電力系統內部電器的智能識別與負荷分解

張林林 莫琦 古棟笙 莫松穎 林建宏

摘要：家庭智能用電中基于非侵入式監測的電器分類識別及分解有助于用戶實時獲取用電信息及電網公司進行電力供需平衡。本文提出以累積和極差平方檢測暫態功率事件，采用BP神經網絡識別電器種類，以及使用基于波形擬合的遺傳優化方法進行負荷分解。

關鍵詞：非侵入式監測;神經網絡;遺傳優化

中圖分類號：TM7 文獻標識碼：A 文章編號：1007-9416（2019）09-0101-02

0 引言

基于目前各個領域均致力于智能化發展的現狀，智能電網技術已然成為了全球的電力領域的研究熱點。隨著城鄉居民的生活水平的提高，日常生活對于電能的需求愈發增加，電能浪費現象及用電安全問題一直備受關注，為了減輕電網的負擔且減少電能浪費的現象，電網公司需要獲得更加詳細的用戶內部負荷用電情況，足夠準確的負荷信息有助于供電單位對實際的電能進行合理的調控分配以達到相應的供需平衡，也利于提高電網的可靠性和安全性。本文提出一種基于短時高頻數據的非侵入式負荷監測技術對電氣總線內部用電設備進行實時切投檢測及分類識別和分解。

1 基于高頻數據的NILM實施框架

通過基于高頻采樣的NILM實現對電力用戶內部用電設備的實時切投檢測以及負荷識別和分解主要分為以下4個部分。

（1）高頻數據采集：在電力入口處采用10kHz的采樣頻率對電力總線上的電壓電流進行采樣。以單個市電周期即20ms計算一次有功功率點。

（2）暫態事件檢測及負荷特征生成：在發生電器狀態轉換時，捕獲暫態功率信息，提取暫態負荷特征，并且結合穩態負荷特征建立負荷特征庫。

（3）負荷識別：在捕獲到有暫態負荷事件發生時，則立即提取負荷特征送入已經訓練好的BP神經網絡模式識別得到電器的啟停狀態或其余工作狀態。

（4）負荷分解：在電力總線端處于穩態時，每隔一定周期進行一次負荷分解計算。在發生暫態負荷事件時則立即進行一次負荷分解。根據分解后得到的各個接入電器的用電信息進行消耗電能計算，則分別得到各個電器的能耗信息。

非侵入式負荷監測的整體實施框架如圖1所示。

2 暫態事件檢測及負荷特征提取

采用20ms間隔計算功率點的方式連續監測電力總線的功率變化。對采集的有功功率序列取長度為的滑動窗，本文取，滑動步長為1。設滑動窗內的均值為，則累積和計算通式：，累積和極差：。本文以累積和極差平方來判斷當前滑動窗內功率是否發生突變。當功率發生階躍變化時，則，在功率處于相對穩態時，即以為條件判斷功率是否發生突變。

負荷特征包括暫態和穩態特征，暫態特征由捕獲的有功和無功功率波形計算得到：

為暫態功率前后的穩態功率差，和分別為暫態有功和無功功率波形的均值，和為暫態有功和無功功率的極差，為暫態功率持續時間。穩態特征可以表示為：

為穩態電流的峰值，、、分別為基波的有功功率、無功功率、視在功率，為基波電壓電流相位差，為前5次奇次諧波電流的幅值。

3 負荷辨識

本文以BP神經網絡對用電設備所處的運行狀態進行模式識別。[1]由于電器類型包含二狀態類型和多狀態類型。則需要將電器的狀態進行編碼作為網絡的目標輸出。二狀態設備的目標輸出僅用一位二進制位表示，1和0分別代表該電器設備的開和關。而對于多狀態設備，設其啟動后的工作狀態為個，則輸出二進制位個數為。電器狀態差個數可以表示為：，電器對應網絡的目標輸出編碼個數為：。以電器狀態為例，其具體編碼形式如圖2所示。

本文實驗電器包括節能吊扇、LED燈、手機、筆記本電腦、美的坐扇（含三個檔位）、電熱水杯。分別對5種電器單獨進行負荷特征采樣計算，共獲2623份樣本，分別取70%為訓練樣本，30%為測試樣本。經過迭代16次后獲得滿足目標最小誤差的性能指標為0.0084025。實際測試樣本經過最終生成的網絡模型計算得出預測值，將預測值與目標值進行對比，其識別結果如表1所示。

4 基于遺傳優化的負荷分解

本文提出一種基于波形擬合為目標函數的遺傳算法對總線功率進行負荷分解尋優得到最優的電器狀態組合，從而實現負荷狀態監測的目的。首先對個體進行編碼，對總線內所有已知的電器狀態進行遺傳算法的種群個體編碼后得到狀態開關向量作為個體的染色體。對所有電器狀態的穩態電流進行采樣得到電流矩陣：，，為所有電器狀態的個數，為單個周期內電流采樣點數，設某時刻在電力總線上采樣得到的穩態電流序列為，則此時有一最優解滿足：，則遺傳算法的適應度函數如下所示：

其尋優目標函數為，即求解種群中所有的個體通過電流矩陣擬合出的電流序列與總線采樣電流序列之間的誤差總和的最小值。其中[2]，為種群個體數。確定好適應度函數后，需要對種群個體進行選擇、交叉、變異三個步驟，將子代中適應度較好的替換掉父代中適應度較差的個體，得到新種群，循環以上操作，直到達到設定的遺傳代數停止繁衍，在最終獲得最優個體。本文進行負荷分解的實驗場景中包含的電器有節能吊扇、12W LED、手機、筆記本電腦、美的坐扇、電熱水杯5種。已知某時刻正在運行的設備為：節能吊扇、12W LED、手機。此時的總線電流進行采樣得到。設置種群個體數為30，最大遺傳代數為20，代溝為0.9。選擇算子采用隨機遍歷抽樣法，交叉算子采用兩點交叉法，交叉概率設置為0.7，變異算子采用離散變異算子，變異概率設置為0.02。遺傳結果如圖3所示。

5 結語

本文提出以累積和極差平方檢測暫態功率事件，采用BP神經網絡識別電器種類，以及使用基于波形擬合的遺傳優化方法進行負荷分解， 有助于電網公司獲得詳細的用戶內部負荷用電情況，可以對實際的電能進行合理的調控分配以達到相應的供需平衡，有利于提高電網的可靠性和安全性。

參考文獻

[1] 耿赫男，劉莉，龐新富.基于人工神經網絡的非侵入式居民用電負荷識別方法[J].沈陽工程學院學報（自然科學版），2019，15（03）：236-240.

[2] 孫毅，崔燦，陸俊，等.基于遺傳優化的非侵入式家居負荷分解方法[J].電網技術，2016，40（12）：3912-3917.

Abstract：Classification， identification and decomposition of electrical appliances based on non-intrusive monitoring in smart household electricity use can help users obtain real-time electricity information and power grid companies balance power supply and demand. In this paper， cumulative sum range square is used to detect transient power events， BP neural network is used to identify electrical appliances， and genetic optimization method based on waveform fitting is used to decompose loads.

Key words：NILM;neural network;genetic optimization