李云峰，李 欣，劉三豐，湯鵬飛

(武漢中原電子信息有限公司，湖北 武漢 430074)

0 引言

智能電網(wǎng)是未來電網(wǎng)的發(fā)展方向[1]。隨著社會快速發(fā)展，各家各戶對于各類家用電器負荷的需求也日益增加，相應(yīng)的居民用電占全國用電的比重也越來越大。通過對各用戶用電行為的研究，可以獲取居民在不同時段的家電使用情況，家用電器負荷監(jiān)測可以為用戶提供詳細的用電清單，使用戶了解各個家用電器負荷的耗電量，指導用戶合理用電。因此迫切需要對家用電器負荷數(shù)據(jù)實現(xiàn)智能化監(jiān)測，以達到節(jié)能省電的目的[2-3]。

現(xiàn)有的對家用電器的用電負荷監(jiān)測主要有兩種，即侵入式和非侵入式[4-7]。侵入式監(jiān)測要求對用戶所有的電氣設(shè)備均安裝數(shù)據(jù)采集裝置，而非侵入式監(jiān)測只需在某個電力供給入口處安裝一個智能電表或采集設(shè)備即可，通過此終端采集電壓電流等數(shù)據(jù)，然后進行相應(yīng)的分析處理提取出最佳的負荷特征來對家用電器負荷進行辨識，將總的用電負荷最大程度地分解成單個用電負荷，該方法成本低，易維護，實用性強，發(fā)展前景廣泛。

非侵入式負荷監(jiān)測方法中，結(jié)合穩(wěn)態(tài)和暫態(tài)特征并采用模式識別、支持向量機等方法進行識別，精確度更高[8-11]。其中最近鄰算法中，是將總體樣本中對某些個體的分析近似為對整個總體樣本的分析，準確性不夠，而均值聚類法是將未知樣本到每一類樣本中心的距離作為判斷的最終依據(jù)，準確性較高，但是迭代計算較為復(fù)雜，因此本文在最近鄰算法的基礎(chǔ)上結(jié)合均值聚類算法的優(yōu)勢，對識別算法進行了優(yōu)化。主要是通過對居民用電設(shè)備的穩(wěn)態(tài)和暫態(tài)特征量的研究，從電壓和電流的暫穩(wěn)態(tài)、瞬時和穩(wěn)定功率等多角度出發(fā)，進行電器特征量提取，將特征空間中的類內(nèi)和類間相似度作為依據(jù)，建立完備特征庫，從而辨識出具有更高識別度的特征量。

1 諧波特征提取

在數(shù)據(jù)訓練階段，在多個特征量中篩選出辨識能力強的特征量。在這過程中需保證所選數(shù)據(jù)樣本的特征向量能最大程度反映出該數(shù)據(jù)樣本的本質(zhì)特性，數(shù)據(jù)樣本若特性相近，其特征向量對應(yīng)的分析空間中的點應(yīng)該也相近；相反，若樣本之間特性不相近，其特征向量對應(yīng)的數(shù)據(jù)點也不能相近。

考察家用電器單獨工作時所產(chǎn)生的來自暫態(tài)過程和穩(wěn)態(tài)過程中的電壓、電流和功率信號等多特征量。由于電網(wǎng)電壓一般較穩(wěn)定，故不考慮。

1.1 特征量選取

可選的特征量如下：

(1)來自功率相關(guān)信號的特征量：穩(wěn)定有功功率；有功功率沖擊波形暫態(tài)沖擊上升時間；有功功率沖擊波形的最大功率；有功功率沖擊波形暫態(tài)沖擊衰減時間；有功功率沖擊波形的暫態(tài)沖擊幅度相對值；有功功率沖擊波形的暫態(tài)沖擊幅度絕對值。

(2)來自電流相關(guān)信號的特征量：基波電流幅值；偶次諧波；3次諧波電流幅值；5次諧波電流幅值；9次諧波電流幅值；諧波含量；暫態(tài)電流最大值與基波電流比值；電流變化最小值/基波電流幅值。

1.2 數(shù)據(jù)歸一化

將特征值都轉(zhuǎn)換為(0，1)區(qū)間內(nèi)的數(shù)，設(shè)有n維特征向量x=[x1,x2,…,xn]，xk為所有樣本的第k維特征值集合，則第k維特征值xk的線性歸一化值為：

(1)

其中，ak=max(xk)+0.1×max(xk),bk=min(xk)-0.1×min(xk)，ak和bk分別留有10%的裕度。

1.3 特征量篩選

考慮聚類分析中的類內(nèi)距離和類間距離，其比值作為指標對特征量作定量評估，篩選出分類能力較好的特征量，建立用電負荷識別模型。

(2)

將距中心的距離由近到遠排列，取前90%的樣本點，將這些樣本點中的最大值作為D1，這樣可保證準確性。

可以看出，當D1越小，D2越大，即f越小時，可提高特征量的識別能力和分類效果。

2 負荷啟停事件檢測

本文采用基于滑窗的雙邊CUSUM事件檢測算法，如圖1所示，通過峰值間增加變化或減少變化的累積和與閾值的判斷，判斷滑窗內(nèi)基波電流的峰值間是否發(fā)生改變；將檢測到的基波電流變化過程的距離靠近的滑窗段進行融合；當采樣的樣例中檢測到變化后開始存儲變化前的穩(wěn)態(tài)過程，檢測變化開始后的電流信號，直到之后多個采樣中均未檢測到變化。該方法能有效消除負荷抖動帶來的干擾，且檢測成功率高。

圖1 基于滑窗的雙邊CUSUM事件檢測算法

3 基于整體相似度的負荷辨識

由于傳統(tǒng)最近鄰法存在著一定缺陷，本文對相似度計算進行了改進。

3.1 每類負荷的KNN相似度

樣本數(shù)據(jù)庫中，有c類負荷，每類有N個訓練數(shù)據(jù)，則共有cN個訓練數(shù)據(jù)，第i類第j個樣本表示為:

(3)

(4)

(5)

3.2 每類負荷的均值中心相似度

已知樣本的全部均值中心為zi1,zi2,…,zig,i=1,2,…,c，計算未知樣本x=[x1,x2,…,xn]與zi1,zi2,…,zig,i=1,2,…,c的歐式距離dl,l=1,…,cg，選出歐式距離最小的h個，h滿足dh≤2×min(dl),dh+1>2×min(dl)。

與i類的相似度為：

(6)

其中Gi為h個樣本中屬于第i類的均值中心的序號數(shù)的集合；r為將該樣本與x的距離按照從小到大排列的數(shù)字。

3.3 總相似度

第i類負荷樣本的總相似度為：

(7)

其中0≤a≤b≤1，將未知樣本x判定為相似度最高的類別。

基于整體相似度的負荷識別流程包括以下幾個步驟：

(1)對每一種用電設(shè)備進行監(jiān)測，從暫態(tài)、穩(wěn)態(tài)、電流、功率等多角度提取電器特征量。

(2)特征數(shù)據(jù)進行歸一化處理。

(3)以特征空間中的類內(nèi)和類間相似度為依據(jù)，研究各特征量的識別能力，建立用電負荷識別模型。

(4)在線實時監(jiān)測各用電設(shè)備運行過程中產(chǎn)生的相應(yīng)特征值的波形，判斷用電設(shè)備的開閉狀態(tài)。

(5)根據(jù)步驟(4)中特征值進行分類器相似度計算。

(6)將步驟(4)中計算得到的實際用電負荷波形作為模型的輸入，根據(jù)模型的輸出結(jié)果來識別出每一種用電設(shè)備的工作狀態(tài)。

4 仿真過程

選取某一用戶的12種用電設(shè)備：電吹風、冰箱、電腦、熱水袋、電熱油汀、微波爐、電飯鍋、電水壺、取暖器、電磁爐、電風扇、空調(diào)作為試驗對象，單獨對每一種用電設(shè)備的運行過程進行監(jiān)測，包括從開啟至穩(wěn)定、穩(wěn)定到關(guān)閉全過程中的功率、電流和電壓的波動情況等，進行特征篩選并建立特征數(shù)據(jù)庫。

以電熱油汀、取暖器、電水壺、電飯鍋為例，運用本文中的優(yōu)化算法，計算各穩(wěn)態(tài)、暫態(tài)事件的各特征值與數(shù)據(jù)庫中特征值的相似度，從而成功辨識各電器。

圖2為實驗中采集到的總線上的總體負荷圖，圖3至圖6則分別為分解出的各個電器的負荷圖。實驗結(jié)果表明改進后的識別法的分類識別率高，證明了本文算法的辨識有效性。

圖2 總體負荷圖

圖3 電熱油汀負荷分解效果圖

圖4 取暖器負荷分解效果圖

圖5 電水壺負荷分解效果圖

圖6 電飯鍋負荷分解效果圖

5 結(jié)論

(1)通過對用電設(shè)備暫態(tài)和穩(wěn)態(tài)過程的研究，從電壓和電流暫穩(wěn)態(tài)、功率等多角度出發(fā)，進行電器特征量的提取，以特征空間中的類內(nèi)和類間相似度為依據(jù)，建立特征庫，從而辨識出具有更好識別度的特征量。

(2)處于穩(wěn)態(tài)時，用電設(shè)備的各個量都較穩(wěn)定，因此可選取電流奇次諧波相對基波相位差和電流諧波畸變率，相對的辨識性更強。

(3)處于暫態(tài)時，不同用電設(shè)備的有功功率波動很大，因此可選取暫態(tài)波形的沖擊幅度相對值，能快速識別出電器類型。

(4)將暫態(tài)與穩(wěn)態(tài)特征的相似度結(jié)合起來，對用電設(shè)備進行研究，建立識別模型，能保證識別準確性。