基于IBPSO的非侵入式多負(fù)荷投切行為辨識(shí)方法*

劉興杰，許月娟

(華北電力大學(xué)(保定)，河北 保定 071003)

0 引 言

家用負(fù)荷是電力用戶側(cè)管理的重要組成部分，集中體現(xiàn)了電網(wǎng)的智能化程度，家庭負(fù)荷投切行為的辨識(shí)是電力需求側(cè)管理的關(guān)鍵技術(shù)，通過辨識(shí)技術(shù)，及時(shí)了解用電行為習(xí)慣，積極響應(yīng)節(jié)能政策，促進(jìn)用戶合理用電，對(duì)未來電力市場的發(fā)展具有重要意義[1-4]。

負(fù)荷用電信息的監(jiān)測分為侵入式和非侵入式兩種，非侵入式負(fù)荷監(jiān)測技術(shù)因成本低，安裝方便且維護(hù)簡單等優(yōu)點(diǎn)[5-6]，成為近年來研究的重點(diǎn)。目前，國內(nèi)外學(xué)者對(duì)家用負(fù)荷投切行為的辨識(shí)展開了廣泛的研究，文章[7]基于智能能源管理系統(tǒng)構(gòu)架，通過響應(yīng)資源調(diào)制機(jī)制對(duì)用戶用電行為進(jìn)行了優(yōu)化。文章[8]通過采集智能電表中的負(fù)荷用電數(shù)據(jù)，挖掘隱藏的用電行為習(xí)慣，為電力需求側(cè)響應(yīng)政策的制定提供了一定的數(shù)據(jù)支持。對(duì)負(fù)荷投切行為的特征進(jìn)行辨識(shí)時(shí)，選擇的特征包括功率、電流諧波、諧波能量等，取得一定的研究成果，但對(duì)單一特征的辨識(shí)精度仍有待提高。另一方面，對(duì)負(fù)荷投切行為辨識(shí)算法的研究較多，包括人工神經(jīng)網(wǎng)絡(luò)[9]、遺傳算法[10]、聚類[11]等算法，而與前面所述算法相比，粒子群優(yōu)化算法(Particle Swarm Optimization，PSO)是一種基于群體的優(yōu)化工具，更適合科學(xué)研究和工程應(yīng)用[12]，成為研究的焦點(diǎn)。文章[13]對(duì)PSO的加速系數(shù)和更新速度做了優(yōu)化，對(duì)盲信號(hào)分離十分有效。文章[1,14-15]對(duì)PSO中的編碼模式和適應(yīng)度函數(shù)做了優(yōu)化，但仍然是在PSO基礎(chǔ)上對(duì)連續(xù)量的研究。最早由Kenned博士和Eberhart博士提出的二進(jìn)制算法(BPSO)，將PSO中各部分進(jìn)行二進(jìn)制處理，在二進(jìn)制變量空間尋求最優(yōu)解[16]，該算法在離散優(yōu)化問題上效果明顯。但是，在現(xiàn)有的對(duì)家用負(fù)荷的研究中，只有對(duì)單一家庭的負(fù)荷辨識(shí)，而從單元或小區(qū)的電力服務(wù)入口(Electric Service Entrance，ESE)對(duì)多個(gè)家庭的負(fù)荷辨識(shí)研究很少。為了全面了解居民用戶的用電行為，制定需求側(cè)響應(yīng)政策，對(duì)一個(gè)小區(qū)或者一棟樓的電力負(fù)荷投切行為的辨識(shí)是必要的。

因此，提出改進(jìn)的二進(jìn)制粒子群優(yōu)化算法(IBPSO)，融合有功功率和電流諧波作為負(fù)荷投切行為的特征，并在IBPSO適應(yīng)度函數(shù)中引入距離測度法，對(duì)一個(gè)單元中多負(fù)荷投切行為進(jìn)行辨識(shí)。該算法可以有效辨識(shí)多負(fù)荷同時(shí)投切行為，為了解居民用電行為和非侵入式負(fù)荷監(jiān)測系統(tǒng)(NILMS)的設(shè)計(jì)提供科學(xué)依據(jù)。

1 電力負(fù)荷投切行為特征

常見的家用負(fù)荷通?？煞譃閮深悾壕€性負(fù)荷和非線性負(fù)荷。線性負(fù)荷即為阻性負(fù)荷，主要有白熾燈和各類電熱負(fù)荷，包括電暖爐、電暖壺、電飯煲等，此類負(fù)荷的諧波含量少，且暫態(tài)過程平緩；非線性負(fù)荷又分為容性負(fù)荷和感性負(fù)荷，筆記本電腦、液晶電視等為容性負(fù)荷；電風(fēng)扇、吹風(fēng)機(jī)、洗衣機(jī)等為感性負(fù)荷。這類負(fù)荷普遍有啟停電源、線圈或電機(jī)，部分諧波含量較髙，投切時(shí)可能伴有沖擊電流現(xiàn)象[17]。

各負(fù)荷間的功率和電流諧波含量不完全相同，以二者融合作為負(fù)荷投切時(shí)的特征，具有較好的可辨識(shí)性。

1.1 負(fù)荷功率

非侵入式負(fù)荷監(jiān)測系統(tǒng)的ESE采集電壓、電流信號(hào)，經(jīng)過功率計(jì)算公式計(jì)算得到的功率是居民單元某時(shí)刻各負(fù)荷總的功率消耗。為了便于分析，假定該單元有n個(gè)家庭，每個(gè)家庭中均選擇m個(gè)典型負(fù)荷，總功率的計(jì)算方程為：

式中i表示表示該單元家庭個(gè)數(shù)；j表示每個(gè)家庭中負(fù)荷的個(gè)數(shù)；Pij即第i個(gè)家庭，第j個(gè)負(fù)荷的功率。

1.2 負(fù)荷電流諧波特征

根據(jù)基爾霍夫電流定律可知，ESE監(jiān)測的電流由各個(gè)出口支路的電流線性疊加得到，即總電流是各個(gè)用電設(shè)備投切時(shí)電流的疊加[16]。采用電流信號(hào)的頻域表達(dá)來構(gòu)建電流特征，以此作為負(fù)荷投切行為特征。在1.1中假設(shè)基礎(chǔ)上，總的電流表達(dá)式為：

式中iij表示第i個(gè)家庭中第j個(gè)負(fù)荷投入時(shí)的電流。

快速傅里葉變換(Fast Fourier Transformation，F(xiàn)FT)是離散傅里葉變換(DFT)快速算法，可以將原來難以處理的時(shí)域信號(hào)轉(zhuǎn)換成了易于分析的頻域信號(hào)(信號(hào)的頻譜)，而對(duì)非周期性信號(hào)的處理得到了廣泛的應(yīng)用[18-19]。DFT的計(jì)算方程為：

k=0,1,...,N-1

(3)

FFT利用DFT中的周期性和對(duì)稱性，按K的奇偶分成兩組進(jìn)行分解，使整個(gè)DFT的計(jì)算變成一系列迭代運(yùn)算，可大幅度提高運(yùn)算速度，計(jì)算方程為：

k=0,1,...,N-1

(4)

采用FFT將電流信號(hào)變換到頻域，此時(shí)，每個(gè)負(fù)荷投入時(shí)的電流可用頻域內(nèi)的一組諧波幅值進(jìn)行表征。以第一個(gè)家庭為例，每個(gè)負(fù)荷的電流為：

式中ω為基波角頻率；ijl表示第一個(gè)家庭中第j個(gè)負(fù)荷投入時(shí)l次電流諧波；Ijl是ijl各次諧波的幅值。

將每個(gè)負(fù)荷投切時(shí)的電流，進(jìn)行FFT分解后得到的一組諧波幅值和功率，融合為(k+1)維的數(shù)組，作為單一負(fù)荷投切時(shí)的特征，如公式(6)所示：

S=[IijP]1×(k+1)

(6)

2 IBPSO辨識(shí)算法

2.1 BPSO算法

PSO最初用于處理連續(xù)優(yōu)化問題，相關(guān)研究也主要集中在連續(xù)函數(shù)方面，即其速度、加速度等變量都是連續(xù)的[12-14,16]。目前已有的研究中，多將PSO用二進(jìn)制進(jìn)行編碼，再轉(zhuǎn)化為十進(jìn)制數(shù)，實(shí)質(zhì)上仍是連續(xù)優(yōu)化問題。然而，工程實(shí)際中，很多問題是離散的，這就需要將基本的PSO在二進(jìn)制空間進(jìn)行擴(kuò)展。因此，將PSO算法中的速度變量、學(xué)習(xí)因子等都用[0,1]區(qū)間的數(shù)表示，位置變量用0或1的二進(jìn)制數(shù)表示，并進(jìn)行優(yōu)化，且免去了二進(jìn)制與十進(jìn)制相互轉(zhuǎn)化的問題。

位置變量的維數(shù)由該非侵入式負(fù)荷監(jiān)測系統(tǒng)所包含的用戶負(fù)荷的種類和數(shù)量決定，每一位都用二進(jìn)制表示。假設(shè)該系統(tǒng)由5戶，10種負(fù)荷組成，位置變量的取值范圍為：[0,0,...,0]1×50～[1,1,...,1]1×50，在位置更新過程中，每一位在0和1之間翻轉(zhuǎn)，1表示負(fù)荷投入，0表示負(fù)荷切除[1,17]。位置變量中每相鄰的5位表示5戶家庭對(duì)該負(fù)荷的使用情況，“0,0,0,0,0”表示5戶家庭都未開啟該負(fù)荷，“1,1,1,1,1”表示5戶家庭同時(shí)開啟了該負(fù)荷。位置變量與負(fù)荷特征數(shù)據(jù)庫信息擬合匹配，進(jìn)行求解。

2.2 引進(jìn)隨機(jī)慣性權(quán)值的IBPSO算法

傳統(tǒng)BPSO算法通過二進(jìn)制變量某些位在0與1之間的翻轉(zhuǎn)來實(shí)現(xiàn)粒子位置的更新，所提IBPSO算法在此基礎(chǔ)上，結(jié)合PSO算法在連續(xù)區(qū)間對(duì)慣性常數(shù)的改進(jìn)，引進(jìn)隨機(jī)慣性權(quán)值w。此時(shí)，粒子的更新速度用來表示該二進(jìn)制變量的翻轉(zhuǎn)概率，迭代方程為：

vid=wvid+φ(pid-xid)+φ(pgd-xid)

(7)

式中xid表示粒子的位置；vid表示粒子位置的變化率；w為隨機(jī)慣性權(quán)值；rand( )用于表示區(qū)間[0,1]的隨機(jī)數(shù)；φ是常數(shù)，稱為學(xué)習(xí)因子；pid和pgd分別表示粒子的局部最優(yōu)位置和全局最優(yōu)位置，pid和pgd都只能是0或1;vid表示概率，其值限制在[0,1]區(qū)間。

從PSO算法的位置運(yùn)動(dòng)方程可知，粒子更新過程中，其位置還與運(yùn)動(dòng)速度有關(guān)，但它無法保證迭代后的粒子位置取0或者1。為避免這種情況的發(fā)生，IBPSO算法將粒子位置的更新方程進(jìn)行修改，即：

sig()是一個(gè)轉(zhuǎn)換限制函數(shù)，保證迭代過程中的每個(gè)分量都限制在[0,1]區(qū)間。vid越大，粒子的位置取1的概率越大；反之，取0的概率越大。

2.3 適應(yīng)度函數(shù)

距離測度法作為計(jì)算兩個(gè)向量的相似程度的常用方法，主要包括明式測距法、Manhattan測距法、Camberra測距法等，其中歐式測距法在一定程度上放大了較大元素誤差在距離測度中的作用，被各個(gè)領(lǐng)域廣泛應(yīng)用[20]。歐式測距法的計(jì)算方程為：

式中Xi為待分解信號(hào)；Yi為待比較信號(hào)。

將上述歐式測距法融合到IBPSO算法中的適應(yīng)度函數(shù)中，對(duì)電力負(fù)荷的投切行為進(jìn)行辨識(shí)。文中用ai表示負(fù)荷的投切狀態(tài)，負(fù)荷辨識(shí)時(shí)的適應(yīng)度函數(shù)為：

適應(yīng)度函數(shù)值越小，相關(guān)性越強(qiáng)，因此，非侵入式負(fù)荷投切行為的辨識(shí)轉(zhuǎn)化為求一組使得目標(biāo)函數(shù)取得最小值的解。

2.4 算法步驟

該算法為了擴(kuò)展PSO的適用范圍，擴(kuò)展到了二進(jìn)制變量空間；為加快收斂速度，在最初的BPSO中引入了隨機(jī)慣性權(quán)值，且為了避免粒子在更新過程中出現(xiàn)不為0或1的現(xiàn)象，對(duì)粒子位置更新的公式做了修改，具體步驟如下：

(1)初始化種群，包括種群粒子狀態(tài)，速度和適應(yīng)度；

(2)計(jì)算粒子的適應(yīng)度值；

(3)對(duì)每個(gè)粒子，將其所在位置的適應(yīng)度與其自身經(jīng)歷過的最好位置pid的適應(yīng)度作比較，優(yōu)化該粒子的最好位置pid；

(4)對(duì)每個(gè)粒子，將其pid的適應(yīng)度值與全局最好位置pgd適應(yīng)度值作比較，優(yōu)化種群的最好位置pgd；

(5)根據(jù)式(7)～式(9)更新每個(gè)粒子的速度和位置；

(6)判斷是否符合結(jié)束條件，若是，則算法結(jié)束；否則返回(2)。

結(jié)束條件：達(dá)到最大迭代次數(shù)或預(yù)定目標(biāo)函數(shù)值。

3 仿真分析

為了驗(yàn)證IBPSO算法對(duì)多負(fù)荷投切行為辨識(shí)的有效性，對(duì)某小區(qū)一單元五戶居民常用負(fù)荷及其數(shù)量做了調(diào)研整理，采用7種常用的用電設(shè)備：電風(fēng)扇、電熱器、燒水壺、微波爐、電飯煲、臺(tái)式電腦和電視機(jī)，平均功率分別為60 W、600 W、1 200 W、800 W、1 800 W、600 W和120 W，負(fù)荷的等效模型參考文獻(xiàn)[21]，由單一負(fù)荷投切時(shí)的電流諧波幅值和功率特征搭建數(shù)據(jù)庫，以便對(duì)未知負(fù)荷的投切信息進(jìn)行匹配辨識(shí)。單一負(fù)荷投切時(shí)的特征參考文獻(xiàn)[16]，并取電流的10次諧波幅值特征，數(shù)據(jù)庫信息如表1所示。

表1 單一負(fù)荷特征數(shù)據(jù)庫Tab.1 Single load feature database

文章針對(duì)7種負(fù)荷常用的型號(hào)電器進(jìn)行了多次仿真實(shí)驗(yàn)分析，采集并保存負(fù)荷投切時(shí)的電壓、電流信息，提取電流諧波和功率特征，在表1數(shù)據(jù)庫的基礎(chǔ)上進(jìn)行了擴(kuò)充。為了驗(yàn)證該算法對(duì)非侵入多負(fù)荷投切行為辨識(shí)的有效性，設(shè)置了三組試驗(yàn)進(jìn)行分析。試驗(yàn)設(shè)置IBPSO算法中，每個(gè)粒子的位置由二進(jìn)制[a1，a2, ...,a35]來表示，種群數(shù)量為100，學(xué)習(xí)因子φ=0.9，最大迭代次數(shù)為200次。

3.1 不同種類的多負(fù)荷同時(shí)投切

當(dāng)性質(zhì)相似的負(fù)荷同時(shí)開啟時(shí)，電流和功率信號(hào)疊加，電流諧波幅值就會(huì)相似；功率相同和相近的負(fù)荷也可能造成辨識(shí)錯(cuò)誤。為了驗(yàn)證所提辨識(shí)算法的有效性，分別針對(duì)諧波幅值相似和功率相同或相近的情況兩組進(jìn)行試驗(yàn)。

試驗(yàn)(1)：由表1可知，電風(fēng)扇和臺(tái)式電腦的功率相同，且電熱器和電飯煲的電流諧波幅值相似，為驗(yàn)證該算法的有效性，同時(shí)開啟電風(fēng)扇、電熱器和微波爐進(jìn)行試驗(yàn)；

試驗(yàn)(2)由于電熱器和燒水壺的功率與電飯煲相同，為驗(yàn)證算法的有效性，同時(shí)開啟電熱器、燒水壺和電視機(jī)進(jìn)行試驗(yàn)。

3.2 包含相同負(fù)荷的多負(fù)荷同時(shí)投切

在實(shí)際的用電情況中，尤其用電高峰期，一單元中五戶家庭可能同時(shí)開啟同一種負(fù)荷，比如在中午11點(diǎn)同時(shí)投入了電飯煲或者微波爐等類似的用電情況，為了驗(yàn)證IBPSO對(duì)某時(shí)刻開啟的負(fù)荷類別和數(shù)量做出有效辨識(shí)，進(jìn)行試驗(yàn)(3)。

試驗(yàn)(3)：對(duì)五個(gè)家庭中，家庭1和家庭2同時(shí)開啟了電飯煲，家庭3和家庭5同時(shí)開啟了電視機(jī)的情況進(jìn)行試驗(yàn)。

三組試驗(yàn)得到的數(shù)據(jù)如表2所示，算法辨識(shí)結(jié)果如表3所示。

表2 試驗(yàn)數(shù)據(jù)Tab.2 Experimental data

表3 算法的辨識(shí)結(jié)果Tab.3 Identification results of the algorithm

由三組試驗(yàn)的結(jié)果可知：所提的IBPSO算法，可對(duì)多負(fù)荷同時(shí)投切的行為進(jìn)行準(zhǔn)確的辨識(shí)，且采用電流諧波和功率融合的特征，解決了負(fù)荷性質(zhì)相似和功率相近的負(fù)荷難以辨識(shí)的問題。

由表3的辨識(shí)結(jié)果可知，各組的二進(jìn)制數(shù)，為1的位置即為該負(fù)荷在該戶中開啟。

3.3 辨識(shí)算法對(duì)比

3.3.1 IBPSO算法與BPSO算法的收斂速度對(duì)比

為了驗(yàn)證所提的改進(jìn)二進(jìn)制粒子群優(yōu)化算法(IBPSO)在收斂速度比二進(jìn)制粒子群(BPSO)算法更優(yōu)，采用BPSO算法對(duì)上述試驗(yàn)做了求解，并繪制了兩種算法的收斂曲線圖(如圖1)，由圖1可知，IBPSO算法較BPSO在收斂速度上有所提高。

圖1 IBPSO算法與BPSO算法收斂曲線Fig.1 Convergence curves of IBPSO and BPSO algorithm

3.3.2 IBPSO算法對(duì)負(fù)荷融合特征與單一特征的辨識(shí)對(duì)比

為了驗(yàn)證IBPSO算法對(duì)電流諧波和功率特征的融合特征比單一特征的辨識(shí)精度更好，采用IBPSO對(duì)電流諧波和功率分別進(jìn)行辨識(shí)，并與對(duì)融合特征的辨識(shí)結(jié)果作比較。選擇電流諧波特征或者功率特征相同或相似的負(fù)荷進(jìn)行投切，對(duì)3.1和3.2中的三組試驗(yàn)進(jìn)行大量試驗(yàn)分析，辨識(shí)精度如表4所示。

由表4可知，該算法對(duì)單一負(fù)荷特征進(jìn)行辨識(shí)時(shí)，容易造成相似負(fù)荷間的辨識(shí)錯(cuò)誤，而對(duì)融合特征的辨識(shí)精度平均達(dá)到90%，較單一特征的辨識(shí)精度有較大的提高。

表4 不同特征的辨識(shí)精度(%)Tab.4 Identification accuracy of different characteristics

4 結(jié)束語

對(duì)居民負(fù)荷投切行為的辨識(shí)問題進(jìn)行了研究，提出了改進(jìn)的二進(jìn)制粒子群優(yōu)化算法，通過算例分析驗(yàn)證了優(yōu)化配置方法的可行性，并得到以下結(jié)論：

(1)將電流諧波特征和功率融合作為負(fù)荷投切行為的特征，辨識(shí)精度有較大的提高；

(2)改進(jìn)的二進(jìn)制粒子群優(yōu)化算法，將應(yīng)用范圍擴(kuò)展到了二進(jìn)制空間，較傳統(tǒng)的粒子群算法在精度和迭代次數(shù)上有了較大的提高，對(duì)非侵入式多負(fù)荷投切行為的辨識(shí)有較好的效果。