王 毅，易 歡，李松濃，馮 凌，劉期烈，宋如楠

（1.重慶郵電大學(xué) 通信與信息工程學(xué)院，重慶 400065；2.國(guó)網(wǎng)重慶市電力公司電力科學(xué)研究院，重慶 400014；3.國(guó)網(wǎng)重慶市電力公司營(yíng)銷服務(wù)中心，重慶 400014；4.中國(guó)電力科學(xué)研究院，北京 100192）

0 引言

隨著社會(huì)的發(fā)展，電力成為社會(huì)的主要能源。電網(wǎng)是電力運(yùn)輸、分配和使用的載體。保持智能電網(wǎng)的穩(wěn)定運(yùn)行是電力系統(tǒng)規(guī)劃和管理的根本目標(biāo)[1]。負(fù)荷監(jiān)測(cè)可以幫助電力公司獲得用戶的詳細(xì)用電信息，分析用戶用電信息可以為電力系統(tǒng)的規(guī)劃和智能調(diào)度提供指導(dǎo)意見[2]。對(duì)電力用戶來說，可以通過負(fù)荷監(jiān)測(cè)結(jié)果分析自己的用電行為，制定合理的用電策略，降低用電成本，節(jié)約能源資源。侵入式負(fù)荷監(jiān)測(cè)(Intrusive Load Monitoring,ILM) 和非侵入式負(fù)荷監(jiān)測(cè)(Non-Intrusive Load Monitoring,NILM)是電力監(jiān)控的兩種手段。ILM 系統(tǒng)需在每個(gè)家用電器的前端安裝測(cè)量傳感器，用以實(shí)時(shí)的記錄設(shè)備的用電信息，其成本與電器的數(shù)量成線性關(guān)系；NILM 由美國(guó)麻省理工學(xué)院的Hart[3]教授于20 世紀(jì)80 年代提出，僅通過家庭入口處的電流電壓信息，采用算法得到各用電器的電氣信息。與ILM 系統(tǒng)相比，NILM 系統(tǒng)有安裝方便、成本低、保護(hù)隱私安全等優(yōu)點(diǎn)。非侵入式負(fù)荷識(shí)別主要有兩種實(shí)現(xiàn)方法，即事件法[4]和分解法[5，6]。事件法檢測(cè)電器設(shè)備的啟動(dòng)/關(guān)閉事件，以事件的瞬態(tài)變化為特征判斷電器的類型，從而推斷電器的實(shí)時(shí)工作狀態(tài)，實(shí)現(xiàn)電能的分解。分解法是直接從多負(fù)載疊加的電氣特性分解為每個(gè)電器特性最可能的組合。但隨著電器設(shè)備數(shù)量的增多，分解法的復(fù)雜度大大提高，而事件法則沒有上述缺點(diǎn)。事件法的關(guān)鍵在于對(duì)電器產(chǎn)生的負(fù)荷投切事件進(jìn)行準(zhǔn)確分類。

文獻(xiàn)[7]采用孿生神經(jīng)網(wǎng)絡(luò)結(jié)合空間凸包重疊率的相似性計(jì)算方法，在保證已知負(fù)荷的識(shí)別精度的基礎(chǔ)上，引入遷移學(xué)習(xí)實(shí)現(xiàn)了未知負(fù)荷的識(shí)別。文獻(xiàn)[8]采用電壓和電流的總體變化作為負(fù)載特征，根據(jù)循環(huán)中電壓電流變化的差異提取V-I 軌跡的特征，以帶有附加注意模塊的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行負(fù)載識(shí)別，但特征提取步驟較繁瑣且V-I 軌跡的訓(xùn)練占用計(jì)算資源大。文獻(xiàn)[9]采用有功功率和無功功率作為第一層中識(shí)別負(fù)載的特征，以電流的三次諧波和五次諧波作為第二層中識(shí)別負(fù)載的特征，通過KNN 進(jìn)行負(fù)荷的識(shí)別。文獻(xiàn)[10]采用局部均值平均法(LMD)結(jié)合KNN 的方法，通過LMD 將有功功率進(jìn)行分解，將分解得到的分量作為設(shè)備的唯一負(fù)載指紋，有效增加了相似負(fù)荷的識(shí)別率，但是對(duì)KNN 的K值以及LMD 的分解維數(shù)都需要根據(jù)經(jīng)驗(yàn)得到，存在不確定性。文獻(xiàn)[11]采用隨機(jī)森林對(duì)負(fù)荷特征進(jìn)行優(yōu)選，再利用經(jīng)過遺傳算法優(yōu)化的極限學(xué)習(xí)機(jī)進(jìn)行負(fù)荷分類。文獻(xiàn)[12]先采用有功功率和無功功率作為負(fù)荷特征，采用k-means 算法進(jìn)行聚類，針對(duì)一階段的識(shí)別盲區(qū)，構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，以V-I 軌跡作為負(fù)荷特征進(jìn)行二次識(shí)別，但模型訓(xùn)練時(shí)間長(zhǎng)。文獻(xiàn)[13]在電壓滿足一定條件的情況下采集負(fù)荷穩(wěn)態(tài)波形作為負(fù)荷特征，利用動(dòng)態(tài)時(shí)間彎曲(DTW)算法計(jì)算穩(wěn)態(tài)波形與模板庫(kù)的距離來識(shí)別負(fù)荷，但是在測(cè)量穩(wěn)態(tài)波形時(shí)對(duì)電壓有嚴(yán)格要求且對(duì)小電流設(shè)備的工作狀態(tài)容易誤判。

針對(duì)以上方法存在的缺陷，本文采用VMD 對(duì)歸一化的單周期穩(wěn)態(tài)電流信號(hào)進(jìn)行分解，求分解后分量與歸一化信號(hào)的相關(guān)系數(shù)，選相關(guān)系數(shù)最大的兩個(gè)分量作為電器的負(fù)荷特征，輸入訓(xùn)練好的LSTM 神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別。該方法不僅提高了相似性負(fù)荷的識(shí)別率，且模型訓(xùn)練時(shí)間短，花費(fèi)計(jì)算資源較少。通過PLAID 數(shù)據(jù)集和實(shí)驗(yàn)室采集數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn)，證明了本文方法的有效性。

1 特征構(gòu)建

1.1 VMD 算法原理

變分模態(tài)分解(Variational Mode Decomposition,VMD)是Dragomiretskiy K[14]等人于2014 年提出的一種新的非線性、非平穩(wěn)信號(hào)的自適應(yīng)分解計(jì)算方法。該方法認(rèn)為各個(gè)IMF 分量都是集中在中心頻率附近的窄帶信號(hào)。根據(jù)IMF 分量的窄帶條件建立約束問題來估計(jì)IMF 分量的中心頻率和重構(gòu)IMF 分量。

電流的原始信號(hào)為i(t),ik(t) 為經(jīng)VMD 分解的K個(gè)離散模態(tài)分量,k=1,2,…,K。

算法分解步驟如下：

(1)應(yīng)用Hilbert 變換獲取每個(gè)模態(tài)分量ik(t)的單邊譜，如式(1)所示：

式中：δ(t)為狄拉克函數(shù)。

(2)將每個(gè)模態(tài)分量ik(t)頻譜搬移到相應(yīng)基頻帶，如式(2)所示：

式中：ωk為ik(t)的中心頻率。

(3)通過對(duì)各模態(tài)分量ik(t) 解調(diào)信號(hào)的高斯平滑方式估計(jì)各模態(tài)分量的帶寬，構(gòu)造式(3)所示的約束變分模型：

式中：?t為對(duì)t求偏導(dǎo)。引入拉格朗日乘子λ和二次懲罰因子α，通過增廣拉格朗日函數(shù)將上述等式約束優(yōu)化問題等效為一個(gè)無約束優(yōu)化問題，如式(4)所示：

采用交替方向乘子法ADMM 和Parseval 定理交替迭代更新，直至滿足迭代終止條件：

式中：ε為求解精度。

求解過程中單個(gè)變量的更新表達(dá)式如式(6)、式(7)、式(8)所示：

式中：γ為噪聲容忍度。

1.2 基于VMD 的特征構(gòu)建

非侵入式負(fù)荷監(jiān)測(cè)系統(tǒng)中，數(shù)據(jù)質(zhì)量是影響識(shí)別精度的重要因素。且不同的采樣頻率、不同的采樣設(shè)備得到的數(shù)據(jù)會(huì)有一定的不同。為減小不同采集設(shè)備采集數(shù)據(jù)的差異，本文對(duì)電流進(jìn)行歸一化處理，將電流歸一化到(-1,1)范圍。歸一化按式(9)進(jìn)行處理：

式中:inor代表歸一化電流數(shù)據(jù)，imax為單周期內(nèi)電流的最大值，imin為單周期內(nèi)電流的最小值。

筆記本穩(wěn)態(tài)電流經(jīng)VMD 分解為5 個(gè)IMF 分量的波形如圖1 所示。

圖1 筆記本原始電流及分量波形

計(jì)算各IMF 分量與歸一化后電流信號(hào)的相關(guān)系數(shù)，將相關(guān)系數(shù)最大的兩個(gè)IMF 分量合并為一維向量作為該負(fù)荷的負(fù)載特征。

筆記本的負(fù)荷特征曲線如圖2 所示。橫軸為采樣點(diǎn)的個(gè)數(shù)，單周期的采樣點(diǎn)為500，分解后的每個(gè)分量的采樣點(diǎn)也為500，故合并后的特征的采樣點(diǎn)為1 000。

圖2 筆記本負(fù)荷特征波形

2 LSTM 網(wǎng)絡(luò)模型及識(shí)別流程

2.1 LSTM 網(wǎng)絡(luò)模型

在循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)的基礎(chǔ)上引入了遺忘門、輸入門和輸出門控制每個(gè)細(xì)胞單元的狀態(tài)得到長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）[15]，它解決了RNN 梯度消失和梯度爆炸等問題。LSTM 的模型內(nèi)部結(jié)構(gòu)如圖3 所示。

圖3 LSTM 內(nèi)部結(jié)構(gòu)圖

ft為遺忘門、Wf為遺忘門的權(quán)重矩陣；it為輸入門，Wi輸入門的權(quán)重矩陣；ot為輸出門，Wo為輸出門的權(quán)重矩陣。各計(jì)算公式如式(10)所示：

2.2 識(shí)別流程

負(fù)荷識(shí)別流程如圖4 所示，首先經(jīng)過穩(wěn)態(tài)數(shù)據(jù)的采集得到設(shè)備的穩(wěn)態(tài)電流，將穩(wěn)態(tài)周期電流經(jīng)VMD 分解，得到各分量波形；將與歸一化后電流信號(hào)相關(guān)系數(shù)最大的兩個(gè)分量拼接為一維負(fù)荷特征，輸入訓(xùn)練好的LSTM網(wǎng)絡(luò)進(jìn)行負(fù)荷識(shí)別。

圖4 負(fù)荷識(shí)別流程

3 算例測(cè)試及分析

本文采用基于Python 3.6 平臺(tái)TensorFlow 2.0 的深度學(xué)習(xí)框架。硬件平臺(tái)為Intel(R) Core(TM) i5-6500 CPU 3.2 GHz、8 GB RAM。

3.1 評(píng)價(jià)指標(biāo)

本文采用混淆矩陣全面地評(píng)價(jià)分類結(jié)果。評(píng)價(jià)指標(biāo)Pre代表當(dāng)前樣本的準(zhǔn)確率，Rre代表召回率，F(xiàn)1代表準(zhǔn)確率和召回率的平均評(píng)估指標(biāo)[16]。計(jì)算公式如式(11)、式(12)、式(13)所示：

其中TP 表示真實(shí)和預(yù)測(cè)都為正類的數(shù)量；TN 表示實(shí)際和預(yù)測(cè)都是負(fù)類的數(shù)量；FP 表示實(shí)際為負(fù)類，但預(yù)測(cè)為正類的數(shù)量；FN 表示實(shí)際為正類，但被預(yù)測(cè)為負(fù)類的數(shù)量。

3.2 PLAID 數(shù)據(jù)集算例分析

PLAID 數(shù)據(jù)集，采樣頻率為30 kHz，該數(shù)據(jù)集記錄了美國(guó)賓夕法尼亞州55 個(gè)家庭用戶的用電數(shù)據(jù)，包括11 種不同的電器1 793 組電壓、電流數(shù)據(jù)[17]。提取各個(gè)電器的180 個(gè)穩(wěn)態(tài)周期的電流數(shù)據(jù)，經(jīng)過VMD 分解后選擇與歸一化信號(hào)相關(guān)系數(shù)最大的兩個(gè)分量作為負(fù)荷特征，構(gòu)建成1×1 000 的一維負(fù)荷特征。文中訓(xùn)練數(shù)據(jù)集與測(cè)試數(shù)據(jù)集的比例為7:3，總數(shù)分別為1 386 和594。實(shí)驗(yàn)仿真結(jié)果繪制的混淆矩陣如圖5 所示。

圖5 PLAID 數(shù)據(jù)集LSTM 識(shí)別結(jié)果繪制的混淆矩陣

混淆矩陣中，縱軸表示用電設(shè)備的實(shí)際類別，橫軸表示預(yù)測(cè)類別，矩陣中斜對(duì)角線上的數(shù)字表示正確識(shí)別的數(shù)量，其他位置的數(shù)字表示未被正確識(shí)別的數(shù)量。百分?jǐn)?shù)表示當(dāng)前類別數(shù)量占測(cè)試集總樣本的比例，最右側(cè)的百分?jǐn)?shù)表示準(zhǔn)確率，最下側(cè)的百分比表示召回率。從中可以看到，各個(gè)電器的識(shí)別率都在96%以上，整體識(shí)別率達(dá)到了99%，說明本文方法有效。

3.3 與其他算法的對(duì)比

為了進(jìn)一步說明本文方法的有效性，與其他負(fù)荷識(shí)別算法進(jìn)行對(duì)比，表1 列出了各個(gè)算法的設(shè)備識(shí)別率，實(shí)驗(yàn)均在PLAID 數(shù)據(jù)集上進(jìn)行。各算法的準(zhǔn)確率如表1 所示。

表1 與其他識(shí)別算法的識(shí)別率對(duì)比

其中文獻(xiàn)[18]提取V-I 軌跡圖像的輪廓特征，利用這些特征計(jì)算橢圓傅里葉描述符作為負(fù)荷特征，利用多層感知機(jī)進(jìn)行分類。文獻(xiàn)[19]采用自動(dòng)選擇設(shè)備特征的遞歸特征消除算法，以隨機(jī)森林作為分類算法。文獻(xiàn)[20]采用穩(wěn)態(tài)、暫態(tài)相結(jié)合的負(fù)荷特征，利用基于PCA 的辨識(shí)分類算法進(jìn)行分類。文獻(xiàn)[21]使用V-I 軌跡圖像結(jié)合功率作為負(fù)荷特征，以BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行分類。由表1 可知，相比于參考文獻(xiàn)中的方法，本文方法采用VMD 分解單周期穩(wěn)態(tài)電流，計(jì)算分量與歸一化電流信號(hào)的相關(guān)系數(shù)，挑選相關(guān)系數(shù)最大的兩個(gè)分量作為負(fù)荷特征，增加了算法的辨識(shí)能力。

3.4 實(shí)驗(yàn)室自采數(shù)據(jù)集實(shí)驗(yàn)仿真及分析

實(shí)驗(yàn)室采集數(shù)據(jù)采用1 000:1 的電流互感器，Pico-Scope 5000 series 進(jìn)行數(shù)據(jù)采集。用電設(shè)備信息如表2所示。

表2 實(shí)驗(yàn)室所用設(shè)備信息

實(shí)驗(yàn)室自采數(shù)據(jù)集采樣頻率為5 kHz，包括6 種電器共1 080 個(gè)電流周期數(shù)據(jù)。經(jīng)VMD 分解后選用與歸一化電流信號(hào)相關(guān)系數(shù)最大的兩個(gè)分量拼接為1×200 的一維向量作為負(fù)荷特征。與PLAID 數(shù)據(jù)集一樣，訓(xùn)練集與測(cè)試集的比例為7:3，訓(xùn)練集和測(cè)試集的樣本總數(shù)分別為756、324。經(jīng)訓(xùn)練后的LSTM 模型分類效果如圖6 混淆矩陣所示。

圖6 實(shí)驗(yàn)室采集數(shù)據(jù)集LSTM 識(shí)別結(jié)果繪制的混淆矩陣

3.5 數(shù)據(jù)集結(jié)果差異分析

整體來看，該方法在PLAID 數(shù)據(jù)集上的識(shí)別率高于實(shí)驗(yàn)室采集數(shù)據(jù)的識(shí)別率，分析主要的原因在于PLAID數(shù)據(jù)集相似性負(fù)荷較少，而實(shí)驗(yàn)室采集的數(shù)據(jù)相似性負(fù)荷較多。另外一方面是采樣頻率的不同，PLAID 的采樣頻率為30 kHz，而實(shí)驗(yàn)室采集的數(shù)據(jù)是5 kHz，采樣頻率越高，則采集得到的數(shù)據(jù)含有的負(fù)荷信息就會(huì)更多，經(jīng)VMD 分解后會(huì)有更多的特征信息。

4 結(jié)論

針對(duì)相似性負(fù)荷識(shí)別率較低的問題，本文提出一種VMD 結(jié)合LSTM 的負(fù)荷識(shí)別方法。先將歸一化的單周期穩(wěn)態(tài)電流用VMD 進(jìn)行分解，再計(jì)算各分量與歸一化電流信號(hào)的相關(guān)系數(shù)，將與歸一化信號(hào)相關(guān)系數(shù)最大的兩個(gè)分量作為負(fù)荷特征，采用LSTM 神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別。在公開數(shù)據(jù)集PLAID 上進(jìn)行仿真驗(yàn)證，仿真結(jié)果的識(shí)別率為99%，表明本文方法的有效性。與其他負(fù)荷識(shí)別算法對(duì)比，本文所提方法可以得到更多的負(fù)荷特征信息，可以有效地提高識(shí)別率。最后在實(shí)驗(yàn)室采集的數(shù)據(jù)集上進(jìn)行了仿真驗(yàn)證，96.6%的識(shí)別率充分說明本文所提方法擁有良好的魯棒性。