基于深度學習的用電負荷辨識方法

潘世博??陳思睿?潘楠 沈鑫 潘地林

【摘要】? ? 新時期國民經(jīng)濟發(fā)展迅速，社會生活及生產(chǎn)對電能的質量提出新的要求。用電負荷的有效辨識可便于工作人員了解電力系統(tǒng)負荷實際構成，從而掌握電力負荷實時運行變化，實現(xiàn)電力系統(tǒng)科學監(jiān)測。此外，對電力負荷的電能消耗分析，可實現(xiàn)電力系統(tǒng)的節(jié)能發(fā)展，為節(jié)省電能提供有效的數(shù)據(jù)支持，對構建節(jié)約型電網(wǎng)具有深遠意義。傳統(tǒng)電力負荷識別以人工方式支持，該方式實施監(jiān)測效果不理想，故文章提出基于深度學習的用電負荷辨識方式，以此方式可靈活應對用電負荷發(fā)生的變化，可促進電網(wǎng)智能化進一步發(fā)展。

【關鍵詞】? ? 深度學習? ?用電負荷? ? 辨識? ? 方法

基于深度學習的監(jiān)測網(wǎng)絡，簡稱為深度置信網(wǎng)絡，英文簡稱為（Deep Belief Network）DBN[1]，將其應用到用電負荷的監(jiān)測中，其結合神經(jīng)網(wǎng)絡框架，再配合圖像識別、語音識別及電能質量擾動識別，可起到很好的電力負荷監(jiān)測作用[2]。DBN經(jīng)各個受限玻爾茲曼機及一層后向構成，受限玻爾茲曼機簡稱為RBM。DBN以對比散度算法為支持，先對首個RBM訓練，使其獲取初始特征，之后將此類的初始特征值作為訓練的實際數(shù)據(jù)，對下一個RBM獲取高級特征，延續(xù)此步驟，完成全部的RBM操作。之后，再根據(jù)反向傳播算法，以科學監(jiān)督方式對DBN進行調整。

一、基于深度學習的用電負荷辨識方法背景

電能是保證生產(chǎn)、交通、通信等各個行業(yè)穩(wěn)定發(fā)展的基礎，也是國家經(jīng)濟增長、科技進步的有力支撐。而電能質量也是電力用戶和電網(wǎng)企業(yè)所關心的重點內容[3]。近年來，隨著國家各縣鼓勵政策出臺，國民經(jīng)濟的增長有達到新的高速。而社會發(fā)展對電能質量的要求也在逐年增加。提高電能質量成為電力企業(yè)發(fā)展所圍繞的核心。針對多元化的電能質量問題，應積極展開電力負荷類型的相關研究，注重對家用電器、工業(yè)生產(chǎn)負荷的運行規(guī)律分析，掌握不同電力負荷運行的特征，構建典型的負荷特征數(shù)據(jù)庫，為有效監(jiān)測打下堅實基礎[4]。文章以大數(shù)據(jù)及深度學習方式結合的思想，積極展開深度學習的電力負荷類型分類識別，以此掌握不同動態(tài)信號電壓、電流波形特征，構建專業(yè)的電力負荷數(shù)據(jù)庫，從而提取出可反饋電力負荷特征的量，優(yōu)化工業(yè)電力負荷分類識別。

二、電力負荷

電力負荷包含電弧爐、電氣鐵路、光伏發(fā)電、沖壓機等，大量生產(chǎn)及運輸中存在大量非線性負荷，一些新興能源，如太陽能、風能等，其能源接入電網(wǎng)中，也會導致電網(wǎng)中電壓、電流信號出現(xiàn)更多畸變幾率[5]。此外，空調、冰箱等家用電氣升級，其技術上也多采用變頻技術，導致居民用電中電力非線性負荷增多。非線性設備會導致設備自身產(chǎn)生過多的諧波，也導致電流自身出現(xiàn)不同程度的畸變。例如，在整流設備、變頻裝置當中，就會產(chǎn)生大量諧波電流，諧波電流的產(chǎn)生和電路自身非線性負荷有不可分割的聯(lián)系。

三、基于深度學習的用電負荷辨識方法

3.1概述

對于當下工業(yè)生產(chǎn)當中，其設備電力負荷自動識別中的人工選擇特征困難問題，為進一步提高負荷的有效識別，提高識別精度及效率，特引入深度學習的理念，以DBN技術支持對實時的電力負荷數(shù)據(jù)有效分類識別，DBN經(jīng)各個受限玻爾茲曼機及一層后向構成，其結合神經(jīng)網(wǎng)絡框架，再配合圖像識別、語音識別及電能質量擾動識別，可起到很好的電力負荷監(jiān)測作用[6]。深度學習和傳統(tǒng)的神經(jīng)網(wǎng)絡訓練方式有諸多不同，深度學習主要采取分層預訓練的機制，其可從海量的數(shù)據(jù)中探索有用數(shù)據(jù)，從而學習到更多的隱含特征，可解決人工神經(jīng)網(wǎng)絡在學習中容易受局部最優(yōu)解的影響問題。

3.2受限玻爾茲曼機

受限玻爾茲曼機是DBN的重要構成，其英文為Restricted Boltzmann Machine，簡稱RBM，其由可見層和隱藏層共同構成，屬于概率圖的模型，各層神經(jīng)元以權值相互連接。正常情況下，可見層的單元可描述出數(shù)據(jù)自身的外在特征，而對應的隱藏層單元則可作為特征提取層，具體的受限玻爾茲曼機模型如圖1所示。圖1中，V和H分別代表可見層和隱藏層的狀態(tài)向量。受限玻爾茲曼機其層內沒有連接，各層位置相互連接。若給定的可見層神經(jīng)元狀態(tài)，則各個隱藏層的神經(jīng)元激活為條件獨立，相反的，若給定隱藏層的神經(jīng)元狀態(tài)，則各個可見層的神經(jīng)元激活為條件獨立。Hinton教授（2002）提出的對比散度（Contrastive Divergence，CD）算法，該方式訓練RBM的效果較理想，現(xiàn)已經(jīng)成為訓練受限玻爾茲曼機的標準化算法。

3.3深度置信網(wǎng)絡

深度置信的學習網(wǎng)絡，將各個不同的受限玻爾茲曼機采取堆疊的方式，在最后添加一個分類器，整體構成DBN。與此同時，還通過反向傳播的算法（簡稱為BP）對網(wǎng)絡進行微調。以三個受限玻爾茲曼機構成的DBN模型，如圖2所示。

在實際訓練中，將DBN從低到高進行排列，采取無監(jiān)督模式支持開展獨立訓練各層受限玻爾茲曼機。訓練以對比散度算法為支持，先對首個受限玻爾茲曼機進行訓練，獲取初始特征之后，將此類初始特征作為后續(xù)的訓練數(shù)據(jù)依據(jù)，以此對下一個的受限玻爾茲曼機進行訓練，使其獲取高級特征，之后再對下一個受限玻爾茲曼機訓練，以此類推，最終對所有的受限玻爾茲曼機都完成對應訓練。上述的受限玻爾茲曼機經(jīng)過無監(jiān)督的特征學習之后，其連接上BP神經(jīng)網(wǎng)絡，利用類別標簽數(shù)據(jù)及后向傳播算法，實現(xiàn)對DBN的整體微調及分類處理。之后自網(wǎng)絡參數(shù)中設置權值懲罰項目，避免出現(xiàn)權值過大、擬合等不良現(xiàn)象出現(xiàn)。

3.4以深度學習置信網(wǎng)絡支持的電力負荷識別方案

在深度置信網(wǎng)絡支持下開展電力負荷分類，其識別過程為：先將采集到的各個負荷數(shù)據(jù)劃分為訓練數(shù)據(jù)及測試數(shù)據(jù)，分成兩類，二者比例為5：1，且訓練數(shù)據(jù)及測試數(shù)據(jù)之間并不重疊。之后對數(shù)據(jù)進行預處理。可將得到的訓練數(shù)據(jù)輸入到DBN系統(tǒng)中，開展樣本訓練及特征提取，而后從輸入的電網(wǎng)電流數(shù)據(jù)中對對各項負荷工作特征的信息進行提取，獲取工作固有特征。DBN無明確的特征提取流程，但是其可以自動在數(shù)據(jù)中學習、獲取到可以反饋出電力負荷的各項特征。在DBN模型訓練完成之后，需將測試數(shù)據(jù)輸入到網(wǎng)絡內，測試該模型的實際性能，并結合各項類別標簽，計算好分類識別的準確率，具體的實施流程如圖3所示。

3.5負荷實驗驗證結果分析

為驗證DBN模型的有效性，設計包含電氣化鐵路、中頻爐、整流設備、沖壓機等設備在內的負荷實驗驗證。將采集到的數(shù)據(jù)以設備自身的PC端軟件對數(shù)據(jù)處理分析，之后得到具體的樣本數(shù)據(jù)。PC端軟件先對采樣數(shù)據(jù)分解，獲取時間、電流、電壓等基本信息。之后在MATLAB仿真平臺開展仿真分析，將數(shù)據(jù)轉化為每行10周波，設置15000行數(shù)據(jù)。之后提取出單相的電流信號進行負荷識別。將每種負荷樣本數(shù)據(jù)一行10周波、共10000點，設置15000x10000矩陣，選擇其中2500條信號測試，剩余信號則作為訓練數(shù)據(jù)訓練。

得到最終結果為：

對8種負荷實驗驗證分析（包含中頻爐、電氣化鐵路、整流設備、沖壓機、注塑機、針織制造機、電動機+電焊機），采取快速傅里葉變換實施諧波分析，電流各個諧波量中，中頻爐第11、整流設備第5、沖壓機第5次諧波分量較大。在由兩個RBM構成的DBN實驗中，發(fā)現(xiàn)首個RBM提取數(shù)據(jù)初始特征，第二個RBM提取數(shù)據(jù)中的高級特征，對兩個RBM有訓練，并且對DB系統(tǒng)進行稍微調整，其權重分析結果為：兩個RBM預訓練迭代次數(shù)達到300后，分類正確率將伴隨DBN的調整次數(shù)變化，微調的次數(shù)越多，分類的正確率也就越高，在微調達到250次之后，其分離正確率基本趨于穩(wěn)定。

三個RBM構成的DBN實驗過程和兩個RBM構成的DBN具有相似性，為進一步驗證DBN系統(tǒng)的合理性，選擇設置2層RBM網(wǎng)絡，結構為10000-100-100-8，采取神經(jīng)網(wǎng)絡開展對比驗證，實驗結果如圖5所示。

實驗結果顯示，采取DBN的電力負荷識別方式，其對8種工業(yè)電力負荷的識別效果突出，可推廣應用。在使用2層RBM網(wǎng)絡時候，對上述各種電力負荷的識別率已經(jīng)達到98.53%，其中整流設備的識別率最為突出，可達到99.88%，究其原因，主要是和整流類設備自身負荷的諧波特征有直接聯(lián)系。除此之外，沖壓機其識別率達到99.88%，識別率也較為理想。而8中工業(yè)電力負荷識別中，識別效果最差的為攪拌機+電焊機，但是其識別率也達到了96.40%。

四、結束語

綜上所述，文章提出一種基于深度學習的用電負荷辨識方法，通過具體的實驗，發(fā)現(xiàn)該深度學習的用電負荷辨識方法其訓練出來的DBN模型對電力負荷分類的識別效果途虎，雖然DBN自身無明顯的特征選擇及提取過程，但是其最終的電力負荷識別能力最為突出。基于DBN的負荷識別精度及為理想，通過DBN的學習訓練，其可以避免傳統(tǒng)神經(jīng)網(wǎng)絡容易出現(xiàn)局部最小值的問題，由此可見，深度學習方法可提高電力負荷分類識別的整體精度。

參? 考? 文? 獻

[1]陳卓， 孫龍祥. 基于深度學習LSTM網(wǎng)絡的短期電力負荷預測方法[J]. 電子技術， 2018， 047（001）：39-41.

[2]吳潤澤， 包正睿， 宋雪瑩，等. 基于深度學習的電網(wǎng)短期負荷預測方法研究[J]. 現(xiàn)代電力， 2018， v.35;No.153（02）：43-48.

[3]楊景剛， 鄧敏， 馬勇，等. 基于深度學習的PRPD數(shù)據(jù)特征提取方法[J]. 電測與儀表， 2020， v.57;No.728（03）：104-109+120.

[4]華國玉， 任志， 曾文達，等. 一款基于深度學習的電力設備圖像識別方法及巡查機器人：， 2019.

[5]吳鋼， 王遠， 付永旗，等. 基于深度學習的配電網(wǎng)電壓問題診斷方法研究[J]. 電子設計工程， 2020， 028（009）：98-102.

[6]周開樂， 郭志峰， 楊善林，等. 基于深度學習的電力負荷預測方法和系統(tǒng)，存儲介質：， 2018.