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(zé)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(yīng)用，非侵入式負(fù)荷辨識技術(shù)作為一種新興的智能化負(fù)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(fù)荷辨識技術(shù)收集用戶側(cè)用電比例構(gòu)成[1]，了解各個負(fù)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(jìn)而為實現(xiàn)電網(wǎng)透明化[3]奠定基礎(chǔ)。

智能電表非侵入式負(fù)荷感知系統(tǒng)主要由數(shù)據(jù)采集、特征選取和負(fù)荷辨識3個模塊組成[4]。其中，特征選取和負(fù)荷辨識是負(fù)荷識別技術(shù)的關(guān)鍵。負(fù)荷特征是反映負(fù)荷運行狀態(tài)的關(guān)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(dá)用戶用電行為的外界特征[11]?；谶@些特征，文獻(xiàn)[12]中首先使用聚類算法將負(fù)荷按有功功率和無功功率進(jìn)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(luò)模型的輸入，完成精細(xì)化識別。在文獻(xiàn)[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(jié)合特征權(quán)重，采用基于模糊c均值聚類實現(xiàn)非侵入式負(fù)荷辨識。然而僅使用電量特征會因為負(fù)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(xiàn)[14]通過考慮電器運行過程與時間的關(guān)聯(lián)關(guān)系，結(jié)合負(fù)荷運行模式的時間尺度信息和信號幅值構(gòu)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(fù)荷能耗分解。

考慮到不同的負(fù)荷特征獲取方式，負(fù)荷辨識方法通常可分為基于負(fù)荷事件型和基于負(fù)荷運行狀態(tài)型[15]兩種?；谪?fù)荷事件的辨識方法提取隨負(fù)荷狀態(tài)變化產(chǎn)生的負(fù)荷特征變化，并將其作為辨識依據(jù)，而基于負(fù)荷運行狀態(tài)的辨識方法將負(fù)荷工作時間內(nèi)的特征狀態(tài)作為辨識依據(jù)。文獻(xiàn)[16]在負(fù)荷事件的基礎(chǔ)上提取負(fù)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(guān)聯(lián)性，然后采用遺傳算法（genetic algorithm，GA）對模型參數(shù)進(jìn)行尋優(yōu)，從而完成負(fù)荷識別。而文獻(xiàn)[17]首先采用基于B樣條曲線擬合算法提取負(fù)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(gòu)建分類器對負(fù)荷進(jìn)行辨識。一般來說，基于負(fù)荷事件的辨識方法無需了解負(fù)荷整個運行狀態(tài)的情況，且負(fù)荷特征數(shù)據(jù)易于獲取、方便計算和存儲，具有準(zhǔn)確率較高的特點。

基于此，本文通過負(fù)荷事件檢測提取負(fù)荷事件的有功-無功功率、時間等特征，并對時間特征進(jìn)行細(xì)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(fù)荷進(jìn)行聚類，進(jìn)而引入孿生神經(jīng)網(wǎng)絡(luò)進(jìn)行負(fù)荷細(xì)分，最終實現(xiàn)負(fù)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(fù)荷特征表達(dá)

負(fù)荷特征是用于區(qū)分不同類型負(fù)荷的內(nèi)在特性，合理的選取負(fù)荷特征對后續(xù)的負(fù)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(fù)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(fù)荷的能耗且也是負(fù)荷投切時最為明顯的特征。在現(xiàn)有智能電表中，負(fù)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(yīng)，也是一種表現(xiàn)負(fù)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(fù)荷可根據(jù)無功和有功功率將負(fù)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(fù)荷不易區(qū)分時潛在的輔助特征。時間特征應(yīng)用較為廣泛[18-19]，主要包括負(fù)荷運行時長和啟動時刻。

1.2.1 負(fù)荷運行時長特征

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

圖1 負(fù)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(fù)荷的運行時長L，其概率密度分布可描述為

表1 負(fù)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(fù)荷運行時長的統(tǒng)計依賴于負(fù)荷自身的特性以及用戶的用電行為。本文在負(fù)荷事件檢測的基礎(chǔ)上，對某家庭用戶各負(fù)荷運行時長進(jìn)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(fù)荷的平均運行時長。

圖2 負(fù)荷運行時長特征統(tǒng)計結(jié)果Fig.2 The length of statistical time of load running

從圖2中可以看出，各負(fù)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(fù)荷運行時刻特征

負(fù)荷運行時刻特征通常與用戶作息、行為習(xí)慣有較大關(guān)聯(lián)。圖3為統(tǒng)計某家庭用戶各負(fù)荷運行時刻特征統(tǒng)計熱力圖，圖右側(cè)刻度條顏色表示對應(yīng)的運行次數(shù)。圖中色塊的位置反映各負(fù)荷處于運行狀態(tài)的時間段，顏色越深代表負(fù)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(guān)閉，這與用戶睡眠時間有關(guān)，而電視機則通常在中午和晚上運行。這些也從側(cè)面反映了用戶對負(fù)荷的使用習(xí)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(fù)荷事件發(fā)生，即

圖3 負(fù)荷運行時刻特征統(tǒng)計結(jié)果Fig.3 Statistical running time of load

lt=1表示發(fā)生負(fù)荷事件；lt=0表示未發(fā)生負(fù)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(jìn)行負(fù)荷判別，即

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

2 負(fù)荷時間特征統(tǒng)計及細(xì)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(fù)荷辨識準(zhǔn)確率的特征。本文首先對負(fù)荷時間特征進(jìn)行統(tǒng)計以及細(xì)化建模。

2.1 負(fù)荷運行時長特征分段

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

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

2.2 負(fù)荷運行時刻特征分段

考慮到負(fù)荷在一天中的運行時刻具有不確定性，可能存在多負(fù)荷同時運行的高峰期（晚上下班后），也存在幾乎無負(fù)荷運行的低谷期（在白天的工作時間），因此負(fù)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(jìn)行劃分。

對于不同用戶的不同用電行為規(guī)律，為進(jìn)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(fù)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(jié)果，這能很大程度地將不同運行時刻的負(fù)荷區(qū)分開來。

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

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

其中，矩陣的每一行代表各負(fù)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(fù)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(jié)果代入式（5）即可求得m1，…，mt的值。

3 Mean-shift負(fù)荷事件聚類和孿生網(wǎng)絡(luò)判斷

在智能電表非侵入式負(fù)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(fù)荷，同時利用孿生神經(jīng)網(wǎng)絡(luò)，通過與數(shù)據(jù)庫負(fù)荷匹配辨識出所使用的負(fù)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(shè)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)?yīng)于該分布的最大值，這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(rèn)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(yù)先設(shè)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(yīng)地選取聚類中心數(shù)[20]，這對一天內(nèi)使用的負(fù)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(jìn)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(quán)重，由其概率分布決定。

3.2 孿生網(wǎng)絡(luò)判斷負(fù)荷類型

在聚類之后，本文采用如圖5所示的孿生網(wǎng)絡(luò)的方法對負(fù)荷進(jìn)行細(xì)分類。

圖5 孿生網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.5 Siamese network framework

孿生網(wǎng)絡(luò)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(luò)（Network1和Network2），通常兩個神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)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(fù)荷特征和數(shù)據(jù)庫中負(fù)荷特征；GW表示神經(jīng)網(wǎng)絡(luò)模型，下角W表示權(quán)重，GW的作用就是將電量和非電量特征數(shù)據(jù)X轉(zhuǎn)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(luò)[22]（resilient back propagation，RPROP）作為孿生神經(jīng)網(wǎng)絡(luò)中的GW。假設(shè)分類對象為Ψi（i=1，2，…，p），每個對象Ψi對應(yīng)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(luò)，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(jìn)行主成分分析。令Y的協(xié)方差矩陣的最大特征值對應(yīng)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(yīng)于第一主元方向上的投影數(shù)據(jù)αij。假定當(dāng)?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(shè)置為0.90），則確定了對應(yīng)的n個特征向量，從而生成特征集。

為了判別神經(jīng)網(wǎng)絡(luò)輸入屬于具體某個負(fù)荷類別，將數(shù)據(jù)庫中負(fù)荷類別特征作為孿生神經(jīng)網(wǎng)絡(luò)輸入，其中孿生神經(jīng)網(wǎng)絡(luò)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(fù)荷事件通過時間特征進(jìn)行聚類，獲得相應(yīng)的負(fù)荷類別，然后通過孿生神經(jīng)網(wǎng)絡(luò)，將與數(shù)據(jù)庫中與之具有相同時間特征的負(fù)荷進(jìn)行匹配，最終得到負(fù)荷辨識結(jié)果。

圖6 本文方法模型結(jié)構(gòu)圖Fig.6 Frame chart of proposed method

4 實驗結(jié)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(fù)荷數(shù)據(jù)進(jìn)行離線分析，并從中分析提取出負(fù)荷運行的特征數(shù)據(jù)，構(gòu)建負(fù)荷特征數(shù)據(jù)庫。用戶使用的負(fù)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(fù)荷作為研究對象進(jìn)行辨識，表2給出了該用戶負(fù)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(shè)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(fù)荷特征數(shù)據(jù)庫Tab.2 Database of load signature

4.1 參數(shù)設(shè)置

4.1.1 負(fù)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(fù)荷時長特征概率密度分布結(jié)果。為了獲得時長分類的界限，本文對概率密度函數(shù)進(jìn)行積分，取積分結(jié)果中值處作為負(fù)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(shè)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(fù)荷事件分類的運行時長閾值，即短時長為040。

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

4.1.2 負(fù)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(fù)荷特征數(shù)據(jù)庫的基礎(chǔ)上，對用戶某一天的用電數(shù)據(jù)作為測試數(shù)據(jù)進(jìn)行實驗。

首先，對該用戶的日用電功率曲線進(jìn)行負(fù)荷事件檢測，并提取負(fù)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(fù)荷事件特征信息如表3所示。由時間特征分類可知，該日負(fù)荷事件分為5類，與之匹配的在數(shù)據(jù)庫中得到的負(fù)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(jié)果如表5所示。顯然，從數(shù)據(jù)庫中聚類得到的結(jié)果可以發(fā)現(xiàn)，時間特征上相似的負(fù)荷設(shè)備可能存在多個，因此需要進(jìn)一步細(xì)分。

表3 負(fù)荷事件特征信息Tab.3 Information of feature of load event

表4 負(fù)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(jié)果Tab.5 Reuslt of Mean-shift clustering of load event

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

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

表6 孿生神經(jīng)網(wǎng)絡(luò)匹配聚類結(jié)果Tab.6 Matching reuslt of siamese neural network

為了進(jìn)一步驗證本文方法的有效性，本文與文獻(xiàn)[22]中的神經(jīng)網(wǎng)絡(luò)負(fù)荷辨識方法進(jìn)行比較，其中輸入特征為有功、無功，辨識結(jié)果如表7所示。從表中可以發(fā)現(xiàn)，在沒有時間特征細(xì)分情況下，單一地采用神經(jīng)網(wǎng)絡(luò)進(jìn)行負(fù)荷辨識，因特征存在混疊導(dǎo)致其錯誤率較高；而本文方法首先通過對時間特征的細(xì)分，并采用Mean-shift算法與數(shù)據(jù)庫中的負(fù)荷進(jìn)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(luò)進(jìn)行細(xì)分，實現(xiàn)了較高的辨識準(zhǔn)確率。在該用戶場景下，其平均辨識準(zhǔn)確率為0.976 3。

表7 對比分析結(jié)果Tab.7 Reuslts of comparsion

5 結(jié)論

針對實際家庭用電場景中用戶使用的負(fù)荷類型辨識問題，文中提出了基于Mean-shift聚類和孿生網(wǎng)絡(luò)的負(fù)荷辨識方法，該方法按家庭負(fù)荷時間特征分布情況統(tǒng)計結(jié)果，將負(fù)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(fù)荷，然后采用孿生網(wǎng)絡(luò)進(jìn)行負(fù)荷匹配辨識，提高辨識準(zhǔn)確率。實驗結(jié)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(fù)荷辨識準(zhǔn)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(fù)荷特征，將文中算法進(jìn)行應(yīng)用推廣。