基于暫態特征聚類的家用負荷識別

張紅梅　孫潔　許儀勛　李旺　張敬周

摘 要 智能電表的負荷識別技術是智能電網中一項重要的電能分類計量技術，也是實現節能減排的重要措施之一。為了彌補目前大多負荷識別算法根據負荷穩態特征作為特征量來進行負荷識別的不足，本文提出以負荷獨特的暫態特征來進行家用負荷識別。該方法首先需建立家用負荷暫態特征標準數據庫；然后通過變點檢測算法來檢測事件，并采集數據和提取事件暫態特征；最后，通過聚類算法來進行負荷識別。該方法原理簡單、計算量小，通過試驗算例驗證了該方法的可行性與準確性。

【關鍵詞】智能電表 負荷識別 暫態特征 聚類算法

目前，國內外學者對家用負荷識別技術已有大量的研究。而現有的文獻大多是利用負荷穩態特征來進行負荷識別，其主要參數有電流波形、無功功率、有功功率、諧波、瞬時導納波形、瞬時功率波形、電流包絡線、電壓—電流曲線等等。雖然負荷穩態特征易于提取，能夠辨識大部分家用負荷，但其不足之處在于當家電穩態特征相近或重疊時，則無法準確對其進行識別分類。因為，現在的學者將重點轉移到負荷開關暫態特征的研究上，經過對家用電器的深入研究發現，每一類負荷暫態特征是獨特的。因此，本文綜合考慮了負荷的穩態特征和暫態特征，提出了以暫態特征為主要特征量，并結合穩態特征，形成家用負荷的特征量，既能夠快速進行負荷特征量的提取，也能在識別精度上有所提高。

而家用負荷識別的主要研究方法為非侵入式負荷識別。相對于侵入式法，非侵入式法成本低，安裝和維護方便，更有利于推廣。然而，隨著家用負荷種類日益增多，工作狀態愈加復雜，對負荷識別算法的研究也更加深入。現有的應用于負荷識別的算法有聚類分析、微分進化法、小波變換等算法，然而，這些算法均采用負荷穩態特征作為特征值，因此，限制了其應用。本文提出以負荷暫態特征作為特征量，利用K均值聚類分析法，原理簡單，易于實現，能夠識別出穩態特征相似或重疊的負荷，提高了負荷識別精度。

1 基本原理

1.1 負荷特征選取

每種負荷暫態特征與其物理性質密切相關，具有獨特性，如電阻類負荷與非電阻類負荷在暫態持續時間差異明顯。因此，利用暫態特征進行負荷識別，能夠識別出穩態特征相近的家用負荷，提高識別精度。在圖1中，從微波爐中、低火開關負荷暫態特征圖中可以看出，不同檔位的微波爐其開關暫態特征是相似的，這是因為微波爐各檔位功率是一定的，高、中、低檔只是控制微波輸出時間比例。因此，對于微波爐而言，只需識別其負荷類型，而不需要識別工作狀態。

通過對負荷開關暫態特征的深入研究，本文選取暫態過程前后有功功率和無功功率的變化量ΔP、ΔQ，暫態過程時間Δt，以及有功功率最大值與暫態過程后的穩態有功功率的差值ΔPc 和有功功率最大值與暫態過程后的穩態無功功率的差值ΔQc形成特征向量，即X=[ΔP ΔQ Δt ΔPc ΔQc] 。

1.2 K均值聚類算法

模式識別已經成為當代高科技研究的重要領域之一，它已發展為一門獨立的新學科，而聚類算法則是模式識別中最重要的算法之一。早在20世紀80年代，麻省理工學院學者Hart利用負荷穩態特征變化量 ΔP、ΔQ利用聚類分析法來進行負荷識別。該方法簡單易行，但方法簡單易行，但不能識別PQ相近或重疊的設備。針對這一缺點，本文利用負荷開關暫態特征，結合穩態特征進行K均值聚類分析。

K均值聚類算法是以誤差平方和準則函數來進行聚類分析的，假如給定數據X分成k個聚類子集X1，X2，…，Xk各個聚類子集中的樣本數量分別為n1，n2，…，nk。那么各個聚類子集的均值mi為：

mi= x

K均值誤差平方和準則函數其實質利用距離計算公式來度量不同對象之間的差異程度，常用的距離計算公式有歐式距離、馬氏距離、明可夫斯基距離等，本文選用歐式距離計算公式。因此，誤差平方和準則函數公式為：

σ（p，mi）=

其中p為待測樣品特征量，j=1，2，…，L為特征量維數。因此，σ（p，mi）值越小，說明這兩者的差異越小，則該待測樣品歸為聚類子集Xi中。

2 系統實現過程

家用負荷識別系統主要包含事件檢測模塊、數據采集模塊、特征提取模塊、數據處理模塊和負荷識別模塊這幾個重要組成部分。

主要模塊功能介紹如下。

2.1 負荷特征數據庫

家用負荷特征數據庫的建立是整個系統的最重要的基礎部分，在進行負荷識別前，需要對家用負荷一一進行單獨運行試驗，并進行實時監測和提取負荷特征向量，以此來建立家用負荷特征數據庫，以此作為負荷識別的依據。

2.2 事件檢測模塊

當系統正常運行時，要全部記錄下家庭實時電氣相關信息是不現實的，而且也是不必要的。因此，為了減少數據信息的存儲，降低硬件成本。本文采用基于滑動窗的雙邊累積和（CUSUM）算法對暫態事件進行自動檢測，根據電氣設備投切時所引起的有功功率的突然變化，通過對有功功率變化量的不斷累加，當在檢測延遲時間內達到或超過閾值時，則暫態事件被檢測出來，反之則無暫態事件發生。只有當檢測到暫態事件發生時，系統才對事件進行數據記錄、特征量提取，以此來提高系統的工作效率。

2.3 數據處理模塊

對于數據采集模塊所采集到的數據不能直接用來進行負荷識別，需要對所采集到的數據進行電壓電流相位調節、濾波等處理，本文采用滑窗均值方法來進行濾波。此外，由于本文所選取負荷特征量的物理量的量綱不同，因此難以直接進行比較。為了消除特征量因量綱不同而造成的影響，更好地比較不同負荷之間的差異，本文采取對數據進行標準化的方法。首先，利用標幺值法將數據進行歸一化，假設有n個數據對象，每個對象有包含m個特征量，即xi={xi1 xi2 … xim}，其中i=1，2，…，n，因此，原始數據矩陣為x={x1 x2 … xn}T。選取基準值 xik''=max{x1k，x2k，…，xnk}，其中k=1，2，…，m，所以標準化后的特征量為x'ik=。

2.4 負荷識別

通過對負荷開關暫態特征的深入研究，本文選取暫態過程前后有功功率和無功功率的變首先，根據ΔP符號的正負，可以判定負荷是切除還是投入工作，并由此決定該事件的特征參數與對應的負荷開還是關過程模板進行聚類分析。根據聚類分析的結果，將該事件歸類于結果數值最小的類，并對相關信息進行記錄分析。

3 實例仿真

為了驗證該方法的可行性與正確性，電力測量儀器采用國產HYLB601便攜式波形記錄儀觀測家用負荷的用電情況，采樣周期為5000Hz，采樣數據按時間順序進行處理。圖2為家用綜合功率負荷。

3.1 負荷開過程識別

圖2中，在t=38.08s時，根據CUSUM變點檢測算法檢測到有負荷動作，令該事件為 H1。根據ΔP符號的正負，可以判斷出有負荷開始投入工作。此時，對事件H1進行特征參數提取，并與負荷開過程模板進行比較，通過聚類分析算法得到表1。從表1的結果中可以看出，該負荷與吹風機開過程特征參數最接近，因此，可以判定，該負荷為電吹風，并對相關信息進行記錄。

3.2 負荷關過程識別

圖2中，在t=71.54s時，根據CUSUM變點檢測算法檢測到有負荷動作，令該事件為 H2。根據ΔP符號的正負可以判斷出有負荷被切除。此時，對事件H2進行特征參數提取，并與負荷關過程模板進行比較，通過聚類分析算法得到表1。

從表1的結果中可以看出，該負荷與消毒柜的關過程特征參數最相似，因此，可以判定該負荷為消毒柜，并對相關信息進行記錄，統計出消毒柜所消耗的功率。

4 結論

本文在傳統的負荷穩態特征的基礎上，深入研究了負荷開關暫態特征，結合獨特的負荷暫態特征形成負荷特征量，增大了家用負荷之間的區分度；然后，利用變點檢測算法進行事件監測；最后，利用K均值聚類法進行負荷識別，且各個特征參數所占比例權重相等。通過實例仿真，證明該方法原理簡單，且易于實現。

參考文獻

[1]鄭小霞，劉慶強，林順富，李東東，張銘.面向非干預式負荷監測的居民負荷微觀特性研究[J].電力系統保護與控制，2014，42（10）：62-70.

作者單位

1.國網蚌埠供電公司 安徽省蚌埠市 233000

2.上海電力學院電氣工程學院 上海市 200090

3.上海上科信息技術研究所 上海市 201210