電器辨識算法與系統研究

夏 磊，李澤滔,夏 懿

(1.貴州大學電氣工程學院，貴州 貴陽 550025；2.安徽大學電氣工程與自動化學院，安徽 合肥 230039)

0 引言

家庭電器組成數據對于提高數據處理能力具有重要意義。電力公司根據這些數據可以進行更有效的削峰填谷。電器廠商根據這些數據可以更有針對性地進行電器升級設計。用戶根據這些數據可以減少不必要的電力費用開銷，實現節能減排。針對這一市場需求，學術界在理論模型的建立以及相關算法的設計上進行了大量的研究[1-2]。然而，目前市場上針對電器分解及相關數據的采集系統卻較為少見。從文獻來看，目前大多數電器辨識研究的主要關注算法的準確性，而較少關注系統的可實現性。因此，本文設計了一個具有一定準確性和實時性的電器辨識系統。

1 能耗監測

家庭用電負荷分解前，首先要進行負荷監測。對用電負荷的監測，在硬件結構上主要有侵入式監測和非侵入式監測兩種方式。侵入式監測的優點在于監測準確性高、計算量小，對硬件要求低；缺點在于需要大量硬件進行監測，成本較高，對系統也會產生干擾。非侵入式監測(non-intrusive load monitoring,NILM)[3]的優點在于只需要一套監測硬件，通過軟件算法即可實現負荷分解。相對于侵入式監測來說，其成本較低，但準確性不如侵入式。另外，這種監測方式很難實際用于家庭負荷辨識場合，因為這種方式需要對入戶電力干線進行改造，造成安裝和后期維護成本較高。此外，這種方式運算量較大，監測實時性較差。

本文對監測系統的硬件結構作了一定改進，將非侵入式結構與侵入式結構相結合，同時發揮兩種監測方式的優點，即非侵入式的低成本和侵入式的高準確性。具體來說，是在系統內部設計多個辨識節點。針對每個子系統采用非侵入式監測，這樣單個節點所連負荷的數量有限，從而使得算法所需的計算量顯著降低，而且其辨識準確性也大幅提高。辨識節點采用基于單片機系統的電力插座，從而使得這種基于算法的監測方式在硬件上具有可行性。半侵入式監測系統硬件結構如圖1所示。

圖1 半侵入式監測系統硬件結構圖 Fig.1 Hardware structure of semi-intrusive monitoring system

系統的核心在于負荷辨識算法。國內外對負荷辨識算法作了大量的研究，主要有以下幾種方法。

①通過功率變化、伏安特性或穩態特性，實現對設備類型的辨識，例如Hart等通過監測功率的變化來實現設備類型的辨識，而利用負荷有功、無功和諧波等特征參數來識別負荷[4]；Lam等利用伏安特性來辨識負荷種類[5]；Srinivasan等利用不同設備的諧波特性，結合神經網絡進行辨識[6]；ROOS等基于穩態特性進行辨識[7]。②通過暫態投切過程的特征，實現對設備類型的辨識[8]。③采用大型數據庫在宏觀上存儲負荷特性，再結合非侵入式監測方式的相關技術，對負荷進行辨識[9]。

本文在前人研究的基礎上，設計了適合本文硬件結構的辨識算法。首先通過建立辨識節點的電流數學模型，優化初始類心的選取過程；然后采用C-均值法對實時監測到的電流進行分類辨識，將辨識過的數據存入數據庫，作為后續辨識的先驗依據；最后采用重復剪輯最近鄰法按最小距離原則，對混雜樣本進行刪除。

2 電器辨識算法

本文算法主要基于兩個原理：電流差異性、基爾霍夫電流定律。

2.1 典型電器的電流差異性

調查顯示，家用電器中，冰箱、電視、洗衣機、空調以及計算機這幾種電器的居民占有率比較高[10]。家庭常用電器的電流波形實際上存在明顯差異，大部分電器的電流波形形狀是不相同的，即使形狀相似，其波形幅值也會有較大區別，因此可以將電流信號作為模式識別的特征向量來進行電器辨識。

2.2 家庭用電過程的電路分析

本文所用到的另一個重要原理是電路中的基爾霍夫電流定律。在任意瞬間，流入任意節點的電流之和等于流出節點的電流之和，數學公式表示如下：

∑I入=∑I出

(1)

式中：I入為流入節點的電流；I出為流出節點的電流。

2.3 電器運行狀態下的干線電流模型

本文設計的監測系統，首先根據已有的電流先驗知識建立不同電器的電流模型庫，然后再通過該模型庫來辨識電力干線上電器設備。

假設連接在電力干線上的電器設備有3臺。3臺電器設備的電壓、電流矢量分別用U1、U2、U3和I1、I2、I3表示，且：U1=U2=U3。

根據基爾霍夫電流定律，電力干線電流模型如下。

(2)

式中：I總為電力干線電流;I1、I2、I3分別為3臺被監測設備單獨運行狀態下的電流。

由于本文設計的硬件系統是非侵入式監測方式，必須對電流先驗知識進行分時采集。分時采集會造成各電器設備的電壓數據初相不一致，進而造成各電器設備的電流數據存在角差。首先需要進行角差處理，才可以運用上述模型進行電器辨識。

2.4 電流先驗知識數據庫角差處理

首先引入定理1。

定理1 兩個相同頻率的正弦信號，其互相關函數值和它們相位差的余弦值成正比。

該定理的數學表達如下：

(3)

式中：φ0為樣本x的初相角；φ1為樣本y的初相角；n為樣本x和樣本y的樣本長度；x(k)、y(k)分別為樣本x和樣本y的第k個元素。

假設數據庫中已存在r個周期的K種電器設備的電流數據樣本i1，i2，…，ik和電壓數據樣本u1，u2，…，uk，每種電器設備的電壓電流數據向量各有N個元素。通過上式測得角差，設第2、第3、…、第K種電器設備與第1種電器設備的電壓角差分別為：θ1,k，…，θ1,2。

至此角差補償完成，按照式(1)中的干線電流數學模型構建方法，對處理后的各電器設備電流數據進行建模，即可得到模型庫。再對實時采集到的數據和模型庫中的模型進行上述過程的角差檢測補償，最后進行聚類分析處理，即可實現電器的辨識。

3 聚類分析和重復剪輯最近鄰法

3.1 C-均值法聚類分析

C=[c10、c20、c30、…、cK0]×S

(4)

式中：S為組合狀態矩陣，是一個只包含0、1元素的矩陣。

S矩陣包含當前所辨識的電器運行狀態組合，S矩陣大小為K×2K，其元素值可以通過下述方式取得：

(5)

模型庫中共有Q=2K個類心，再假設自上次聚類剪輯完成時刻至當前時刻所采集到的第i組數據為ci，對新采集到的電流數據按照最小距離原則劃分。劃分完成后，再重新計算相應類的類心，重復采集劃分過程，直到數據量到達某個設定值時，進行聚類剪輯，再重復上述過程。

本文所用C-均值法聚類的算法過程如下。

①選擇Q個類心。

③計算重新分類后的類心。

(6)

3.2 聚類剪輯

隨著樣本數據量增多，必須對數據進行刪減。刪減過程堅持兩個優先原則：一是將混雜樣本刪除，二是將距離類心較遠的樣本刪除。首先將混雜樣本刪除后重新計算類心，然后找出距離新類心相對較遠的數據進行刪除。具體過程如下。

①實時電流通過上文的C-均值法分類后存儲入數據庫，作為樣本為后續實時監測的數據辨識提供類心校正。假設此時系統所采集到樣本集為C，隨機分成s組，設：

C={C1、C2、C3、…、Cs}

(7)

②采用最近鄰法，以Cj+1為參考集，對Cj中的樣本進行分類。

③去除第二步中的被錯分類的樣本。

④采用所留下的樣本構成新的樣本集，設為C(NE)，如果經過K次迭代后沒有樣本被剪輯掉，則停止；否則轉至步驟①。

⑤剪輯類邊界樣本，得到新的樣本集C(NE);重新計算各類類心樣本到該類新類心的距離，刪除距離值最大的前M個數據。

3.3 類心重合處理

理論上，當電器數量過多情況下，不排除出現類心重合的問題。本文通過辨識節點設計，在結構上避免了單個節點電器設備過多的情況。為了進一步避免此類問題,對類心重合問題提出如下解決思路：記錄所有設備的運行停止狀態,當出現類心重合無法辨識情況時，系統會根據前一時刻的運行記錄，作出最可能的運行狀態判斷。

4 試驗測試

每個辨識節點連接3個用電設備。電器連接情況如表1所示。辨識模式是每秒3組數,每秒辨識3次，每分鐘剪輯一次。采用WiFi通信方式，使用TCP/IP協議。

表1 電器連接情況Tab.1 The connections of appliances

4.1 辨識試驗

本文以一個特點辨識節點為例，說明本文系統的辨識效果。辨識系統與計算機之間的通信方式為WIFI通信，上位計算機所用軟件采用LABVIEW編寫。

角差補償前后電流比較曲線如圖2所示。

圖2 電流比較曲線 Fig.2 Comparison of the current waveforms

顯示屏和小風扇的電流波形均以臺式機的電流波形為參考，進行角差補償。兩種電器的電流波形均發生了一定程度的相移。

電器辨識過程電流波形如圖3所示。

圖3 辨識過程電流波形圖 Fig.3 Current waveforms of identification process

從圖3可以看出，實時電流波形與模型庫中第三條先驗電流波形基本重合，說明辨識結果非常準確。

4.2 分類效果

為了展示分類效果，本文采用主成分分析(principal component analysis,PCA)方法對電流數據進行降維處理。利用PCA的前兩位分量所得到的分類效果如圖4所示。PCA貢獻度為80%以上，前兩位分量貢獻度分別為75.247%和5.239%。所有待辨識的電器設備在分類空間均得到了很好的劃分。

圖4 聚類效果圖 Fig.4 Clustering effect diagram

4.3 試驗統計

本文對9種電器分3個辨識節點進行了2 h試驗，對相關的辨識結果進行了數據統計。辨識節點數據統計情況如表2所示。

表2 節點辨識情況表Tab.2 The situations of node identification

運行狀態準確性統計情況如表3所示。

表3 運行狀態辨識情況表Tab.3 The situations of operation status identification

5 結束語

本文對侵入式和非侵入式兩種主流監測方式進行了研究，將非侵入式方法和侵入式結構相結合，提出了一種新的負荷監測方式。通過建立電力干線電流模型，為C-均值分類算法提供初始類心，再利用重復剪輯近鄰法刪除混雜樣本。通過狀態記錄模式，解決了聚類過程中可能出現的類心重合問題。試驗表明，本文所提方法在辨識的準確性方面取得了令人滿意的結果。

參考文獻:

[1] LIANG J,SIMON K,KENDALL G. Load signature srudy-partⅠ:basic concept,struture,and methodology[J]. IEEE Transaction on Power Delivery,2010,25(2):511-560.

[2] LIANG J,SIMON K,KENDALL G. Load signature srudy-partⅡ:disaggregation framework,simulation and application[J].IEEE Transaction on Power Delivery,2010,25(2):1-3.

[3] HANNU P.Non-intrusive appliance load monitoring system based on modern KWh-meter[R].1998.

[4] HART G.Non-intrusive appliance load monitoring[J].Proceedings of IEEE,1992,80(12):1870-1891.

[5] LAM H,FUNG G,LEE W.Novel method to construct taxonomy of electrical appliances based on load signatures[J].IEEE Transactions on Consumer Electronics,2007,53(2):653-660.

[6] SRINIVASAN D,NG W S,LIEW A C.Neural- network-based signature Identification for harmonic source identification[J].Power Delivery,IEEE,2006,21(1):398-405.

[7] ROOS J.G,LANE I.Using neural networks for non-intrusive monitoring of industrial electrical loads[C]//Proceeds of IEEE Instrumentation and Measurement Technology Conference,1994:1115-1118

[8] MARTINS J F,LOPES R.A novel nonintrusive load monitoring system based on the S-Transform [C]//Proceeds of 2012 13th International Conference on Optimization of Electrical and Electronic Equipment(OPTIM),2012:973-978.

[9] LIN Y H,TSAI M S.Novel feature extraction method for the development of nonintrusive load monitoring system based on BP-ANN [J].International Symposium on Computer Communication Control & Automation,2010(2):215-218.

[10]ALMEIDA A. Report with the results of the surveys based on questionnaires for all countries [R].2005.