基于結構熵權法的非侵入式家電識別研究*

許儀勛，王洪安，李旺，陸青

(1．上海電力學院，上海200090;2．國網臨沂供電公司，山東臨沂276000)

0 引言

在智能用電發展過程中，負荷識別發揮著重要作用。自上個世紀80年代，麻省理工學院學者George W．Hart［1］提出了非侵入式負荷監測(Nonintrusive Load Monitoring，簡稱NILM)技術，即只需在居民用戶的電力入口處安裝硬件裝置，便可實時監測和分析用戶的用電信息。通過非侵入式居民負荷識別技術的應用，居民用戶可以直觀地了解各個家用電器的具體電能消耗情況，從而使得居民的用電計劃更加具有合理性，家用電器的選擇更具有針對性，以達到降低電能損耗，減少居民家庭的用電費用，提高居民節能環保意識的目標［2］。

非侵入式負荷識別的核心是負荷特征的提取和識別算法。目前研究識別算法的比較多，由單一算法到多種算法相結合，但負荷特征基本選擇的比較單一，比如有功功率［3］、暫態開關狀態［4-6］、穩態諧波特征［7-10］等，由于電壓和電流波動等因素干擾，單一特征所得到的識別結果可能會與實際用電情況不一致，以有功功率為例，在文獻［11］中通過單一特征有功功率進行分析，最終在2個功率比較接近的電器中，無法進行正確的識別。

隨著智能小區的不斷建設和發展，積累了大量的基礎用電數據，數據中隱藏著用戶的用電行為習慣，對這些用電數據進行挖掘研究分析，可以得到用戶的用電行為習慣。近年來，已有一些學者對這些數據進行研究分析，但基本針對于電力用戶分類，如文獻［12］以傳統行業劃分為基礎，提出基于聚類的用戶分類研究;文獻［13］提出從當前市場價值、潛在市場價值、區域貢獻價值等方面對用戶進行分類研究，建議對不同類型用戶制定不同的營銷策略。

熵權法是一種客觀的賦權算法，相對于主觀賦權法，精度較高，客觀性更強，能更好的解釋所得到的結果，而且可以用于任何需要確定權重的過程，也可以結合一些方法共同使用，所以選擇熵權法來確定各特征屬性的權重。

基于上述所述，首先，提出采用家用電器的多種參數特征來進行電氣負荷識別;然后，通過對居民用電數據分析，歸納居民用電行為規律，并創新性的將其作為電氣負荷識別的判據之一;最后，提出結構熵權法，即熵權法確定有功功率、無功功率、諧波電流和居民用電行為所占權重，主觀賦值法對識別結果進行賦值，然后將權重和賦值相結合，計算出最終的權值，進而確定出電器開啟結果。通過實驗驗證，此方法可以提高負荷識別的準確率。

1 居民用電行為研究

REDD數據是由麻省理工學院建立的能源分解參考數據庫，REDD數據庫中數據都是采用UTC(U-niversal Time Coordinated)時間戳來進行記錄的，通過UTC時間轉換器將其轉換成對應的日期和時間，并對家庭5一周內采集數據進行分析，來獲取各個時間段案例中用到的各電器的使用情況，作為居民用電行為的依據，如表1所示，并選出其中一天的功率變化，如圖1所示。

表1 家庭5用電行為分析表Tab．1 Electricity Behavior of family 5

圖1 家庭5某一天的功率變化圖Fig．1 Power variation diagram of household 5 in one day2

2 家電負荷特征選取

2．1 有功功率

有功功率計算公式:

對電力負荷功耗進行分解優化目標函數:

式中Pi是數據庫第i個設備的功率;P為當前的功率。

2．2 無功功率

無功功率計算公式:

對電力負荷功耗進行分解優化目標函數:

式中Qi是數據庫第i個設備的功率;Q為當前的功率。

2．3 諧波電流特征

由文獻［14］可選取諧波電流特征作為負荷識別的特征之一，具體如下:

IL=ISX (5)

式中IL為采集器采集到的家庭總電流;IS為家電設備模型參數矩陣;X為各家用電器的工作狀態矩陣。因此，負荷識別問題轉化為求解最優組合問題，取目標函數為:

通過負荷識別算法求得最優組合解，使得目標函數值f取得最小值，此時從X的對應元素值中即可獲知各個家電負荷的工作狀態，從而可以統計各個家電負荷的能耗信息。

3 結構熵權法的多特征負荷識別方法

為了更可靠地提升非侵入式電力負荷的分解能力，以及不同特征量對負荷識別準確度影響的大小，給出一種基于結構熵權法的多特征識別算法，其基本思想是將定量分析的熵權法和定性分析的主觀賦值法相結合，確定最終權值，獲得負荷識別結果。

信息熵本是用來刻畫信息論中所包含信息的無序度的一個量，通過信息熵來度量信息的無序化程度，熵越大則無序化程度越高，相對應的該信息所占有的效用就越低。基于此原理，將信息熵用來確定負荷識別各特征屬性的權重，通過采集數據形成數據序列，并計算該數據序列的信息熵，如果該數據序列的差異程度大，則該特征的影響程度越大，相應的就賦予其較大的權重，并通過數據序列的變異程度來確定各特征屬性對負荷識別影響程度的大小。

在結構熵權法的多特征負荷識別中，采用離散粒子群算法實現目標函數尋優的目的，離散粒子群算法是由Eberhart博士和Kennedy博士于1997年率先提出的一種新型仿生種群智能優化算法，主要解決0－1規劃問題，即每個粒子用一個二進制變量來表示，與其他進化算法相比，其最吸引人的特征是易于實現和更強的全局優化能力，其尋優過程如圖2所示。

圖2 離散粒子群尋優過程Fig．2 Discrete particle swarm optimization process

基于結構熵權法的多特征負荷識別算法的具體計算步驟如下:

(1)數據采集和處理。熵權法的權重計算需要構建屬性決策矩陣，而屬性決策矩陣的構建需要原始數據的支持。本文原始數據的獲得由離散粒子群算法分別對有功功率、無功功率以及諧波電流特征的目標函數進行尋優，獲得電器狀態組合和目標函數的適應度值。首先，將有功功率、無功功率、諧波電流特征和居民用電行為概率作為屬性，將其表述為xj;其次，把各個識別結果的開關狀態組合作為方案，將其表述為Am;最后，將適應度值作為原始數據，將其表述為xij，形成屬性決策矩陣:

對原始數據xij進行歸一化處理，計算比重Fij:

(2)熵值計算。針對第j個屬性，利用該屬性下的數據列計算該屬性的熵值Ej:

式中常數K=1/ln(m);m為方案數，即保證0≤Ej≤1。

(3)計算偏差度。計算第j個屬性的偏差度dj，對于確定的第j個屬性，如果該屬性對負荷識別影響程度越小，則其該屬性下的數據列越接近完全無序狀態，Ej越大，該影響因素的偏差度應越小，因此定義:

dj=1－Ej(10)

(4)計算權重。對以上計算出的偏差度進行歸一化后得到的數值即為每個屬性的權重，它反映了該屬性對負荷識別的影響程度的大小。其中第j個影響因素的權重計算公式:

(5)形成識別矩陣。把各個電器特征的電器識別結果的開關狀態組合按照式(12)的矩陣形式排列:

Dn=［Di(1)Di(2)Di(3) ．．．Di(z)］，i=1，2，3…，n，其中，n為電器特征數目;m為每種特征所選出的結果數目。

(6)對識別矩陣賦值。給每個Di(j)(i=1，2，3…n;j=1，2，3…m)賦權值 Wi，依據相似性將 Di(1)的加權值設定為m，Di(2)的加權值設定為m－1，依次遞減后Di(m)為1，有:

Wi(j)=m+1－i (13)

Di(j)的加權值為W中對應矩陣位置上的加權數。

(7)將熵值法確定的權重和對識別矩陣的賦值結合。將各行中出現的元素，與其相對應的賦值和權重相乘得到權值，并將相同的元素的權值求和，權值最大的就是判定的電器組合類型。

4 算法驗證

為了驗證居民用電行為對負荷識別具有重要的作用，采用由麻省理工學院建立的能源分解參考數據庫進行實例仿真。對家庭5中火線2上的主要家電負荷的功率進行獲取以及對其進行頻譜分析，利用MATLAB進行編程，從中提取出基波分量和諧波分量，具體的家電負荷特征參數值如表2和表3所示。

表2 家庭5火線2上主要家用電器有功和無功功率Tab．2 Active and reactive power of major home appliances of household 5 wire 2

從表3中可以看出，家庭5中火線2上有8種主要家電負荷，共有11種不同工作狀態。為了驗證結構熵權法具有較高的負荷識別準確率，與單獨使用有功功率、無功功率和電流諧波特征做比較。采用離散粒子群來進行尋優，令迭代次數為100次，種群規模為40，學習因子取值為1．49;圖3～圖5分別為電冰箱狀態一與家電四狀態二同時工作時，有功功率、電流諧波特征和無功功率的PSO算法的收斂性。

由圖3可以看出，PSO迭代4次就進入穩定，得到的結果為電冰箱狀態一、家電四狀態二在運行與實際情況設備狀態開啟一致，圖4為PSO迭代15次后進入穩定，得到的結果為電冰箱狀態一、家電四狀態二在運行與實際情況設備狀態開啟一致;圖5為PSO迭代2次后進入穩定，得到的結果為電冰箱狀態一、家電四狀態二在運行與實際情況設備狀態開啟一致。對該例進行40次試驗，有功功率識別準確率為22．5%，無功功率識別準確率為32．5%，電流諧波特征識別準確率為48%，有功+無功+諧波電流的識別準確率為57．5%，結構熵權法識別準確率為77．5%。為了進一步深入對比文中方法算法和單一特征的識別準確率，現對不同家電負荷分別進行實驗，對多種家電工作狀況試驗各設置運行40次，并統計分析了本方法和單一特征識別出的次數和準確率，詳細數據如表4所示。

表3 家庭5火線2上主要家用電器特征量Tab．3 Characteristics of major home appliances of household 5 wire 2

圖3 PSO算法的收斂性(有功功率)Fig．3 Convergence of PSO algorithm(active power)

圖4 PSO算法的收斂性(電流諧波特征)Fig．4 Convergence of PSO algorithm(current harmonic characteristics)

圖5 PSO算法的收斂性(無功功率)Fig．5 Convergence of PSO algorithm(reactive power)

從表4中的數據可以看出，有功功率識別的平均準確率為31．25%，電流諧波特征的平均識別準確率為48．875%，無功功率識別的平均準確率為34．375%，有功+無功+諧波電流的平均識別準確率為61．875，而結構熵權法的平均識別準確率為78．75%，多特征明顯高于單一特征的識別準確率，且考慮居民用電行為的準確率更高，因此，考慮居民用電行為的結構熵權法可以有效地提高負荷識別準確率。

表4 家庭5負荷識別準確率Tab．4 Household 5 load recognition accuracy rate

5 結束語

為了提高電力負荷分解性能，提出了利用多個特征量進行識別，并創新性地將居民用電行為作為一種特征去識別電器負荷。利用熵值法來去確定每個特征的權重，然后根據賦值法對各方案賦值，通過賦值和權重最終確定識別結果。通過實驗驗證，該方法可以有效提高電器識別的準確率。下一步，將會針對多狀態電器進行深入研究，更進一步提高用戶用電體驗。