人工智能技術在用電行為分析中的應用研究

畢善鈺，戚夢逸，俞海猛

（南瑞集團（國網電力科學研究院）有限公司，江蘇 南京 211106）

隨著電力系統計量自動化與智能化水平的提高，用電側數據變得更加容易獲取[1-3]。用電側數據蘊含豐富的用戶用電信息，具有較大的數據挖掘價值[4-5]，是當前電網公司實現價值的重要增長點[6-8]。但由于電網用戶的廣泛性，用電側的數據量龐大，如何從海量的用電數據中挖掘有價值的信息變得至關重要。負荷識別與用電行為分析是用戶側數據的主要應用領域，可實現用戶用電情況的可視化展示，優化用戶用電計劃，從而實現節能環保[9-12]?；诖?，文中應用DBN模型進行用戶側數據挖掘。在實現負荷精準識別的基礎上，分析用戶用電行為，為優化用電計劃提供指導。

1 智能用電行為分析架構

將深度置信網絡的人工智能技術應用于家庭用戶用電行為分析，構建其系統架構，如圖1所示[13-16]?；谌斯ぶ悄芗夹g的用電行為分析架構主要包括離線訓練與在線分析兩個部分。

圖1 基于人工智能技術的用電行為分析架構

1）離線訓練：利用負荷關口歷史數據，通過事件檢測識別家庭電器的開啟事件與關閉事件，提取負荷電氣量特征；通過DBN模型訓練，實現負荷特征庫的構建。

2）在線分析：利用負荷關口實時數據，通過事件檢測與特征提取，將負荷特征集作為已完成訓練并滿足精度要求的DBN網絡輸入數據，從而得到負荷識別結果，進一步實現負荷用電時間、用電量、用電成本分析等用電行為分析功能。

2 負荷識別技術

家庭負荷識別技術包括事件檢測、特征提取和特征庫的構建3個方面。

2.1 事件檢測

負荷識別的基礎是對電器運行的有功功率進行穩態分析、事件檢測，進而判斷設備的類型。以變頻空調運行的有功功率為例，其包含變頻空調開啟與關閉事件，如圖2所示。事件發生前后電器穩定運行狀態分別稱為前、后穩態，見2圖中深色部分。

事件檢測的基本原理是根據前后穩態的功率差值進行判斷的。如圖2（a）所示，負荷開啟事件中，前、后穩態有功功率差值為120 W，根據該值可以初步判定設備類型，因差值為正值，故判斷為開啟事件。如圖2（b）所示，負荷關閉事件中，前后穩態的有功功率差值為-1 050 W，則判斷為關閉事件。

圖2 變頻空調事件檢測原理

在事件檢測原理的基礎上，文中采用基于功率滑動窗口的事件檢測方法，其主要包括功率突變檢測與啟停事件檢測。

1）功率突變檢測

功率突變檢測的目的是初步判斷是否發生功率突變情況，并確定功率發生突變的時間點，判斷是否發生功率突變的依據是，功率序列的方差與平均值是否大于閾值。

對于如下所示的功率序列：

式中，Pt為檢測點t所采集的功率序列；Pt為檢測點t的功率；N為檢測點左右兩側的窗口長度；Pt-n為檢測點t左側第n個點的功率；Pt+n為檢測點t右側第n個點的功率。

計算功率序列的功率平均值，如下式：

計算功率序列的方差，如下式：

式中，St為檢測點t功率序列Pt的方差。

判斷是否發生功率突變的依據，如下所示：

式中，λ為功率突變判斷閾值控制參數。

2）啟停事件檢測

啟停事件檢測是在發生功率突變的基礎上，進一步判斷是否發生負荷啟停事件或負荷正常的功率波動。判斷是否發生啟停事件的依據是功率突變點前后穩態功率差值是否大于閾值。

考慮負荷穩態運行時功率存在微小波動，文中以功率突變點前M個點的功率平均值作為功率突變前的穩態功率，計算方法如下：

式中，PB為功率突變點前的穩態功率。

以功率突變點后M個點的功率平均值作為功率突變后的穩態功率，計算方法如下：

判斷是否啟停事件的依據，如下：

式中，Pθ為啟停事件判斷功率閾值。

2.2 特征提取

負荷運行的電氣特征包括暫態特征與穩態特征，提取暫態特征對于數據采集系統的采集頻率、存儲空間、計算速度的要求極高，不適用于家庭負荷識別場景[17]。因此，文中提取負荷的穩態特征。

文中提取的負荷穩態特征包括穩態功率與穩態電流諧波值。在事件檢測的基礎上，以負荷啟動前后的功率差值作為負荷運行的穩態功率，以負荷啟動前后的電流差值作為負荷運行的穩態電流，并計算負荷電流的諧波總畸變率（Total Harmonics Distortion，THD）。

2.3 構建特征庫

構建負荷特征庫的目的是實現負荷特征參數與負荷類型的映射關系。文中利用DBN模型自動學習負荷特征參數與負荷類型的映射關系，DBN模型的訓練流程如圖1左側所示。

3 用戶用電行為分析

在家庭負荷識別的基礎上，文中進行用戶用電行為分析，分類統計負荷用電時間、用電量與用電費用。

3.1 負荷用電時間統計

在事件檢測到負荷開啟與關閉事件時，并進行負荷識別后，記錄該類型負荷的累計開啟與關閉次數。在記錄該類型負荷的用電時間包括用電時間序列與總用電時間。

負荷總用電時間計算，如下：

式中，Ti為 i類型負荷的總用電時間；TOff，i，g為 i類型負荷第 g 次用電的關閉時間；TOn，i，g為 i類型負荷第g次用電的開啟時間。

3.2 負荷用電量統計

按不同類別負荷分別計算負荷的用電量，負荷電量計算如下：

式中，Ei為 i類型負荷的總用電量；Pi，g為 i類型負荷第g次用電功率。其計算方式如下：

式中，PB，i，g為 i類型負荷第 g次用電啟動事件前負荷總功率；PA，i，g為i類型負荷第g次用電啟動事件后負荷總功率。

3.3 負荷用電費用統計

可以結合實時電價或分時電價計算不同負荷的用電費用。計算方法如下：

式中，Ci為i類型負荷的總用電費用；cg為第g次用電。

4 算例分析

文中實驗仿真環境：處理器為Intel Core i7-8550，CPU主頻為1.99 GHz，內存為16 GB，所使用軟件平臺Python 3.5。以某居民用電數據進行仿真數據，采用上述事件檢測方法對該居民家中的用電情況進行檢測。共采集到765次負荷啟停事件，提取每次負荷啟停事件的前后穩態功率差值及根據每次負荷啟停事件的前后電流差值計算諧波THD[18]。以功率差值與諧波THD作為負荷特征數據集，將其按訓練集與測試集4：1的比例進行DBN模型訓練。

1）負荷識別結果分析

為對比所提出算法的有效性與正確性，將常見的人工智能算法的負荷識別性能與提出算法進行對比分析。進行對比分析的其他人工智能算法包括支持向量機（Support Vector Machine，SVM）與BP神經網絡（Back-Propagation Neural Network，BP-NN）。負荷識別結果如表1所示。

表1 不同算法的負荷識別準確率

由表1可知，文中所提出基于DBN的負荷識別算法的負荷識別準確率均在95%以上。對于任意類型負荷，相比于SVM、BP算法，DBN算法的負荷識別準確率較高。由此可見，所提出基于DBN的負荷識別算法具有較高的負荷識別準確率，為實現用電行為分析提供良好基礎。

2）用戶用電行為分析

利用文中所提出的負荷識別及用電行為分析方法，對該居民某一天共24 h進行用電實時檢測分析，統計該居民用戶的用電行為，計算各種負荷的用電情況，如表2所示。根據分時電價計算各類型負荷的用電費用占比，如圖3所示。

表2 各類型負荷的用電情況

圖3 各類型負荷用電費用占比

由表2與圖3可知，用電量及用電費用加大的負荷為空調、電腦、電磁爐、電視機與待機電器，其用電量均大于2 kWh，用電費用占比均＞8%?？照{功率較大，用電較長，用電費用占比將近50%；電磁爐雖然用電時長較短但功率較大，因此用電費用占比較大；電腦、電視機與待機負荷雖功率較小但用電時長較長，因此為實現節能環保，對于空調負荷可以設置運行于智能模式或定時模式，減小其用電功率或運行時長；對于電腦與電視機長時間未使用時，可以關機或待機；對于待機電器，其平均功率約為100 W，功率較大，用電費用占比將近10%，因此需要引起重視，優化用電安排。

5 結論

文中從離線訓練與在線分析兩個方面構建了基于人工智能技術的用戶行為分析架構，提出了基于DBN的負荷識別方法與用電行為分析方法。通過仿真算例表明，文中所提出的方法負荷識別準確率均大于95%，相比于傳統智能算法具有更高的準確性，能夠在線實現精準負荷的識別。通過用電行為分析表明，該用戶空調、電視機等負荷用電費用較高，且待機負荷功率較大并具有良好的節能優化空間，需要結合用電分析結果制定合理的用電計劃。