基于CF-MF-SE聯合特征的非侵入式負荷辨識

安國慶 梁宇飛 蔣子堯 李爭 安琪 陳賀 李崢 王強 白嘉誠

摘 要：針對目前非侵入式負荷辨識存在模型訓練時間過長以及負荷特征相近的電器辨識精度不高的問題，提出了一種基于CF-MF-SE聯合特征的非侵入式負荷辨識方法。以穩態電流信號為基礎，通過提取峰值因數表征波形的畸變程度，采用裕度因子表征信號的平穩程度，譜熵表征頻譜結構復雜程度，并結合PSO-SVM實現負荷辨識。結果表明，新方法可解決電器電流波形相近不易識別的難題，減少訓練時間，有效提高識別準確率和效率。所提方法將振動信號特征作為負荷特征引入負荷辨識領域，為非侵入式負荷辨識技術的特征選取提供了新思路，其中譜熵作為對負荷敏感的關鍵特征，與其他特征組合可明顯提高辨識率，為實際應用中負荷特征的靈活選擇提供了參考。

關鍵詞：電氣測量技術及其儀器儀表;非侵入式負荷辨識;譜熵;支持向量機;粒子群優化

中圖分類號：TM933?? 文獻標識碼：A

doi：10.7535/hbkd.2021yx05004

收稿日期：2021-05-16;修回日期：2021-09-01;責任編輯：馮 民

基金項目：河北省省級科技計劃資助（20311801D）;2020年通用航空增材制造協同創新中心課題（15號）

第一作者簡介：安國慶（1995—），男，河北石家莊人，副教授，博士，主要從事電力設備狀態監測方面的研究。

通訊作者：安 琪博士。E-mail：an-qi.122@163.com

Non-intrusive load identification based on CF-MF-SE joint feature

AN Guoqing1，2，LIANG Yufei1，JIANG Ziyao1，LI Zheng1，2，AN Qi1，

CHEN He2，LI Zheng2，WANG Qiang2，BAI Jiacheng1

（1.School of Electrical Engineering，Hebei University of Science and Technology，Shijiazhuang，Hebei 050018，China;2.Hebei Institute of Intelligent Distribution and Electric Equipment Technology （Shijiazhuang Kelin Electric Company Limited），Shijiazhuang，Hebei 050222，China）

Abstract：Aiming at the problems of the current non-intrusive load identification，such as too long model training time and low identification accuracy of electrical appliances with similar load characteristics，a non-intrusive load identification method based on CF-MF-SE joint feature was proposed.Based on the steady-state current signal，the peak factor was extracted to represent the distortion degree of the waveform，the margin factor was extracted to represent the stability degree of the signal，the spectral entropy was extracted to represent the complexity degree of the spectrum structure，and PSO-SVM was combined to realize load identification.Experimental results show that this method can solve the problem that the electrical current waveform is too similar to identify successfully，reduce the training time，and improve the recognition accuracy and efficiency.This method introduces the vibration signal characteristics as load characteristics into the field of load identification，which provides a new idea for feature selection of non-invasive load identification technology.As a key feature sensitive to load，spectral entropy can significantly improve the identification rate when combined with other features，which provides reference for the flexible selection of load characteristics in practical application.

Keywords：

electrical measuring technology and its instrumentation;non-intrusive load identification;spectral entropy;support vector machine;particle swarm optimization

近年來，電網負荷日益增加以及分布式清潔能源不斷接入電網，對智能電網的發展提出了更高要求，“智能用電”和“綠色用電”成為當今研究熱點[1]。負荷監測作為實現智能電網的第一步，通過檢測某一環境內的總負荷獲取內部各用電器的用電信息，獲取的信息不僅可以幫助用戶掌握電器的工作狀態及能耗信息，而且可為電力公司進行電力部署提供依據。

傳統的負荷監測技術采用侵入式方法，需要在每個被監測的設備上安裝測量設備，成本高且安裝維護不方便，所以侵入式負荷監測在用戶側無法普及[2-3];而非侵入式方法只需在電能入口處安裝測量裝置即可獲得總負荷的電壓、電流等電氣信號，通過提取這些電氣量的特征信息，實現負荷識別[4]。與侵入式負荷監測相比，非侵入式負荷監測成本更加低廉、實用性強，因此有著更為廣闊的應用前景。

近年來，為了有效識別用電負荷，國內外學者對負荷特征的挖掘選取進行了大量研究。文獻[5]利用差量特征提取方法將獲取到的任意時刻的變化特征量作為負荷特征，使用模糊聚類方法對負荷進行聚類識別，但對于負荷特征相似的電器不能準確識別;文獻[6]把電器投切時的暫態波形和功率變化值作為負荷特征并建立模板庫，使用DTW算法計算待測電器的負荷特征與模板的相似度，從而實現電器的識別，但無法準確識別對功率波形相似的電器;文獻[7]提取電器負荷的有功功率和無功功率作為特征并用支持向量機對電器負荷進行識別，簡單直觀但對功率相近的負荷分類效果不理想;文獻[8]基于Siamese神經網絡的低維特征空間模型，結合孤立森林算法去除低維特征的離群值，然后使用凸包重疊率相似度計算方法實現對已知和未知設備進行識別，且取得了較好的效果;文獻[9]將多種負荷特征構造成為特征集，通過降維處理從而得到最佳辨識特征;文獻[10]選取電氣特征和外部數據為特征量，綜合考慮居民負荷的時間特性和對外部數據的關聯特性，利用貝葉斯網絡模型對居民用電行為進行建模分析，取得了較好的效果。文獻[11]利用信號的功率差來標記狀態轉換事件并利用差量提取任意時刻的特征值，采用粒子群優化加權隨機森林進行識別，能有效識別設備的類型和開關狀態。

電氣信號的特征提取作為非侵入式負荷辨識的關鍵技術之一，提取的特征會直接影響到辨識結果的準確率。本文提出了一種基于CF-MF-SE聯合特征分析的非侵入式負荷辨識方法，對電器的穩態電流信號進行多維特征提取，用于訓練支持向量機（SVM）進行負荷辨識，并采用粒子群算法對SVM模型參數進行優化。

1 負荷特征提取

通過對電器工作時電流信號的分析，發現不同電器在工作時電流的頻譜結構復雜程度、畸變程度以及平穩程度存在差異。而譜熵（spectral entropy，SE）、峰值因數（crest factor，CF）和裕度因子（margin factor，MF）可分別用來表征電流的頻譜復雜程度、畸變程度和平穩程度。譜熵作為一種典型的結構復雜度方法，主要應用于混沌系統的復雜性分析[12-13];峰值因數、裕度因子則主要用于表征軸承性能的退化指標[14-16]。無論是譜熵、峰值因數還是裕度因子，在非侵入式負荷辨識中用于表征負荷特征的研究很少。

1）峰值因數（crest factor，CF）

峰值因數也被稱為波峰系數，當非線性負載接入正弦波電壓時，其產生的電流波形會發生畸變，而峰值因數的大小則表示了電流的畸變程度。將電流作為負荷識別的監測信號，設電流信號為x（n），n=1，2，...，N，峰值因數的計算見式（1）。

CF=maxxn1N∑Nn=1xn2 。（1）

2）裕度因子（margin factor，MF）

裕度因子常用來表示信號的穩定程度，其計算式見式（2）。

MF=maxxn1N∑Nn=1xn122 。（2）

3）譜熵（spectral entropy，SE）

譜熵采用傅里葉變換，通過傅里葉變換后的頻域內能量分布，結合香農熵得出相應譜熵值[13]。其算法流程如下。

第1步：去除直流分量。已知時間序列x（n）的長度為N，采用式（3）去除直流分量，使頻譜可以更加有效地反映出信號的能量信息，見式（3）。

x（n）=x（n）-x-，（3）

式中x-=1N∑Nn=1xn。

第2步：對經過式（3）處理后的序列x（n）進行離散傅里葉變換，得

Fk=∑Nn=1xne-j2πNnk=∑Nn=1xnWnkN，? k=1，2，…，N 。（4）

第3步：對經過式（4）處理后的頻譜序列F（k）取其前一半進行計算，依據Paserval定理，計算其中某一特定頻率的功率譜值，即

pk=1NFk2，k=1，2，…，N/2 。（5）

則序列的總功率可定義為

ptot=1N∑N/2k=1Fk2 。（6）

相對功率譜的概率Pk可表示為

Pk=pkptot=1NFk21N∑N/2k=1Fk2=Fk2∑N/2k=1Fk2 ，（7）

式中∑N/2k=1Pk=1。

第4步：利用式（7）并結合香農熵概念，求得信號的譜熵SE：

SE=-∑N/2k=1Pkln Pk 。（8）

一般情況下，由于SE的最大值為ln（N/2），因此，需要時會對SE進行歸一化操作，得到如下歸一化的SE，即

SEN=SElnN/2。（9）

將上述提取的負荷特征組成一個三維特征向量X=[CF，MF，SE]作為支持向量機的輸入樣本。

2 基于粒子群優化的支持向量機

2.1 支持向量機

支持向量機（SVM）算法能夠在很廣的函數集中構造函數，有很強的通用性，不需要微調，魯棒性能好，同時SVM也可避免其他智能算法在網絡結構選擇、過學習和欠學習的缺點[17]。負荷辨識是一個非線性分類問題，因此利用高斯核函數將空間中非線性樣本映射到高維空間，對其進行非線性變換。針對負荷辨識問題，通過一對多法構造多分類器，實現負荷辨識。

假定樣本的訓練集為（Xi，Yi），i=1，2，…，n，其中n為樣本的訓練集數量，Xi為第i個訓練樣本， Yi∈{-1，+1}。利用SVM實現分類問題可通過求解最優化問題來完成，即

min12‖ω‖2+C∑ni=1εi，s.t.? YiωTXi+b≥1-εi， εi>0， i=1，2，…，n，（10）

式中：ω為權值系數;εi為松弛變量;C為懲罰因子。

引入拉格朗日函數將其轉化為對偶問題的同時，引入核函數，將非線性樣本映射到高維空間，即可將非線性回歸問題轉換為線性問題求解。

max Wα=-12∑ni=1∑nj=1αiαjYiYjKXi，Xj+∑ni=1αi，

s.t.? ∑ni=1αiYi=0， 0≤αi≤C， i=1，2，…，n，（11）

式中：α為拉格朗日乘子;K（Xi，Xj）為核函數。

本文選用高斯核函數

KXi，Xj=exp-g‖Xi-Xj‖2 ，（12）

式中g為核函數參數，g>0。

核函數類型確定之后，結合粒子群算法進行參數C和g尋優。

2.2 粒子群優化支持向量機原理

粒子群優化（PSO）算法是一種強大的多維空間尋優技術，用于在多維搜索空間尋找全局最優解。粒子群優化過程從隨機產生的粒子群開始，每個粒子代表一個極值優化問題的潛在最優解，用位置、速度和適應度值3項指標表示該粒子特征，適應度值由適應度函數計算得到，其值的好壞表示粒子的優劣[18-19]。

設在D維目標搜索空間中，初始種群由m個粒子組成，粒子的個體位置為pid，速度為 vid ，其中i為粒子個數，i = 1，2，…，m;d為粒子的搜索維度，d= 1，2，…，D。每一次迭代中，粒子根據式（13）和式（14）更新其位置和速度。

vk+1id=wvkid+c1r1Pbestid-xkid+c2r2Gbestid-xkid，（13）

xk+1id=xkid+vk+1id，（14）

式中：Pbestid表示個體的局部最優位置;Gbestid表示整個種群的全局最優位置;k= 1，2，…，K，K為最大迭代次數;w為慣性因子;r1，r2為[0，1]之間的隨機數;c1，c2為學習因子。

SVM分類模型的精確度與懲罰參數C和核函數參數g有著直接聯系[20]，故使用粒子群算法對SVM的C，g參數進行尋優。實現過程如下：

步驟1：初始化粒子群算法的參數：對種群數量m，各粒子的位置、速度，最大迭代次數K，慣性因子w，學習因子c1，c2等進行隨機初始化。

步驟2：根據目標函數來計算每個粒子的適應度值，每個粒子的適應度值與它自身經歷過的最優位置Pbest做比較，若優于自身的最優位置，則進行替代，否則Pbest不變;并同時將每個粒子的適應度值與全局經歷的最優位置Gbestid進行比較，若優于全局的最優位置，則更新Gbest，否則Gbest不變;

步驟3：利用式（13）、式（14）更新粒子位置和速度;

步驟4：判斷是否滿足結束條件，即達到了最大迭代次數K或達到了最小誤差要求。 如果滿足結束條件，則結束程序并輸出最優結果，進行步驟5;否則返回步驟2繼續執行。

步驟5：使用尋優得到的最優參數組合對SVM模型進行訓練。

3 實驗結果與分析

3.1 實驗數據采集

在實際應用中，負荷數據通過在用戶入口處（220 V母線）安裝的數據采集設備（智能電表）獲得。為了模擬實際情況，搭建了負荷數據采集平臺，如圖1所示，并通過該平臺進行負荷數據采集。

圖1中插排主線模擬用戶的入戶220 V母線，采集設備即智能電表安裝在插排主線上，插排插座模擬用戶住宅，智能電表采樣頻率為6.4 kHz。在數據采集時，智能電表對主線的電流和電壓進行采樣，采樣信號經ADC模數轉換后，以串口通信的方式傳至電腦端。

實驗采集了空調、微波爐、熱水器、熱水壺、電熱爐（小太陽）、冰箱、電磁爐、電吹風、電飯煲、洗衣機、抽油煙機共11種電器的電流數據。其中空調有制冷和制熱2種工作狀態。

3.2 基于電流信號的PSO-SVM負荷辨識

設置PSO算法的最大迭代次數K=200，種群數量m=20，學習因子c1=1.5，c2=1.7，慣性因子w=1。

為了驗證所提取特征的有效性，選取電器的穩態電流信號作為SVM的輸入樣本。獲取用電網絡中各個負荷單獨運行時的電流信號，從中提取各負荷的穩態電流，選取每個電器的50組數據作為訓練集用于訓練SVM模型，1 000組數據作為測試集用于驗證模型的有效性。結果如圖2所示。

從圖2中可以看出，測試數據的平均識別率為93.46%，橢圓圈住的部分為錯誤識別的部分，其中各電器的識別率如表1所示。

從表1可以看出，除了洗衣機和油煙機外，利用PSO-SVM算法對各電器的穩態電流數據進行訓練，具有很高的識別率。洗衣機和抽油煙機的識別率遠低于其他電器，僅為67.8%和53.7%，主要原因是二者的電流波形相似。為解決電流波形相似而不易識別的問題，提出了基于CF-MF-SE聯合特征分析的PSO-SVM負荷辨識方法。

3.3 基于CF-MF-SE聯合特征的PSO-SVM負荷辨識

保持PSO算法的參數設置不變，在3.2所選取數據的基礎上，對50組訓練集和1 000組測試集提取CF-MF-SE聯合特征。結果如圖3所示。

從圖3可以看出，測試數據的平均識別率為97.59%，橢圓圈住的部分為錯誤識別的部分，其中各電器的識別率如表2所示。

從表2可以看出，相比于表1，洗衣機和抽油煙機的識別率分別從67.8%和53.7%上升至99.6%和99.8%，雖然個別電器的識別率有所下降，但整體的平均識別率從93.46%上升至97.59%，解決了電流波形相似而不易識別的問題。同時對電流信號進行負荷特征提取，降低了電流信號的維度，壓縮了數據量，使得訓練時間大幅度減少，節省了時間成本。上述結果表明，利用PSO-SVM算法對各電器的CF-MF-SE聯合特征進行負荷辨識，可解決電器電流波形相似不易識別的難題，極大地優化了整體識別率和識別時間。

3.4 對比分析

保持使用的數據和PSO參數設置不變，

分別采用一維特征[CF]、[MF]、[SE]，二維特征[CF，MF]、[CF，SE]、[MF，SE]與三維特征[CF，MF，SE]進行對比分析，結果如表3所示。

由表3可知，使用三維特征[CF，MF，SE]作為負荷特征進行負荷辨識，其平均識別率均高于其他的特征組合，但訓練時間也是最長的。同時可知SE特征存在的組合中，平均識別率明顯提升，該特征是負荷識別的核心特征。

4 結 語

提出了一種基于CF-MF-SE聯合特征分析的非侵入式負荷辨識方法，對負荷設備的穩態電流進行峰值因數、裕度因子和譜熵特征的提取，結合經PSO算法優化的SVM模型，實現負荷辨識，且具有較高的準確率。

該負荷辨識方法有如下優勢。

1）選取峰值因數、裕度因子和譜熵作為負荷特征，能夠解決電器電流波形相似不易識別的難題，提高負荷辨識的平均識別率，同時可以有效壓縮數據量，減少訓練時間，提高效率。

2）譜熵能夠有效描述電器頻譜的結構復雜程度，對負荷的變化比較敏感，當與其他負荷特征進行組合時，能明顯提高負荷辨識的識別率。在實際應用中，可根據具體需求，選擇適宜的組合方式進行辨識，為負荷辨識的發展打開了新思路。

3）與傳統SVM依靠經驗選取參數相比，采用粒子群算法對SVM的C和g參數進行尋優，有利于快速獲取最優解，有效提高識別準確率。

本文僅探討了CF-MF-SE聯合特征在某電器中的應用，未來將在更多電器上進行更為廣泛而深入的探索。

參考文獻/References：

[1] 程祥，李林芝，吳浩，等.非侵入式負荷監測與分解研究綜述[J].電網技術，2016，40（10）：3108-3117.

CHENG Xiang，LI Linzhi，WU Hao，et al.A survey of the research on non-intrusive load monitoring and disaggregation[J].Power System Technology，2016，40（10）：3108-3117.

[2] 牛盧璐.基于暫態過程的非侵入式負荷監測[D].天津：天津大學，2010.

NIU Lulu.Non-intrusive Load Monitoring Based on Transient Characteristics[D].Tianjin：Tianjin University，2010.

[3] 于超，覃智君，陽育德.基于啟停狀態識別改進因子隱馬爾可夫模型的非侵入式負荷分解[J/OL].電網技術.[2021-02-23].https：//doi.org/10.13335/j.1000-3673.pst.2020.1893.

YU Chao，QIN Zhijun，YANG Yude.Non-intrusive load disaggregation by improved factorial hidden Markov model considering on-off status recognition[J/OL].Power System Technology.[2021-02-23].https：//doi.org/10.13335/j.1000-3673.pst.2020.1893.

[4] 邵琪，包永強，張旭旭.基于分數階Hilbert倒譜特征提取的非侵入式負荷監測研究方法[J].電子器件，2020，43（6）：1314-1319.

SHAO Qi，BAO Yongqiang，ZHANG Xuxu.Non-intrusive load monitoring research method based on fractional Hilbert cepstrum feature extraction[J].Chinese Journal of Electron Devices，2020，43（6）：1314-1319.

[5] 孫毅，崔燦，陸俊，等.基于差量特征提取與模糊聚類的非侵入式負荷監測方法[J].電力系統自動化，2017，41（4）：86-91.

SUN Yi，CUI Can，LU Jun，et al.Non-intrusive load monitoring method based on delta feature extraction and fuzzy clustering[J].Automation of Electric Power Systems，2017，41（4）：86-91.

[6] 華亮亮，黃偉，楊子力，等.基于DTW算法的非侵入式家居負荷行為識別方法[J].電測與儀表，2019，56（14）：17-22.

HUA Liangliang，HUANG Wei，YANG Zili，et al.A nonintrusive recognition method of household load behavior based on DTW algorithm[J].Electrical Measurement & Instrumentation，2019，56（14）：17-22.

[7] TABATABAEI S M，DICK S，XU W S.Toward non-intrusive load monitoring via multi-label classification[J].IEEE Transactions on Smart Grid，2017，8（1）：26-40.

[8] YIN B，ZHAO L W，HUANG X Q，et al.Research on non-intrusive unknown load identification technology based on deep learning[J].International Journal of Electrical Power & Energy Systems，2021，131：107016.

[9] 祁兵，韓璐.基于負荷空間劃分的非侵入式辨識算法[J].電測與儀表，2018，55（16）：19-25.

QI Bing，HAN Lu.A non-intrusive identification algorithm based on partition of the load space[J].Electrical Measurement & Instrumentation，2018，55（16）：19-25.

[10]張恒，鄧其軍，周東國.基于貝葉斯網絡的非侵入式家庭負荷動態監測模型[J].電測與儀表，2020，57（23）：63-70.

ZHANG Heng，DENG Qijun，ZHOU Dongguo.Dynamic monitoring model of non-intrusive household load based on Bayesian network[J].Electrical Measurement & Instrumentation，2020，57（23）：63-70.

[11]謝詩雨，李君豪，王勁峰，等.基于粒子群優化加權隨機森林的非侵入式負荷辨識[J].電器與能效管理技術，2019（9）：22-26.

XIE Shiyu，LI Junhao，WANG Jinfeng，et al.Non-invasive load identification of weighted random forest based on particle swarm optimization[J].Low Voltage Apparatus，2019（9）：22-26.

[12]葉曉林，牟俊，王智森，等.基于SE和C0算法的連續混沌系統復雜度分析[J].大連工業大學學報，2018，37（1）：67-72.

YE Xiaolin，MOU Jun，WANG Zhisen，et al.Analysis of continuous chaotic complexity based on SE and C0 algorithm[J].Journal of Dalian Polytechnic University，2018，37（1）：67-72.

[13]王微，胡雄，王冰，等.基于譜熵與彎曲時間特征的性能退化GG聚類[J].中國工程機械學報，2020，18（2）：95-100.

WANG Wei，HU Xiong，WANG Bing，et al.Performance degradation Gath-Geva fuzzy clustering based on spectrum entropy and curved time feaure[J].Chinese Journal of Construction Machinery，2020，18（2）：95-100.

[14]孫晨光.基于PSO優化SVM的滾動軸承剩余使用壽命預測研究[D].石家莊：石家莊鐵道大學，2019.

SUN Chenguang.Research on Remaining Useful Life Prediction of Rolling Bearing Based on PSO Optimized SVM[D].Shijiazhuang：Shijiazhuang Tiedao University，2019.

[15]董紹江，王軍，徐向陽，等.基于多SVM誤差加權的軸承剩余壽命預測[J].制造技術與機床，2017（12）：103-106.

DONG Shaojiang，WANG Jun，XU Xiangyang，et al.Rolling bearing residual Life prediction based on error weighted multiple improved support vector machine model[J].Manufacturing Technology & Machine Tool，2017（12）：103-106.

[16]肖順根，馬善紅，宋萌萌，等.基于EEMD和PCA滾動軸承性能退化指標的提取方法[J].江南大學學報（自然科學版），2015，14（5）：572-579.

XIAO Shungen，MA Shanhong，SONG Mengmeng，et al.Performance degradation indicator extraction method of rolling bearings based on the EEMD and PCA[J].Journal of Jiangnan University（Natural Science Edition），2015，14（5）：572-579.

[17]廖俊勃，張恒，李嚴彪，等.基于改進PSO-SVM的預測算法研究[J].工業控制計算機，2019，32（11）：85-87.

LIAO Junbo，ZHANG Heng，LI Yanbiao，et al.Study on prediction algorithm based on improved PSO-SVM[J].Industrial Control Computer，2019，32（11）：85-87.

[18]劉冬梅，霍龍龍，王浩然，等.基于PSO-SVM的電流放大器故障診斷研究[J].傳感器與微系統，2021，40（8）：50-52.

LIU Dongmei，HUO Longlong，WANG Haoran，et al.Study on fault diagnosis for current amplifier based on PSO-SVM[J].Transducer and Microsystem Technologies，2021，40（8）：50-52.

[19]李文武，石強，李丹，等.基于VMD和PSO-SVR的短期電力負荷多階段優化預測[J/OL].中國電力.[2020-12-21].http：//kns.cnki.net/kcms/detail/11.3265.TM.20201221.1513.019.html.

LI Wenwu，SHI Qiang，LI Dan，et al.Multi-stage optimization forecast of short-term power load based on VMD and PSO-SVR[J/OL].Electric Power.[2020-12-21].http：//kns.cnki.net/kcms/detail/11.3265.TM.20201221.1513.019.html.

[20]任強，官晟，王鳳軍，等.基于EEMD和PSO-SVM的電機氣隙偏心故障診斷[J].組合機床與自動化加工技術，2021（2）：73-76.

REN Qiang，GUAN Sheng，WANG Fengjun，et al.Motor air-gap eccentricity fault diagnosis based on EEMD and PSO-SVM[J].Modular Machine Tool & Automatic Manufacturing Technique，2021（2）：73-76.