蔡雨露，聶玉虎，崔文朋，鄭 哲，劉 瑞，池穎英

(北京智芯微電子科技有限公司，北京 100192)

0 引言

非侵入式負荷監(jiān)測(Non-Intrusive Load Monitoring，NILM)也稱為非入侵式負荷分解(Non-Intrusive Load Disaggregation，NILD)[1]，其通過對某一特定區(qū)域的總電表數(shù)據(jù)進行分析，可獲取該范圍內各用電負荷的相關信息，如負荷的數(shù)量、各負荷的類別、所處工作狀態(tài)以及對應的能耗使用情況等[2]。NILM 可以在不入戶、不對用戶用電器分別安裝電表的前提下，實現(xiàn)對用戶用電情況的監(jiān)測，通過用電行為分析更精準為用戶提供相應的用電服務[3]，對提高供電服務水平、節(jié)省電能資源、提高用電效率等都有重要的現(xiàn)實意義。

1980 年，Hart[4]開創(chuàng)性地提出NILM 的概念，所提出的監(jiān)控器在電源接口處進行測量，基于對總負載的電流和電壓的詳細分析來確定在電負載中打開和關閉的單個設備的能耗。這種方法可以將用電器從少量電器種類中分解出來，對于用電器種類較多的情況下，則很難準確地進行分解。因此，后續(xù)不斷有學者提出通過增加不同負荷特征的方式改進分解效果。負荷特征主要包括有穩(wěn)態(tài)特征、暫態(tài)特征、周期性特征狀態(tài)轉換特征，其中暫態(tài)特征又可以細分為暫態(tài)功率波形特征、電壓噪聲特征等，穩(wěn)態(tài)特征細分為功率的階躍特征、穩(wěn)態(tài)電流波形特征等[5]。通過研究發(fā)現(xiàn)，通過提取更多特征的方式進行負荷分解取得了良好的分解效果。

近幾年來，深度學習開始在負荷分解中得到應用。利用神經網絡的方法，避免了手動設計特征，且更容易分析時間序列特征，在分解準確率方面也有一定的提高[5-8]。目前，深度學習在非侵入式負荷分解應用上的研宄是現(xiàn)在的重要方向之一。

本文是基于電參量的穩(wěn)態(tài)特征與諧波分量特性，利用一維卷積神經網絡的方法，對家用多用電器進行分解。不僅可以準確地分解出所需用電器，還可以通過針對不同用戶家庭進行用電器信號庫的補充，不再進行重復訓練即可達到良好的分解效果。

1 非入侵式負荷分解

非侵入式負荷監(jiān)測是典型的時間序列分析問題[2]。在某個時間t，非侵入式負荷分解可以表示為：

其中，pt為t 時刻電表采集到的所有用電器的總功率；Pn(t)為t 時刻用電器n 的預測功率值；en(t)是用電器n實測值與預測值的誤差。

典型的非侵入式負監(jiān)測流程包括數(shù)據(jù)采集、數(shù)據(jù)預處理、負荷分解等步驟[9]，如果是采用深度學習的方法進行分解，還需要搭建網絡模型和對神經網絡進行訓練的步驟。具體步驟如圖1 所示。

圖1 負荷分解示意圖

1.1 非侵入式負荷分解模型輸入電參量

負荷特征是進行負荷分解的重要因素，主要是對電壓、電流、電功率進行特征變化，形成利于提取特征的電參數(shù)。

1.1.1 電流有效值

交流電流的大小和方向會隨時間作周期性變化，假設交流電為I，則交流電的有效值為：

1.1.2 諧波分量

諧波分量是指一個周期內的電氣量的傅里葉級數(shù)中次數(shù)大于1 的整數(shù)倍分量。

假設采集到的電流可用正弦函數(shù)y=Asin(wx+φ)表示，則其傅里葉級數(shù)可以寫成如下公式：

其中，an、bn就是諧波分量。

1.2 基于有效值和諧波分量的負荷分解模型

本文與現(xiàn)有的非侵入式負荷分解模型算法的重要區(qū)別在于數(shù)據(jù)選取的不同。有學者利用用戶用電器工作模式的差異，通過不同用電器工作時間的差異進行分解[10-11]。但是由于多種用電器工作模式過多，更是能夠排列組合出成千上萬種工作模式，因此分解效果不佳。

另一種可供選擇的數(shù)據(jù)是通過電流的有效值進行分解。由于用電器開始工作時電流有效值會產生跳變沿，不同用電器有不同大小的電流有效值跳變，因此，可以借助于此跳變沿的不同進行分解。采用這種數(shù)據(jù)可以有效獲取有用信息，但數(shù)據(jù)信息量還不夠足，分解可供參考的值過少，容易產生錯誤分解。

基于前人的經驗，在有效值后又加入高頻諧波分量，作為整體的數(shù)據(jù)進行負荷分解的相似性比對。高頻分量往往擁有更多的有效信息，且不同用電器在跳變沿有不同的高頻諧波分量數(shù)據(jù)，根據(jù)某一時刻前后的諧波分量差來判斷具體是哪一用電器發(fā)生工作模式的變化。

本文對一次周期的電流量進行采樣，采樣周期為20 ms/次。假設In為第n 次采樣得到的有效值，ln為第n次采樣得到的諧波分量，則本文針對的數(shù)據(jù)Y 可表示為：

1.3 負荷分解評價指標

非入侵式負荷分解涉及多個步驟，任何步驟都會影響到最終的分解效果。主要評價指標有以下幾個方面：

(1)負荷分解的結果準確率。

負荷分解識別準確率主要指標有：

①平均絕對誤差(Mean Absolute Error，MAE)，用來評估在某個時刻分解效果的好壞。假設gt為某個電器在t時刻真實消耗的功率，Pt為經過負荷分解分解出的某個用電器功率。

②綜合信號誤差(Signal Aggregrate Error，ASE)，用來評價一段時間內的分解效果好壞。

式中，P 表示為一段時間內的功率消耗值，P*為負荷分解后在一段時間內的功率消耗。

(2)識別效果的穩(wěn)定性。

(3)識別算法的泛化能力和可擴展性。

2 基于一維卷積神經網絡的負荷分解

2.1 卷積神經網絡

卷積神經網絡(Convolutional Neural Network，CNN)是一種由卷積層、池化層、全連接層組成的多層監(jiān)督學習神經網絡，如圖2 所示。其中，卷積層用來提前特征信息；池化層用來進行下采樣，減少數(shù)據(jù)量的同時盡可能地保留有效的特征；全連接層得到激活后的特征信息值。與其他深度神經網絡相比，卷積神經網絡有權值共享的特征，能夠簡化網絡結構的同時有更好的適應性，能夠實現(xiàn)分類和識別任務[12]。

圖2 卷積神經網絡結構圖

2.2 一維卷積神經網絡

一維卷積神經網絡(1D Convolutional Neural Network，1D-CNN)是一種能夠從時間序列中提取時間特征的卷積神經網絡[13]。

一維卷積的輸入輸出是一個向量，卷積核在一維空間進行滑動，經過向量和卷積核的運算輸出另一個向量，如圖3 所示。

圖3 一維卷積運算示意圖

本文利用一維卷積進行特征提取，由于數(shù)據(jù)量不大，為了更好地保證數(shù)據(jù)的特征，去掉池化過程，直接在卷積層后跟全連接層，提高特征準確度。

2.3 非入侵式負荷分解網絡模型

如圖4 所示，本文采用的一維神經網絡結構為5 層卷積層和1 層全連接層。

圖4 本文采用的負荷分解網絡結構圖

輸入信號是1×230 大小的一維信號，由某一時刻的電流有效值和諧波分量組成。

在推理過程中，通過對64 bit 數(shù)據(jù)特征進行相似性比對來最終判斷屬于哪一類別。

3 實驗

3.1 數(shù)據(jù)采集

采集數(shù)據(jù)是進行負荷分解的第一步。目前，電力公司所能夠采集到的數(shù)據(jù)主要包括：電流、電壓、電功率和頻率，這些基本物理參數(shù)通過簡單計算可獲得有功功率、功率因數(shù)、無功功率、有效值、諧波分量及能耗等設備參數(shù)[14]。

本實驗過程中，采用Blued 數(shù)據(jù)集，數(shù)據(jù)集包含大約8 天之內來自單個美國家庭的高頻(12 kHz)家庭級數(shù)據(jù)。每秒包括60 個周期，每個周期有15 000 個采樣點，以得到電流的正弦波形，不同用電器的波形如圖5 所示。圖6、圖7 分別給出空調和熱水壺的跳變沿波形圖，通過此可以計算出電流的有效值以及諧波分量。

圖5 不同用電器跳變沿

圖6 空調諧波分量

圖7 熱水壺諧波分量

3.2 實驗結果分析

一維神經網絡的輸入是電流有效值加諧波分量組成的一維數(shù)組；輸出為電器類別。對Blued 數(shù)據(jù)進行了處理，得到的處理后的數(shù)據(jù)維度為'labels.npy'：(338，4，53)；'dataset.npy'：(338，4，1，230，1)。將以上數(shù)據(jù)維度展開，得到1 352 條維度為230 的數(shù)據(jù)，其中每條數(shù)據(jù)的前9 維為電器投切發(fā)生前后的頻域特征向量之差，后221 維為投切過程中相關電流或電壓信號的變化情況(跳變沿)。

1 352 條數(shù)據(jù)中第一類和第二類占了絕大多數(shù)，兩者之和占比超過88%。前20 類中，每類包括的數(shù)據(jù)條數(shù)分別為：901，295，11，7，71，9，9，4，1，1，2，1，0，1，1，1，0，1，1，1。將第一類和第二類數(shù)據(jù)拿出來作為單獨一個數(shù)據(jù)集，進行二分類模型的訓練，準確度可達80%以上，其中利用前9 維數(shù)據(jù)訓練模型的準確率略高，為82.22%；利用后221 維數(shù)據(jù)訓練模型的準確率為81.11%。

將第1，2 和5 類數(shù)據(jù)分別作為一類，剩余所有數(shù)據(jù)作為一類，建立一個4 類別的數(shù)據(jù)集。利用前9 維數(shù)據(jù)訓練模型的準確率約為67.98%，利用后221 維數(shù)據(jù)訓練模型的準確率為69.46%。

4 結論

本文針對電流采樣數(shù)據(jù)得到的電流有效值和諧波分量，利用1D-CNN 構建非侵入式負荷分解模型，并獲得了很好的分解效果，所得到的訓練模型具有很好的擴展性和泛化能力。具體特點總結如下：

(1)獲取實驗數(shù)據(jù)(電流有效值+諧波分量)；

(2)針對性構建1D-CNN 模型；

(3)根據(jù)用戶電器情況，無需重新訓練，針對性調整推理數(shù)據(jù)集即可。

最后，通過實驗結果分析可知，采用本文方法的分解準確率達到95%。且相對于傳統(tǒng)的神經網絡方法，避免了頻繁的訓練過程，為有針對性地進行負荷分解節(jié)省時間。