告如下。

2.2 BP神經(jīng)網(wǎng)絡分類器

BP神經(jīng)網(wǎng)絡作為一種能夠通過學習帶正確答案的實例集自動提取“合理”的求解規(guī)則，在分類等領域得到了廣泛的應用。為此，本文利用經(jīng)典的BP神經(jīng)網(wǎng)絡作為分類器，并且為了能夠避免BP神經(jīng)網(wǎng)絡存在因訓練過程中收斂速度慢和容易陷入局部極小值等缺點，提出采用MEA[15]尋找全局最優(yōu)值，從而得到MEA改進后的BP神經(jīng)網(wǎng)絡（以下簡稱為MB神經(jīng)網(wǎng)絡）。

具體地，整個MB神經(jīng)網(wǎng)絡流程如下：

1）產(chǎn)生初始化結構群體。在MEA中進行種群初始化，確定初始種群總數(shù)r，優(yōu)勝子群體個數(shù)m和臨時子群體個數(shù)p，則可確定子群體大小SG：

2）將BP神經(jīng)網(wǎng)絡的初始權值和閾值映射到MEA編碼空間。本文采用三層BP神經(jīng)網(wǎng)絡，即輸入層、隱含層和輸出層，其中輸入層、隱含層以及輸出層中的節(jié)點個數(shù)分別設置為S1，S2和S3，則MEA中每個個體的編碼長度L為

3）選擇最優(yōu)個體。針對子群體內(nèi)部，建立得分函數(shù)func進行計算，得分函數(shù)如下式：

式中：T為期望輸出；A2為每次迭代后神經(jīng)網(wǎng)絡輸出層的輸出；mse（）為均方誤差計算函數(shù)。

然后，在局部公告板上記錄所有個體得分。顯然，均方誤差越小，得分越高，即作為優(yōu)勝者。當子種群不再產(chǎn)生新的優(yōu)勝者，則表示趨同過程完成。在全局公告板上，記錄每個子種群的得分，優(yōu)勝子種群和臨時子種群不斷進行比較、替換，實現(xiàn)異化。最終，在整個種群中搜索得分最高的個體。

2.3 實現(xiàn)流程

圖1給出了BP神經(jīng)網(wǎng)絡分類器增強的流程框架。在該框架中，首先利用MEA尋求BP神經(jīng)網(wǎng)絡的最佳參數(shù)，得到改進后的MB神經(jīng)網(wǎng)絡，然后基于MB神經(jīng)網(wǎng)絡構造多個分類器，并采用Adaboost算法對各分類器進行訓練并賦予權重，最后線性加權得到最終的強分類器。

3 實驗結果與分析

在測試中，采用AMPds公開數(shù)據(jù)集，并選取8種可用電器作為數(shù)據(jù)源，提取在2012年4月至2012年5月之間各個負荷使用時的有功功率、無功功率、投切時間、運行時長等特征信息，共816個樣本，并從所提取的樣本特征數(shù)據(jù)中隨機選取90%作為訓練集，剩余10%作為測試集。圖2給出了有功和無功功率所組成的P—Q圖。從圖中可以看出，臥室電器、照明以及電火爐具有一定的相似性；洗衣機和電冰箱具有相似性，因此分類辨識時容易發(fā)生錯誤。相比之下，其他設備則具有一定的可區(qū)分性。

圖3為各個用電設備投切時間統(tǒng)計分布圖，每個用電設備都劃分到區(qū)間[0，50]，[50，150]，…，[1 250，1 350]，[1 350，1 400]中進行統(tǒng)計。不難看出，有些時間用電設備基本上不會投入使用，例如臥室電器，其投切時間主要集中在第250～850 min內(nèi)，而有些用電設備則可能全天候出現(xiàn)投切，例如冰箱（壓縮機啟動被認為是負荷投入，壓縮機關閉則認為是該負荷切除）。

圖4給出了各個用電設備的每次投入時整理的使用時長數(shù)據(jù)，每個用電設備使用時長都劃分到區(qū)間[0，5]，[5，15]，…，[85，95]，[95，100]中。顯然，這些用電設備均有一定的時長分布特性，例如，臥室電器是在區(qū)間[0，15]內(nèi)；照明設備則基本上大于45 min；洗衣機分布在區(qū)間[35，55]上；洗碗機分布在區(qū)間[0，45]上；由于冰箱是由壓縮機工作決定，因此每次時長都分布在[5，25]之間；電火爐因天氣等原因，但其使用時長最長也在85 min之內(nèi)；暖泵使用的區(qū)間在[15，55]內(nèi)；干洗機則在區(qū)間[5，45]內(nèi)。

為了能夠有效地辨識，本文方法中需要對模型參數(shù)進行配置。MEA的參數(shù)設置為：初始種群600個；優(yōu)勝子種群10個；臨時子種群10個；MEA的迭代次數(shù)50次。BP神經(jīng)網(wǎng)絡的參數(shù)設置為：5個節(jié)點隱含層；最大訓練次數(shù)200次；學習速率0.01 s；最小確認失敗次數(shù)5次；訓練精度0.01%。

由于每個設備在不同特征下的區(qū)分度存在差異，表1給出了各個特征采用神經(jīng)網(wǎng)絡訓練的結果。從表中可以看出，投切時刻的辨識準確率較低，而有功—無功特征的準確率較高，表明有功—無功特征具有較好的區(qū)分度。

表1 MB神經(jīng)網(wǎng)絡訓練結果Tab.1 Result of MB neural network

為了評估所提辨識方法的效果，以下從用戶行為特征和算法性能比較兩方面展開論述。

1）非電量特征有效性。

從圖2中可以看出，僅通過有功、無功特征無法高效地區(qū)分臥室電器、照明和電火爐，也無法區(qū)分洗衣機和電冰箱。為此，需要結合非電量特征。圖5給出了臥室電器、照明、電火爐的特征分布圖，圖6給出了洗衣機和電冰箱的特征分布圖?？梢钥闯觯S著非電量特征的加入，這些設備的區(qū)分性得到了較大提升。

表2給出了本文模型和BP-Adaboost模型的測試結果。不難發(fā)現(xiàn)，針對這些在有功功率—無功功率具有相似性的用電設備，通過增加非電量特征，辨識準確率可以接近90%及其以上，且相比于未優(yōu)化的BP神經(jīng)網(wǎng)絡分類器增強方法（BPAdaboost），本文方法獲得的性能更優(yōu)，從而驗證了MEA方法改善BP神經(jīng)網(wǎng)絡的有效性。

表2 有功—無功辨識準確率Tab.2 Accuracy of identification using active power and reactive power

2）算法模型對比分析。

將本文所提出的MB-Adaboost方法和RPROP神經(jīng)網(wǎng)絡算法[11]在同一訓練集進行實驗，結果如表3所示。相比之下，本文方法具有較高的辨識準確率。

表3 本文方法與RPROP辨識準確率比較Tab.3 Comparison with RPROP method in terms of accuracy of identification

4 結論

為了進一步在智能電表上推廣和應用非侵入式負荷辨識技術，本文提出以電器投切時間、運行時長和投切次數(shù)為代表的用戶用電行為特征和傳統(tǒng)電氣負荷特征相結合的特征組合作為辨識依據(jù)。同時，提出了BP神經(jīng)網(wǎng)絡分類器增強的非侵入式負荷辨識算法模型，該模型融入的思維進化算法改善了BP神經(jīng)網(wǎng)絡；然后采用Adaboost理論框架對BP神經(jīng)網(wǎng)絡分類器進行訓練，得到最終的強分類器。最后，在AMPds公用數(shù)據(jù)集中進行測試，通過分析以及與現(xiàn)有的神經(jīng)網(wǎng)絡辨識算法進行比較，驗證了非電量特征對辨識性能提升的有效性和本文模型的可行性，為NILM在智能電表上的推廣應用奠定基礎。