劉春蕾,龐鵬飛,石紋赫,胡偉俊,戚 軍

(1. 國網(wǎng)河北省電力有限公司保定供電分公司，河北 保定 071000;2. 浙江工業(yè)大學信息工程學院，浙江 杭州 310023)

環(huán)境污染降低了自然資源的利用率，影響人的身體健康[1]，環(huán)境監(jiān)測是抑制環(huán)境污染事件發(fā)生的重要一環(huán)。我國現(xiàn)階段污染監(jiān)測技術主要分為地表水系統(tǒng)監(jiān)測、空氣質量監(jiān)測以及污染源監(jiān)測三種形式，目前都存在一些問題，例如：地表水系統(tǒng)監(jiān)測對于監(jiān)測位置選擇具有較高要求，城市中空氣質量監(jiān)測站數(shù)量尚無法滿足監(jiān)測準確性和完整性要求，安裝于每個排污設備端和治污設備端的污染源監(jiān)測儀不僅實施代價高而且存在作弊問題[2]。考慮到很多排污設備和治污設備都由電力驅動，以及設備運行時電壓電流數(shù)據(jù)通常無法造假的特點，本文嘗試將NILM技術應用于污染源監(jiān)測中，通過實時監(jiān)測排污企業(yè)入戶電力數(shù)據(jù)來獲取排污設備和治污設備的啟停信息，從而在確保監(jiān)測實時性和準確性的同時降低污染源監(jiān)測的難度。

NILM由Hart博士于20世紀80年代提出，隨著測量技術的發(fā)展和算法研究的深入[3-4]，NILM技術出現(xiàn)在廣闊的應用領域，包括：需求側管理中為電價與供需聯(lián)動提供基礎數(shù)據(jù)[5]，供電監(jiān)測中實現(xiàn)異常負荷監(jiān)測以及故障定位[6]，用電行為分析中提升用戶體驗和資源利用率[7]。NILM中設備投切事件檢測的準確性和快速性對于后續(xù)負荷特征提取以及類型識別具有顯著影響。早期研究中使用較多的啟發(fā)式方法及匹配濾波方法原理都較為簡單，在判斷事件是否發(fā)生過程中，啟發(fā)式方法關注負荷的變化率是否超過閾值，匹配濾波方法則將采集信號與已知模板進行匹配，兩者僅適用于設備種類較少且干擾較小的應用場景?；诟怕誓Ｐ偷淖凕c檢測方法是當前的研究熱點，Rehman等[8]提出用事件通用似然比(Generalized likelihood ratio，GLR)來檢測事件，其通過調整滑動窗口的長度、功率方差判定閾值等參數(shù)來提高算法的精度；Anderson等[9]在GLR法的基礎上引入了投票機制，提高GLR法的準確性；史帥彬等[10]提出了一種基于復合滑動窗的累積和(Cumulative Sum，CUSUM)暫態(tài)事件檢測算法，能夠準確檢測到容易被忽略的具有緩慢爬坡特性的暫態(tài)事件。由于需要采集足夠長的數(shù)據(jù)才能作出較為準確的判斷，變點檢測方法很難及時定位事件發(fā)生時刻，從而使測量和存儲高頻負荷數(shù)據(jù)變得困難。

本文以污染源監(jiān)測需求為出發(fā)點，提出并設計了基于NILM技術的污染源監(jiān)測方法及實現(xiàn)流程，主要包括基于小波濾波算法的實測數(shù)據(jù)去噪環(huán)節(jié)、基于最小二乘預測法(Least-square prediction method，LSPM)的事件檢測環(huán)節(jié)以及基于相位和頻率矯正的負荷特征提取環(huán)節(jié)。最后在BLUED數(shù)據(jù)庫和實際污染源設備監(jiān)測工程中分別進行仿真驗證和實際測試。

1 基于NILM的污染源監(jiān)測系統(tǒng)

基于NILM的污染源監(jiān)測系統(tǒng)主要由工業(yè)用戶端、數(shù)據(jù)采集卡、負荷分析儀、電網(wǎng)公司以及相關環(huán)保部門組成，具體如圖1所示。電網(wǎng)公司在工業(yè)用戶的入口端安裝數(shù)據(jù)采集卡采集電力信號；數(shù)據(jù)采集卡中的信息被傳輸?shù)截摵煞治鰞x；負荷分析儀完成負荷分析計算并實現(xiàn)污染源監(jiān)測，將監(jiān)測結果通過網(wǎng)絡上傳到云端；電網(wǎng)公司以及環(huán)保部門能夠讀取云端數(shù)據(jù)進行數(shù)據(jù)可視化展示，最后由環(huán)保部門對工業(yè)用戶的排污和治污行為作進一步監(jiān)管。

圖1 NILM污染源監(jiān)測系統(tǒng)結構

基于NILM的污染源監(jiān)測流程主要包括數(shù)據(jù)采集、小波去噪、事件檢測以及特征提取等環(huán)節(jié)，詳見圖2。其中，數(shù)據(jù)采集環(huán)節(jié)需在工廠入戶端加裝高頻(建議10kHz及以上)數(shù)據(jù)采集卡，實時測量入戶電力線路上的電壓和電流數(shù)據(jù)。由于傳感、測量、轉換和傳輸?shù)冗^程存在各種干擾，采集到的電壓電流波形難免帶有毛刺或畸變，直接影響后續(xù)事件檢測及特征提取環(huán)節(jié)的準確性[11]，因此在小波去噪環(huán)節(jié)將對采集到的高頻電壓和電流信號進行在線濾波以減少噪聲干擾影響。在事件檢測環(huán)節(jié)根據(jù)濾波后電流的變化情況，采用LSPM法來判斷是否有事件發(fā)生。一旦檢測到事件，將存儲事件前后總線電壓和電流波形數(shù)據(jù)。在負荷特征提取環(huán)節(jié)將基于相位和頻率矯正技術從總線波形中獲取投切設備電壓和電流波形，并進一步獲取波形所包含的負荷特征信息。根據(jù)詳細的負荷特征信息，比對歷史負荷特征庫，即可判斷出當前啟停事件對應的設備類型，從而實現(xiàn)對污染源的實時在線監(jiān)測。

1.1 小波去噪環(huán)節(jié)

去噪環(huán)節(jié)中采用的是小波濾波法，相較于中值濾波與均值濾波法無法保留信號中突變信息的缺點，小波濾波法具有突變信息保留更完整、波形更穩(wěn)定的優(yōu)點。此外，小波濾波法效率高、原理簡單，基本能滿足工程使用中的實時性要求。小波濾波法具體步驟如下：

步驟1) 小波分解：選擇Symlet系小波基，假設分解層數(shù)總數(shù)為m層，i表示第i層分解層數(shù)，預先設置i=1，第1層輸入信號x(t)由含噪聲的總線電壓或電流測量信號構成。

圖2 污染源監(jiān)測流程

步驟1-1) 對信號x(t)進行分解，分解公式如式(1)所示。

(1)

其中k表示函數(shù)位移量，x(t)為尺度函數(shù)族φi,k(t)和Symlet系小波函數(shù)族ψi,k(t)的線性組合，低頻分量ci[k]與高頻分量di[k]的計算公式如式(2)和式(3)所示[12]。

ci[k]=〈x(t),φi,k(t)〉

(2)

di[k]=〈x(t),ψi,k(t)〉

(3)

其中<>表示內積計算。對x(t)完成分解后，令i=i+1，并轉入步驟1-2)。

步驟1-2) 若i≤m，進入步驟1-3)繼續(xù)下一層小波分解；否則，結束小波分解，進入步驟1-4)。

步驟1-3) 更新第i層的分解信號x(t)為ci-1，然后返回步驟1-1)。

步驟1-4) 分解結束得到由m層高頻分量與1層低頻分量所組成的小波系數(shù){d1,…,dm,cm}，第i層系數(shù)對應的長度為n/2i，n為原始信號長度。

步驟2) 閾值選擇：閾值選取直接影響到重構信號的還原程度，本文采用通用閾值規(guī)則進行閾值選取，閾值T的計算公式如下[13]：

(4)

其中σ為噪聲標準方差，計算公式如式(5)所示。

(5)

其中Median函數(shù)為中值求解函數(shù)。

步驟3) 閾值去噪：由于信號中大部分噪聲存在于高頻信號中，因此需要通過閾值函數(shù)對每一層高頻分量di去噪。由于常用的軟、硬閾值函數(shù)對信號去噪后存在重構信號偏差較大的缺點[14]，本文選擇軟硬閾值折衷法，其表達式如下[15]：

(6)

其中sgn函數(shù)在輸入值大于0時返回1，等于0時返回0，小于0時返回-1。軟硬閾值折衷法通過在0與1之間適當調整α的大小，獲得較好去噪效果，文中取α=0.5，對高頻分量中小于閾值T的部分進行過濾，大于閾值T的部分保留并進行收縮，得到新的高頻分量d′i。

步驟4) 小波重構：將去噪后的高頻分量d′i與低頻分量cm進行離散逆變換就可以將原始信號重構，得到去噪后的負荷信號f′(t)，信號重構公式如式(7)所示。

(7)

1.2 LSPM事件檢測環(huán)節(jié)

具體實現(xiàn)步驟如下：

步驟1) 基于濾波后的電流波形提取工頻周期最大值，其中W1的電流最大值序列為{Imax(k-m),Imax(k-m+1),…,Imax(k-1)}。

步驟2) 在檢測窗口中構造一條待擬合曲線，函數(shù)表達式如下所示：

Y=Xθ

(8)

其中，待擬合直線對應的系數(shù)θ∈R2×1，輸入值X∈Rm×2，實測值Y∈Rm×1，矩陣的表達式如式(9)和式(10)所示。

(9)

(10)

圖3 LSPM檢測算法示意圖

根據(jù)構造的曲線，能夠得到其誤差函數(shù)如式(11)所示。

J(θ)=(Xθ-Y)T(Xθ-Y)=

θTXTXθ-θTXTY-YTXθ+YTY

(11)

步驟3) 為求得使誤差函數(shù)最小的系數(shù)θ，對誤差函數(shù)中的J(θ)求偏導，如式(12)所示。

(12)

求導等式進行整理之后能夠得到待擬合曲線系數(shù)的最優(yōu)解θ，如式(13)所示。

θ=(XTX)-1XTY

(13)

(14)

在檢測到C(k)超出閾值設定范圍時，判定采樣點k處發(fā)生設備投切事件，轉入步驟5)，否則返回步驟1)，將W1的起始點更新為k-m+1，通過新的電流最大值序列繼續(xù)進行事件檢測。

步驟5) 根據(jù)W2中數(shù)據(jù)確定投切設備由暫態(tài)進入穩(wěn)態(tài)的時間點，判斷依據(jù)如式(15)所示。

(15)

步驟6) 假設設備在Imax(x)序列中第k+l個采樣點處結束暫態(tài)，l為設備暫態(tài)過程周期個數(shù)。從投切前穩(wěn)態(tài)起始采樣點k-l，暫態(tài)起始采樣點k以及投切后新穩(wěn)態(tài)的起始采樣點k+l開始分別保存三個時間段的電壓與電流波形，并分別命名為upre-event，ipre-event，utran，itran，upost-event，ipost-event，每段波形的長度都為Nl，N為工頻下每個周期數(shù)據(jù)長度。

1.3 負荷特征提取環(huán)節(jié)

由于用電設備都是并聯(lián)連接，且供電線路上的壓降通常較小，因此用電設備的端電壓可以近似于總線測量節(jié)點上的電壓。總線上的電流信號由多個設備的電流信號疊加而成，負荷m投切后總線上電流信號itran(t)由投切前總線電流信號ipre-event(t)與用電負荷m的電流信號iload(t)疊加而成，總線電流和每個用電負荷電流信號的表達式都如式(16)所示。

(16)

其中，f為電網(wǎng)頻率，ψ為電流信號相位角，A為電流信號幅值，x為信號中諧波次數(shù)。

理論上從itran(t)與ipost-event(t)中剔除ipre-event(t)即可提取投切設備的暫-穩(wěn)態(tài)電流波形iload(t)，但是實際離散測量信號面臨電網(wǎng)頻率波動帶來的相位偏差以及周期采樣點數(shù)量的變化，將電流信號簡單地相減會使電流波形出現(xiàn)誤差。因此本文提出一種相位和頻率矯正方法來獲取較為準確的電流信號。特征提取環(huán)節(jié)具體實現(xiàn)步驟如下：

步驟1) 相位矯正：由于電流信號相角由電壓的起始相位決定，因此需要保證三個時段的電流信號對應的電壓波形在同一起始相角下。當upre-event第一個周期中的采樣點upre-event(m)滿足式(17)時，則認為該點為電壓過零點，并將ipre-event的穩(wěn)態(tài)起始點更新為m，ipre-event最后一個周期的結束點同樣更新為對應的電壓過零點。

(17)

同理，通過式(17)將itran與ipost-event的起始與結束采樣點更新為utran與upost-event第一和最后一個周期中的電壓過零點，與此同時將upre-event，utran，upost-event的起始與結束點也更新為電壓過零點。

步驟2) 頻率判斷：通過實測信號數(shù)據(jù)計算出三個時段對應的電網(wǎng)頻率，計算公式如下所示：

(18)

其中fs為NILM裝置采樣頻率，本文設置為10kHz,l′為相位矯正后波形中的周期個數(shù)，n為矯正后波形長度。若實測頻率與額定頻率偏差不超過0.1%，直接轉入步驟4)提取投切設備的電壓與電流波形，否則轉入步驟3)進行頻率矯正。

步驟3) 頻率矯正：由于不同時段的電壓和電流信號頻率矯正過程相同，因此將待矯正信號統(tǒng)一記為Ypre-cor(k)，k=1,2,…,n，將采樣時刻根據(jù)實測頻率f與額定頻率f0的比值進行縮放，第k個采樣點對應時刻t(k)的計算公式如下：

(19)

將t(0)與t(k)之間時段按照1/fs等間隔采樣，記為t′(j)，j=1,2,…,Nl′，與t′(j)對應的Ycor(j)即為頻率矯正后的信號，計算公式如式(20)所示。

Ycor(j)=

(20)

步驟4) 波形提?。合辔患邦l率矯正后的itran，ipost-event與ipre-event分別相減能夠得到投切設備的暫態(tài)電流波形iload -tran以及穩(wěn)態(tài)電流波形iload-steady，負荷電壓波形uload-tran和uload-steady與總線電壓utran和upost-event相同，如式(21)～式(24)所示。

iload-tran=itran-ipre-event

(21)

iload-steady=ipost-event-ipre-event

(22)

uload-tran=uload

(23)

uload-steady=upost-event

(24)

步驟5) 特征計算：負荷特征包括暫態(tài)時長Ttran、穩(wěn)態(tài)有功功率P和無功功率Q、暫態(tài)電流絕對平均值|I|mean、有效值Irms，最大峰值Ipp以及電流諧波的幅值Ax與相角φx，其中x為信號諧波次數(shù)[16]。

步驟6) 負荷類型判斷：通過與歷史負荷特征數(shù)據(jù)庫進行對比，判斷當前檢測到的事件所屬設備類別。

2 BLUED數(shù)據(jù)庫驗證

2.1 去噪方法仿真分析

本文選擇使用BLUED數(shù)據(jù)庫[17]中電力數(shù)據(jù)來驗證該監(jiān)測技術的準確性及有效性。首先選擇BLUED數(shù)據(jù)庫中A相電流信號2個周期的采樣數(shù)據(jù)共計400個采樣點，分別采用小波濾波、均值濾波以及中值濾波進行去噪處理。去噪前后的波形如圖4所示，與中值濾波及均值濾波法相比，小波濾波法去掉了大部分尖峰，使電流的波形變得較為平滑，并且較好地保留了波形原始信息。

圖4 去噪前后波形對比

2.2 事件檢測仿真結果分析

本文采用召回率Precall、精確率Pprecision、F分數(shù)Fm以及事件檢測時間Tavr作為事件檢測的評判指標[18]，其定義如式(25)～式(27)所示。

(25)

(26)

(27)

其中TP(true positive)為真陽性，TN(true negative)為真陰性，F(xiàn)P(false positive)為假陽性，F(xiàn)N(false negative)為假陰性。Precall為正確檢測到陽性事件占所有實際陽性事件的比例，Pprecision為正確檢測到陽性事件占全部檢測結果為陽性事件的比例，F(xiàn)m為Precall和Pprecision的調和平均值，用于綜合考慮精確率和召回率，Tavr用來衡量完成一次事件檢測所需要的平均時間。

選取BLUED數(shù)據(jù)庫中2011年10月20～21日A相24小時的實際測量數(shù)據(jù)進行事件檢測仿真對比，投切事件實際發(fā)生的總次數(shù)為132次。為驗證去噪方法對事件檢測效果的影響，本文加入數(shù)據(jù)濾波前的檢測結果作為對比，為考察本文所使用的LSPM法的性能，增加GLR法以及滑動窗法[19]作為對比實驗，三種檢測方法的結果如表1所示。

表1 事件檢測結果對比

由表1可知，由于濾波需要花費一定的計算時間，濾波前事件檢測的Tavr都小于濾波后的Tavr；由于濾波前數(shù)據(jù)附帶的許多尖峰與毛刺給事件檢測帶來誤差，造成LSPM法和滑動窗法檢測的準確率顯著下降。其中GLR法運用有功功率曲線進行事件檢測，而有功功率計算過程相當于進行了均值濾波，因此導致濾波前后其事件檢測結果并無明顯差別。

從小波去噪之后的LSPM法、GLR法以及滑動窗法的性能對比可以看出，本文所提出的LSPM法的Precall、Pprecision及Fm基本與GLR法相當，但顯著優(yōu)于滑動窗法；從檢測時間對比來看，LSPM法的Tavr明顯短于GLR法，該檢測方法在事件發(fā)生后能夠快速反映事件檢測結果。因此下文的實際污染源設備監(jiān)測工程中，選用準確性與GLR相當，但檢測速度明顯優(yōu)于GLR的LSPM法來檢測排污設備和治污設備的啟停。

2.3 特征提取仿真分析

選取BLUED數(shù)據(jù)庫中A相某一時刻冰箱開啟前后的電流波形進行特征提取。如圖5所示，分別為相位與頻率矯正前與矯正后提取的設備電流和電壓波形。由矯正前后波形對比圖可知，矯正后的電流波形更為平滑且幅值更為準確，由此可見相位及頻率偏差對于所提取的設備電流波形影響非常大。根據(jù)提取出的冰箱設備的電壓電流波形，計算得到如表2所示的用電設備特征，由表2可知，矯正后用電設備的P和Q與準確值(即設備投切前后總線穩(wěn)態(tài)功率之差)更為接近。由此可見提取設備電流波形前進行相位與頻率矯正的必要性。

3 實際污染源設備監(jiān)測工程驗證

對某工廠電壓和電流信號采用小波濾波進行去噪處理，其中5個周波電流波形去噪前后的對比如圖6所示。小波去噪之后過濾掉大部分噪聲，總線上電流波形更為平滑，并且較好地保留了信號的真實特征，有助于提高后續(xù)事件檢測及特征提取的精度，準確定位發(fā)生事件對應的時刻。

圖5 矯正前后冰箱電流波形

設定事件檢測閾值為200A，對2021年5月2～9日這一周的事件檢測結果進行分析。這一周中發(fā)生的投切事件次數(shù)為84次，其中三相事件檢測結果如表3所示。可以看出三相電流波形檢測的召回率能夠達到88%以上，精確率達到了90%以上，說明該方法運用在實際設備的事件檢測中漏檢率較低?？紤]到事件發(fā)生頻次可能較高，NILM監(jiān)測系統(tǒng)需要在較短時間內完成事件檢測，如表1中Tavr對比所示，LSPM法的檢測速度能夠滿足實時分析需求，實際運行結果也證實了這一點。

表2 相位和頻率矯正前后的負荷特征

圖6 去噪前后工廠電流波形對比

表3 工廠事件檢測結果

經(jīng)相位與頻率矯正之后提取某設備電流波形如圖7所示。在設備啟動瞬間，設備的電流峰值接近900A，隨后電流開始緩慢下降，最終在20s左右達到穩(wěn)態(tài)，穩(wěn)態(tài)時設備電流峰值穩(wěn)定在240A左右。根據(jù)所提取的設備電流波形計算得到負荷特征如表4所示。對比歷史負荷特征庫，即可判斷出當前投切設備所對應的設備類型，從而判斷該工廠實時的排污和治污狀況，為環(huán)保監(jiān)管提供及時準確的現(xiàn)場信息。

圖7 投切設備的電流波形

表4 設備負荷特征

4 結 論

本文設計了基于NILM的污染源監(jiān)測系統(tǒng)，其采用小波濾波法對所采集的電力數(shù)據(jù)進行去噪，采用LSPM法對總線電流數(shù)據(jù)進行事件檢測，采用相位和頻率矯正法對總線上電壓和電流波形進行矯正以獲取用電設備特征。最后在BLUED數(shù)據(jù)庫和實際工程案例中進行了詳細的測試和驗證，結果表明：本文設計的污染源監(jiān)測系統(tǒng)中使用的小波濾波法具有效率高、原理簡單的優(yōu)勢；提出的LSPM法具有較高的召回率、準確性以及事件檢測時效性；經(jīng)過相位和頻率矯正后的電流波形更為準確，提取的特征能較好滿足污染源監(jiān)測的需求。本文的研究為污染源實時監(jiān)測提供了新的技術視角和實現(xiàn)途徑，具有較好的應用前景。

本文主要著眼于污染源設備投切事件檢測和負荷特征提取，但并未對設備類型識別作深入探討，后續(xù)可在本文基礎上應用機器學習算法對此作進一步研究。