石少青，張樂平 ，張本松，吳昊文，連新凱，杜書帥

（1.中國南方電網(wǎng)有限責任公司，廣東 廣州 510080：2.南方電網(wǎng)數(shù)字電網(wǎng)研究院有限公司，廣東 廣州 510663：3.河南許繼儀表有限公司，河南 許昌 461000）

隨著新一代智能電表的推廣和應用，非侵入式負荷辨識技術作為一種新興的智能化負荷監(jiān)測手段，越來越受到國家電力公司等單位的青睞。電力公司通過智能電表非侵入式負荷辨識技術收集用戶側用電比例構成[1]，了解各個負荷的用電特點及潛在用電規(guī)律[2]，可以充分挖掘用戶的互動潛力，進而為實現(xiàn)電網(wǎng)透明化[3]奠定基礎。

智能電表非侵入式負荷感知系統(tǒng)主要由數(shù)據(jù)采集、特征選取和負荷辨識3個模塊組成[4]。其中，特征選取和負荷辨識是負荷識別技術的關鍵。負荷特征是反映負荷運行狀態(tài)的關鍵信息，通?？蓪⑵浞譃殡娏刻卣骱头请娏刻卣?。常見的電量特征包括：有功功率[5]、無功功率、電流諧波[6]和V—I軌跡[7]等穩(wěn)態(tài)特征[8]，以及尖峰特征、電壓噪聲等暫態(tài)特征[9]；而非電量特征則包括時間特征[10]、天氣、溫度等表達用戶用電行為的外界特征[11]。基于這些特征，文獻[12]中首先使用聚類算法將負荷按有功功率和無功功率進行分類實現(xiàn)粗辨識，再將二維V—I軌跡圖作為卷積神經(jīng)網(wǎng)絡模型的輸入，完成精細化識別。在文獻[13]中提出了一種融合排列熵算法和Yamamoto算法的暫態(tài)特征采樣方法，并結合特征權重，采用基于模糊c均值聚類實現(xiàn)非侵入式負荷辨識。然而僅使用電量特征會因為負荷種類的增多而需要不斷加入新的特征提升辨識能力，難免會造成計算量過大的問題。文獻[14]通過考慮電器運行過程與時間的關聯(lián)關系，結合負荷運行模式的時間尺度信息和信號幅值構建序列翻譯模型，將待分解的能量翻譯為狀態(tài)碼，實現(xiàn)負荷能耗分解。

考慮到不同的負荷特征獲取方式，負荷辨識方法通?？煞譃榛谪摵墒录秃突谪摵蛇\行狀態(tài)型[15]兩種。基于負荷事件的辨識方法提取隨負荷狀態(tài)變化產(chǎn)生的負荷特征變化，并將其作為辨識依據(jù)，而基于負荷運行狀態(tài)的辨識方法將負荷工作時間內(nèi)的特征狀態(tài)作為辨識依據(jù)。文獻[16]在負荷事件的基礎上提取負荷特征，然后通過融合Fisher得分和主成分分析算法的Fisher主元分析法剔除掉區(qū)分性較差的無效特征，同時降低有效特征之間的關聯(lián)性，然后采用遺傳算法（genetic algorithm，GA）對模型參數(shù)進行尋優(yōu)，從而完成負荷識別。而文獻[17]首先采用基于B樣條曲線擬合算法提取負荷運行狀態(tài)的互補特征，然后用支持向量機（support vector machine，SVM）算法構建分類器對負荷進行辨識。一般來說，基于負荷事件的辨識方法無需了解負荷整個運行狀態(tài)的情況，且負荷特征數(shù)據(jù)易于獲取、方便計算和存儲，具有準確率較高的特點。

基于此，本文通過負荷事件檢測提取負荷事件的有功-無功功率、時間等特征，并對時間特征進行細化建模?？紤]到用戶用電行為的規(guī)律性，采用Mean-shift聚類對具有相同時間特征的負荷進行聚類，進而引入孿生神經(jīng)網(wǎng)絡進行負荷細分，最終實現(xiàn)負荷辨識。最后，通過實際數(shù)據(jù)測試驗證文中方法的有效性。

1 負荷特征表達

負荷特征是用于區(qū)分不同類型負荷的內(nèi)在特性，合理的選取負荷特征對后續(xù)的負荷辨識具有重要意義。本文選取的電量特征包括有功功率和無功功率特征；非電量特征則包括負荷運行時長特征、運行時刻等特征。

1.1 電量特征

1.1.1 有功功率特征

有功功率P作為一種易于獲取的穩(wěn)態(tài)特征，能直觀地反映負荷的能耗且也是負荷投切時最為明顯的特征。在現(xiàn)有智能電表中，負荷辨識模塊可直接與計量芯通信讀取實時的有功功率值。

1.1.2 無功功率特征

無功功率Q與有功功率P相對應，也是一種表現(xiàn)負荷內(nèi)在性質(zhì)的穩(wěn)態(tài)特征。同樣地，無功功率可直接從計量芯實時獲取。

通常，負荷可根據(jù)無功和有功功率將負荷劃分為阻性、容性以及感性等類別。

1.2 非電量特征

非電量特征，例如時間、溫度、節(jié)假日等，是反映用戶用電行為的特征，可作為負荷不易區(qū)分時潛在的輔助特征。時間特征應用較為廣泛[18-19]，主要包括負荷運行時長和啟動時刻。

1.2.1 負荷運行時長特征

負荷運行時長是對負荷單次運行時間長短的描述，不同的負荷通常運行時間長短不一。圖1為某負荷運行時長特征示意圖，圖中t1為負荷開啟事件發(fā)生時刻點，t2為該負荷關閉事件發(fā)生時刻點，兩時刻點的差值即為負荷運行時長L的值。

圖1 負荷運行時長特征示意圖Fig.1 Feature of load running time

對于常見的家用電器，大致可將其分為兩類，其中建模方式以高斯和均勻分布為主，如表1所示。因此對負荷的運行時長L，其概率密度分布可描述為

表1 負荷運行時間分布Tab.1 Distribution of time length

式中：N（μ，σ2）為高斯分布；l為常數(shù)，代表均勻分布。

一般而言，負荷運行時長的統(tǒng)計依賴于負荷自身的特性以及用戶的用電行為。本文在負荷事件檢測的基礎上，對某家庭用戶各負荷運行時長進行了統(tǒng)計，如圖2所示，其中各圖形上方的數(shù)字表示各負荷的平均運行時長。

圖2 負荷運行時長特征統(tǒng)計結果Fig.2 The length of statistical time of load running

從圖2中可以看出，各負荷運行時長之間具有一定的區(qū)分性，例如空調(diào)通常是長時間運行，電視機平均運行時長在2 h左右，而微波爐、電水壺、電磁爐以及洗衣機的運行時長較短，僅為幾min或十幾min，且分布相對較為集中。

1.2.2 負荷運行時刻特征

負荷運行時刻特征通常與用戶作息、行為習慣有較大關聯(lián)。圖3為統(tǒng)計某家庭用戶各負荷運行時刻特征統(tǒng)計熱力圖，圖右側刻度條顏色表示對應的運行次數(shù)。圖中色塊的位置反映各負荷處于運行狀態(tài)的時間段，顏色越深代表負荷在該時間段內(nèi)使用頻率越高。例如，冰箱幾乎處于全天運行狀態(tài)，而熱水器通常在晚上19∶00—20∶00之間運行。此外，從圖中也可以看出空調(diào)的運行時段也較為固定，均為夜里22∶00以后開啟到次日早晨關閉，這與用戶睡眠時間有關，而電視機則通常在中午和晚上運行。這些也從側面反映了用戶對負荷的使用習慣。因此，可將一天24 h分為若干個時間段，并用二值函數(shù)表示在某時間段（t1，t2）內(nèi)是否有負荷事件發(fā)生，即

圖3 負荷運行時刻特征統(tǒng)計結果Fig.3 Statistical running time of load

lt=1表示發(fā)生負荷事件；lt=0表示未發(fā)生負荷事件。

1.2.3 間歇性變化特征

除了上述一些特征之外，還存在一些工作波形特征。圖4所示為洗衣機工作時所展現(xiàn)的波形曲線特性。不難看出，該特征具有較好的區(qū)分性，因此在非電量特征中可直接進行負荷判別，即

圖4 負荷運行間歇性變化特征示意圖Fig.4 Vairation feature of load during running

2 負荷時間特征統(tǒng)計及細分

考慮到用戶用電行為通常具有統(tǒng)計規(guī)律，因此時間特征是除電量特征以外能夠有效地提高負荷辨識準確率的特征。本文首先對負荷時間特征進行統(tǒng)計以及細化建模。

2.1 負荷運行時長特征分段

采用負荷運行時長特征進行分類，最為直接的方式是按運行時長的長短進行劃分。為了確定具體的運行時長的細分類型數(shù)和分類閾值，本文對所有負荷的運行時長采用核密度估計方法，得到負荷時長特征概率密度分布函數(shù)f（x）。對f（x）進行積分，并令積分結果滿足：

根據(jù)ε值的不同，可將負荷按運行時長分為若干個類型，使得每個類型包含的負荷種類數(shù)大致相等，同時得到時長閾值x的值。

2.2 負荷運行時刻特征分段

考慮到負荷在一天中的運行時刻具有不確定性，可能存在多負荷同時運行的高峰期（晚上下班后），也存在幾乎無負荷運行的低谷期（在白天的工作時間），因此負荷運行時間特征的分段往往不是均勻等距的，需要根據(jù)具體的場景進行劃分。

對于不同用戶的不同用電行為規(guī)律，為進一步確定具體劃分時間段的時間點，本文采用一種最優(yōu)化的方法，規(guī)定所有負荷所占的時間段數(shù)總和最少即為最優(yōu)的時間區(qū)間劃分結果，這能很大程度地將不同運行時刻的負荷區(qū)分開來。

令NTi表示第i個負荷占用的時間段數(shù)，i?1～s，s為總的負荷類型數(shù)，則目標函數(shù)的表達式如下式所示：

對于具有s類負荷的環(huán)境而言，可以用稀疏二值矩陣LTs×24表示各負荷的運行時段（下標24代表一天24 h），矩陣中1代表存在負荷運行，0代表不存在負荷運行，結合式（2）可將某一天的各負荷運行時刻分布情況表示為

其中，矩陣的每一行代表各負荷存在運行狀態(tài)的時間段，每一列代表該小時內(nèi)運行的負荷類型。若將時刻tm1，tm2，…，tmt（1

式中：j為時刻點，j?[1，24]。

定義符號函數(shù)sgn（·）為

將式（7）、式（8）計算結果代入式（5）即可求得m1，…，mt的值。

3 Mean-shift負荷事件聚類和孿生網(wǎng)絡判斷

在智能電表非侵入式負荷辨識研究中，時間特征和電量特征具有一定的差異性。本文對時間特征采用Mean-shift聚類，得到用戶在相同時間特征下所使用的負荷，同時利用孿生神經(jīng)網(wǎng)絡，通過與數(shù)據(jù)庫負荷匹配辨識出所使用的負荷類型。

3.1 Mean-shift聚類

Mean-shift算法作為一種非參數(shù)化聚類算法，其基本思想是假設不同簇類的數(shù)據(jù)集符合不同的概率密度分布，通過找到任一樣本點密度增大的最快方向，那么樣本密度高的區(qū)域?qū)谠摲植嫉淖畲笾担@些樣本點最終會在局部密度最大值處收斂，且收斂到同一局部最大值的樣本點就被認為是同一簇類。相比于其他聚類算法如K-means算法，Mean-shift算法無需預先設置聚類中心數(shù)，其可以借助數(shù)據(jù)分布概率密度自適應地選取聚類中心數(shù)[20]，這對一天內(nèi)使用的負荷類別的快速確定具有重要意義。

假定給定d維空間的n個樣本點xi（i=1，…，n），空間中任一點x的Mean-shift漂移向量的基本形式為

式中：y為在空間尺度h內(nèi)的變量；K為n個樣本點中分布在區(qū)域Sh內(nèi)的個數(shù)；Sh為以x為中心、h為半徑的高維球域區(qū)域。

在聚類的過程中，按照下式不斷地計算漂移向量進行迭代，最終獲得聚類中心。

為了優(yōu)化聚類效果，引入核函數(shù)K（xi-x）[21]，則均值偏移向量更新為

式中：ω（xi）為樣本xi的權重，由其概率分布決定。

3.2 孿生網(wǎng)絡判斷負荷類型

在聚類之后，本文采用如圖5所示的孿生網(wǎng)絡的方法對負荷進行細分類。

圖5 孿生網(wǎng)絡結構圖Fig.5 Siamese network framework

孿生網(wǎng)絡主要用來衡量兩個輸入的相似程度，其有兩個輸入（X1和X2），將兩個輸入分別輸入兩個神經(jīng)網(wǎng)絡（Network1和Network2），通常兩個神經(jīng)網(wǎng)絡的結構和參數(shù)一般是相同的，它們分別將輸入映射到新的空間形成新的特征，并最終通過計算距離來評價兩個輸入的相似度。

圖5中，X1，X2為負荷特征和數(shù)據(jù)庫中負荷特征；GW表示神經(jīng)網(wǎng)絡模型，下角W表示權重，GW的作用就是將電量和非電量特征數(shù)據(jù)X轉換為一組特征向量；EW則用于衡量特征向量之間的距離，距離越小，則代表越相似。

本文采用彈性BP神經(jīng)網(wǎng)絡[22]（resilient back propagation，RPROP）作為孿生神經(jīng)網(wǎng)絡中的GW。假設分類對象為Ψi（i=1，2，…，p），每個對象Ψi對應有q個樣本Ψij（j=1，2，…，q），其中樣本特征維數(shù)為r，即

則特征集的個數(shù)為p×q，此時將這些樣本輸入神經(jīng)網(wǎng)絡，得到p×q個輸出矢量：

式中：u為輸出層數(shù)據(jù)維度。

則生成的特征矩陣為

為了降低計算量，對矩陣Y進行主成分分析。令Y的協(xié)方差矩陣的最大特征值對應的特征矢量為t，則在第一主元方向的投影所得數(shù)據(jù)為

即第i類對象的第j個樣本對應于第一主元方向上的投影數(shù)據(jù)αij。假定當?shù)趎個主元成分上投影的方差和占總方差超過某個閾值（文中設置為0.90），則確定了對應的n個特征向量，從而生成特征集。

為了判別神經(jīng)網(wǎng)絡輸入屬于具體某個負荷類別，將數(shù)據(jù)庫中負荷類別特征作為孿生神經(jīng)網(wǎng)絡輸入，其中孿生神經(jīng)網(wǎng)絡輸出的距離度量采用K-means分類方法。

3.3 實現(xiàn)流程

圖6給出了本文方法的具體流程框架。在該框架中，首先對負荷事件通過時間特征進行聚類，獲得相應的負荷類別，然后通過孿生神經(jīng)網(wǎng)絡，將與數(shù)據(jù)庫中與之具有相同時間特征的負荷進行匹配，最終得到負荷辨識結果。

圖6 本文方法模型結構圖Fig.6 Frame chart of proposed method

4 實驗結果與分析

為了驗證文中方法的有效性，本文以某一家庭用戶作為具體的研究對象，連續(xù)對該家庭用戶監(jiān)測30 d的負荷數(shù)據(jù)進行離線分析，并從中分析提取出負荷運行的特征數(shù)據(jù)，構建負荷特征數(shù)據(jù)庫。用戶使用的負荷包括空調(diào)、電飯煲、微波爐、電水壺、電磁爐、電視機、熱水器、洗衣機和電冰箱。為此，本文將該9種負荷作為研究對象進行辨識，表2給出了該用戶負荷有功-無功功率特征和間歇性特性數(shù)據(jù)庫，運行時長和投切時刻統(tǒng)計圖見圖2、圖3。文中設置Meanshift算法中時長尺度為10 min，投切時刻尺度為相差30 min。

表2 負荷特征數(shù)據(jù)庫Tab.2 Database of load signature

4.1 參數(shù)設置

4.1.1 負荷運行時長分段閾值

按照1.2.1中的方法，為確定具體的運行時長分類閾值，圖7給出了負荷時長特征概率密度分布結果。為了獲得時長分類的界限，本文對概率密度函數(shù)進行積分，取積分結果中值處作為負荷運行時長分界線。為了方便表示，令t0表示時長分類閾值點，設置式（4）中ε=1/2，計算得到分類閾值t0≈40 min，由此可將t0作為負荷事件分類的運行時長閾值，即短時長為040。

圖7 負荷運行時長特征統(tǒng)計示意圖Fig.7 Statistical length of running time

4.1.2 負荷運行時刻特征分段閾值

4.2 測試案例分析

在統(tǒng)計獲得負荷特征數(shù)據(jù)庫的基礎上，對用戶某一天的用電數(shù)據(jù)作為測試數(shù)據(jù)進行實驗。

首先，對該用戶的日用電功率曲線進行負荷事件檢測，并提取負荷事件的有功-無功功率特征和時間特征信息，測試數(shù)據(jù)如圖8所示，負荷事件特征信息如表3所示。由時間特征分類可知，該日負荷事件分為5類，與之匹配的在數(shù)據(jù)庫中得到的負荷類別如表4所示。然后，與數(shù)據(jù)庫中的時間特征采用Mean-shift聚類后，得到聚類匹配結果如表5所示。顯然，從數(shù)據(jù)庫中聚類得到的結果可以發(fā)現(xiàn)，時間特征上相似的負荷設備可能存在多個，因此需要進一步細分。

表3 負荷事件特征信息Tab.3 Information of feature of load event

表4 負荷時間特征匹配信息Tab.4 Information of time feature of load in matching

表5 時間特征Mean-shift聚類結果Tab.5 Reuslt of Mean-shift clustering of load event

圖8 測試數(shù)據(jù)日負荷事件檢測結果Fig.8 Detect result of test data in one day of home

為了最終判斷負荷類型，將電量特征和時長特征作為孿生網(wǎng)絡中彈性BP神經(jīng)網(wǎng)絡1的輸入，同時，將數(shù)據(jù)庫中訓練的負荷類別的特征信息輸入到BP神經(jīng)網(wǎng)絡2，通過生成的特征進行K-means聚類，最終得到的匹配結果如表6所示，與實際負荷投切運行結果一致。

表6 孿生神經(jīng)網(wǎng)絡匹配聚類結果Tab.6 Matching reuslt of siamese neural network

為了進一步驗證本文方法的有效性，本文與文獻[22]中的神經(jīng)網(wǎng)絡負荷辨識方法進行比較，其中輸入特征為有功、無功，辨識結果如表7所示。從表中可以發(fā)現(xiàn)，在沒有時間特征細分情況下，單一地采用神經(jīng)網(wǎng)絡進行負荷辨識，因特征存在混疊導致其錯誤率較高；而本文方法首先通過對時間特征的細分，并采用Mean-shift算法與數(shù)據(jù)庫中的負荷進行聚類，選擇具有相似的時間特征，然后通過孿生神經(jīng)網(wǎng)絡進行細分，實現(xiàn)了較高的辨識準確率。在該用戶場景下，其平均辨識準確率為0.976 3。

表7 對比分析結果Tab.7 Reuslts of comparsion

5 結論

針對實際家庭用電場景中用戶使用的負荷類型辨識問題，文中提出了基于Mean-shift聚類和孿生網(wǎng)絡的負荷辨識方法，該方法按家庭負荷時間特征分布情況統(tǒng)計結果，將負荷事件按運行時長和運行時刻特征通過Mean-shift聚類方法，獲得相似時間特征的負荷，然后采用孿生網(wǎng)絡進行負荷匹配辨識，提高辨識準確率。實驗結果證明，該方法可有效彌補因有功-無功特征混疊而引起的負荷辨識準確率低的問題。在下一步工作中，我們也將通過采集其他不同家庭用戶負荷特征，將文中算法進行應用推廣。