基于圖像編碼與深度學習的非侵入式負荷識別方法

郇嘉嘉，汪超群，洪海峰，隋 宇，余夢澤，潘險險

(1.廣東電網有限責任公司電網規劃研究中心，廣州 510080；2.浙江大學電氣工程學院，杭州 310007)

非侵入式負荷識別(non-intrusive load monitor-ing，NILM)是分析居民用戶用電行為的主要工具，其通過安裝于用戶電源入口處的數據采集與通信裝置，完成重要電氣信息的采集、存儲與分析等功能，進而實現用戶內部各用電設備運行狀態和能耗大小的準確感知[1-2]。相對于傳統侵入式監測為每臺電器設備安裝分析裝置，NILM無須深入用戶內部即可掌握各類設備的用電情況，一方面減少了相關硬件的投資，另一方面也免去了對現有電器線路的改造及維護工作，在很大程度上保護了用戶的隱私[3]。NILM在能效監測、故障診斷、負荷建模以及需求響應等領域均有大量應用[4]，特別是其提供的用能信息對于用戶了解自身能耗構成、引導其合理用電進而實現節能降損、減少電費開支具有重要價值[5-6]。因此，近年來NILM受到了業界的廣泛關注與大力支持，相關研究工作也取得了重大進展[7-8]。

NILM的流程可分為數據采集、特征提取、模型訓練以及在線識別等環節。其中，特性提取與模型訓練直接影響算法的識別精度。特征提取是指利用數字信號處理技術或電路分析理論從采集的電氣信號中提煉出有價值的指標，用以區分不同類別的電器設備。常用的指標包括數值特征和圖像特征兩類[9]。數值特征通常分為電壓、電流、諧波和功率等指標，圖像特征則以電壓-電流(V-I)軌跡為主[10]。模型訓練的作用是根據提取到的特征以及對應的設備標簽，利用邏輯回歸、機器學習等工具建立輸入與輸出之間的關聯，從而驅動在線識別環節對用戶負荷進行實時細分。模型訓練一般有隨機森林、決策樹、支持向量機、k-近鄰、神經網絡等分類方法[11]，各方法的訓練和識別效果各異，除與方法自身性質有關外，主要受所采用的電氣特征的影響。

文獻[12]根據電流的可加性原理，建立了負荷分離模型，然后利用貝葉斯分類網絡和自動尋優技術實現了負荷的在線精準辨識。文獻[13]在分析各類電器設備功率、電流和諧波等特征的基礎上，采用主成分分析方法對高維特征空間進行降維處理，然后與整數線性規劃方法相結合，建立了考慮多特征目標函數的NILM模型。文獻[14]基于離散傅里葉變換提取了電流的基波和各次諧波特征，并對比了4種負荷分類模型。計算結果驗證了將諧波用于負荷分類的有效性，但是該特征僅反映負載的非線性特性，導致多狀態負荷的識別效果較差[9]。文獻[15]利用局部平均分解算法對采集到的混合信號進行負荷分離，并通過智能學習方法提取了獨立負荷特征。考慮到傳統分類方法的局限性，該文獻將電流波形轉化為二維圖像，通過卷積神經網絡的強大學習能力，有效提升了負荷辨識的準確性。相對于文獻[15]采用電流特征，文獻[16]則將電壓和電流采樣數據繪制為二維V-I軌跡，然后采用歸一化方法將其映射為二值灰色圖像。雖然二值圖像所蘊含的電氣信息更加全面，但是低分辨率圖像和歸一化處理方式仍不可避免地會丟失大量有用信息，特別是傳統淺層學習方法無法充分挖掘圖像的高級特征，因此其負荷識別的準確率仍有進一步提升的空間。

區別于以上特征提取和辨識方法，現提出一種基于圖像編碼與深度學習的非侵入式負荷識別方法。該方法將數值特征與圖像特征相結合，利用深度學習在圖像識別領域的突出優勢，盡可能挖掘電氣信號中蘊含的重要信息。主要做法是：首先在灰色V-I圖像的基礎上，利用雙線性插值實現V-I像素點的連續，并采用圖像編碼技術分別構造電流(R)、電壓(G)和相位(B)3個通道，從而形成像素連續的彩色V-I圖像。然后，采用AlexNet算法[17]對彩色V-I圖像進行深度學習，通過多層卷積、池化等操作逐層提取V-I圖像的高級抽象信息，進一步提高負荷識別的準確率。最后，采用PLAID公共數據集對所提方法進行有效性測試。

1 像素點連續的V-I彩色圖像編碼

V-I軌跡是指穩態周期內由一系列電壓、電流采樣點繪制而成的二維圖像。對于大多數不同工作原理的電器設備，V-I軌跡呈現的形狀存在較大的差異，因此可從中提取各種形狀參數(例如面積、曲率、自相交點數量、循環方向等)并將其作為區分不同類別電器設備的依據。由于形狀參數的提取難度較大，且降維后的參數無法全面反映其原始信息，鑒于此，文獻[16]通過網格化的方法在盡可能保留形狀信息的同時將V-I軌跡映射為二值灰色圖像，利用該圖像直接進行負荷識別。相比提取形狀參數，構造二值灰色圖像的過程更簡單，同時對原始信息的保留程度更高，因而負荷識別的準確率也得到了進一步提升。

1.1 連續V-I圖像映射方法

考慮到V-I圖像在映射過程中可能出現像素點間斷的現象，不利于進行后續訓練和識別。為此，采用雙線性插值技術對傳統映射方法進行了改進，具體流程如下。

(1)利用電流鉗、電壓探針以及高頻示波器組成的采樣系統對某臺電器設備的電壓、電流波形進行高頻采樣，得到穩態運行周期內M個電壓-電流采樣點(vm,im)，m=1,2,…,M。

(2)給定網格或圖像的分辨率為N×N，若將所有樣本點映射到網格中，那么每個單元格(像素點)的尺寸為

(1)

式(1)中：imin、imax分別為電流采樣值的最小和最大值；vmin、vmax分別為電壓采樣值的最小和最大值；Δi、Δv為每個單元格(像素點)的尺寸。

(3)根據式(2)計算映射后相鄰兩個采樣點之間的距離Dm(m=1,2,…,M)。若Dm>1，表明兩點之間的距離大于單元格的長度或寬度，即出現不連續的現象。此時需要進行插值以補全兩點之間的間隔。為簡便起見，采用雙線性插值技術實現間斷點的填充，具體見式(3)、式(4)。填充后新的樣本點集合記為(vj,ij)，j=1,2,…,J。

(2)

(3)

(4)

式中：Km=?Dm」為第m和(m+1)個采樣點之間需補充的插值點個數，?」表示向下取整；(v′m+k,i′m+k)為填充的第k個插值點，k=1,2,…,Km。

(4)根據式(5)計算樣本點(vj,ij)的映射坐標，即

(5)

(5)構造維度為N×N的零矩陣，然后從第一個樣本點開始逐一取出所有點的坐標，并將矩陣中第rj行第cj列元素置1，直至最后一個樣本點。所得到的矩陣即為像素點連續的坐標矩陣。

依據上述方法，可得到某臺熒光燈設備的灰色V-I圖像如圖1所示，圖像分辨率為32×32。可以看到，采用傳統映射方法得到的V-I圖像出現了像素點不連續的現象，而采用本文方法得到的圖像則不存在這一問題。該結果說明了上述圖像構造方法的有效性。

圖1 某熒光燈的二值V-I灰色圖像

1.2 彩色V-I圖像的編碼方法

分析1.1節可知，各類電器設備在形成V-I圖像的過程中均對電壓和電流信號進行了歸一化處理[式(1)]，且每個像素點僅用0或1兩種狀態表示。這種處理方式導致所形成的V-I圖像僅保留了電壓-電流信號的形狀特征，無法體現設備之間的數值差異，尤其是設備的平均電流、電壓、功率以及相位等數值特征根本無從體現。例如洗衣機、空調的平均電流較大，而白熾燈、計算機等設備的平均電流較小。當采用歸一化和映射處理后，所有設備的電流值均為0或1。顯然，灰色V-I圖像丟失了大量有價值信息，僅依靠其進行負荷識別難以大幅提高識別的精度。因此，有必要將灰色V-I圖像與數值特征相結合，利用兩者之間的互補性，增強算法的識別能力。

如前所述，灰色V-I圖像是一個單通道的二維像素矩陣。矩陣中每個點為0或1，分別代表該點是否有V-I軌跡經過，而有關軌跡的大小和方向等信息則無法體現。相比之下，對于一張彩色圖像，如圖2所示，它由電流(R)、電壓(G)、相位(B)3個通道疊加而成，每個通道對應一個二維矩陣，矩陣中每個元素可在0～1連續變化。可見，彩色圖像蘊含的信息遠比灰色圖像更加豐富。若能結合V-I軌跡的形狀特征同時將數值信息嵌入RGB通道中，那么就可以將灰色V-I圖像轉化為對應的彩色圖像。利用該圖像進行分類，無疑會提升整個算法的識別精度。

彩色圖像編碼的核心在于R、G、B矩陣的形成。主要將電流、電壓(功率)以及相位等數值特征嵌入到對應的通道中，從而形成彩色V-I圖像。

(1)初始化N×N維的A、R、G、B零矩陣。

(2)根據(vj,ij)和式(5)統計每個坐標點出現的次數A(rj,cj)。

(3)構造電流R矩陣。逐一取出樣本點(vj,ij)，按式(6)計算R矩陣中的元素。計算完成后，按式(7)求每個坐標點的平均值。

R(rj,cj)=R(rj,cj)+f(ij)

(6)

R(rj,cj)=R(rj,cj)/A(rj,cj)

(7)

式中：f(ij)=1/(1+e2ij)，該式用于對電流信號進行縮放，以保證元素在0～1連續變化。縮放后，不同設備之間的電流差異仍能得以保持，同時避免了因部分設備電流過大而導致其他設備電流信息被淹沒的情況出現。

(4)構造電壓G矩陣。逐一取出樣本點(vj,ij)，按式(8)計算G矩陣中的元素。計算完成后，按式(9)求每個坐標點的平均值。

G(rj,cj)=G(rj,cj)+vj/V

(8)

G(rj,cj)=G(rj,cj)/A(rj,cj)

(9)

同樣，V為所有設備電壓最大與最小值之差取最大。若采用功率特征，則vj和V分別替換為功率pj和P。其中，pj由pj=vjij計算得到，P為所有設備功率的最大值。

(5)構造相位B矩陣。逐一取出樣本點(vj,ij)，按式(10)、式(11)計算B矩陣中的元素。計算完成后，按式(12)求出每個坐標點的平均值。

B(rj,cj)=B(rj,cj)+θj/2π

(10)

(11)

B(rj,cj)=B(rj,cj)/A(rj,cj)

(12)

式中：θj為相鄰點間相位差；δj=arctan(Δvj/Δij)，Δvj=vj+1-vj，Δij=ij+1-ij，δj∈[-π/2,π/2]。

求得R、G、B矩陣后，將三者疊加即可得到彩色V-I圖像。依據上述方法，對圖1中熒光燈設備各通道矩陣進行構造，結果如圖2所示。圖2中，各通道像素點明暗不一致反映了該點所代表數值(電流、電壓、相位)的大小和差異。正是由于這種差異，合成后的彩色圖像可以蘊含更多信息。為進一步說明該問題，繪制了PLAID數據集中隨機選取的11類電器設備的彩色V-I圖像，如圖3所示。可見，雖然圖中大部分設備的V-I形狀不同，但仍有少數設備相似，例如空調、電風扇、吹風機以及白熾燈的V-I形狀較為接近。仔細觀察可以發現，上述4類設備V-I圖像的顏色分布存在較為明顯的差異。這是因為四類設備的平均電流、相位等數值特征不一致，導致對應圖像存在色差。

圖2 某熒光燈各通道V-I圖像及合成后的彩色圖像

圖3 各類電器設備的彩色V-I軌跡圖像

2 基于改進AlexNet的負荷識別方法

2.1 算法改進

近年來，隨著機器學習的快速發展，圖像識別領域涌現出了一系列性能優異的算法。特別是在2012年，由Alex開發的卷積神經網絡算法AlexNet一舉奪得ImageNet大規模視覺識別挑戰賽冠軍，這一事件標志著圖像識別領域取得了重大突破。

AlexNet是一類大型、多層卷積神經網絡算法，其基本結構如表1所示。該算法大約有6 000萬個參數和65萬個神經元，共分8層，其中前5層為卷積層，后3層為全連接層。在Cifar10、MNIST、ImageNet等數據集上，AlexNet均有不俗的表現，尤其是在MNIST手寫數字識別中，分類準確率達到了99.9%以上。AlexNet出色的性能一方面得益于其通過卷積、池化操作逐層捕獲圖像中的細節特征，另一方面則歸功于其應用了Dropout、LRN以及最大池化等創新技術。

表1 AlexNet算法結構

利用AlexNet算法對V-I圖像進行訓練識別。不同于原始算法結構，基于AlexNet的負荷識別需要從兩個方面加以改進：一方面，本文負荷識別的分類數為11，即對11類家電設備進行分類，因此需要將表1中輸出神經元個數由原來的1 000改為11，以適應訓練集和測試集的輸出維度；另一方面，AlexNet默認的輸入圖像維數為224×224，而所構造的彩色V-I圖像像素為N×N。當N不等于224時，需要對V-I圖像的大小進行縮放，以匹配其輸入維度。此外，雖然AlexNet最初被設計用于識別ImageNet數據集，但是其學習到的高級抽象特征仍可以用于輔助識別不同類型設備的V-I軌跡。故此，采用遷移學習的方法將預先訓練好的網絡參數進行復用，以加快算法的收斂速度。改進后的負荷識別算法結構如圖4所示。

圖4 改進AlexNet負荷識別方法

2.2 訓練方法

選取交叉熵函數為最小損失函數，優化方法為自適應矩估計，學習速率取1.0×10-3，丟棄率為0.2，批次數量為100。具體訓練步驟如下。

(1)加載預訓練AlexNet模型，并根據負荷分類數，重新配置其輸出神經元個數。

(2)根據第1節中方法，構造V-I彩色圖像數據集，同時采用最近鄰方法調整圖像尺寸，將數據集劃分為測試集和訓練集。

(3)將訓練集送入AlexNet模型中，以電器類別為標簽進行有監督的學習，直至滿足終止條件。

(4)訓練完成后，利用測試集對算法的識別能力進行有效性檢驗。

3 算例測試及分析

3.1 算例說明

采用PLAID公共數據集對所提負荷識別算法進行測試。該數據集由55戶家庭的11類共235臺電器設備的電壓、電流運行采樣數據組成，采樣頻率為30 kHz，總樣本數為1 074組。考慮到PLAID數據集中各類電器設備的樣本數相差較大，容易導致部分設備的識別效果較差。為此，采用人工少數類過采樣法(synthetic minority over-sampling technique，SMOTE)對少數類樣本進行合成擴充，擴充后的樣本數為1 925。隨機選取其中220個樣本(每類設備20個樣本)組成測試集，剩余1 705個樣本作為訓練集。訓練的環境為IBM 64位兼容機，內存8.0 GB，CPU為Intel Core i7-7700，主頻2.80 GHz。

為評價算法的識別能力，定義了負荷識別準確率(精度)指標ε。該指標表示分類正確的樣本數與總測試樣本數之比，即

(13)

式(13)中：ntrue為分類正確數；ntest為總樣本數。

3.2 參數優選

為獲得負荷識別算法的最佳參數，以訓練時長和識別準確率為衡量標準，通過縱向對比的方法對算法的訓練次數和V-I圖像的像素進行了優選。當分析其中一項參數對識別結果的影響時，將另一項參數固定。

為定量分析訓練次數對算法性能的影響，繪制了某次測試過程中識別精度和損失值隨訓練次數的變化曲線，如圖5所示。整個測試用時約12.5 h，迭代次數為300次。可以看到，在計算初期，隨著訓練次數增加，損失函數值不斷減小，測試集的識別精度也隨之快速增加。當訓練次數達到30次左右，識別精度即已超過90%，并在后續訓練中開始緩慢增加；當訓練次數達到200次，無論是損失函數還是測試集的精度均趨于穩定，算法的分類性能將不再發生大的變化。基于上述分析，將訓練次數設置為200次，即可在相對短的時間內獲得較為滿意的識別效果。

圖5 訓練次數對算法性能的影響

不同分辨率下負荷識別精度盒須圖如圖6所示。由圖6可以直觀地展示負荷識別精度的統計信息，因此能夠客觀地評價所提算法的分類性能。盒須圖由“盒”與“須”組成，盒中的橫線表示中位數，其上下邊界分別表示75%和25%的值。兩條須線分別代表最大和最小值，離群的點則單獨繪制，用“+”表示。

圖6 不同分辨率下的負荷識別精度

分析圖6可知，當彩色V-I圖像的分辨率由32增加至128時，負荷識別的精度從95.5%增加到97.7%，而隨著圖像分辨率進一步增加，負荷識別的精度卻隨之下降，甚至低于分辨率很小時的精度。這是因為在一定范圍內圖像分辨率越高，其所蘊含的信息越豐富，較大分辨率相比較小分辨率可以獲得更高的識別精度。但是過高的圖像分辨率也會增加隨機噪聲和擾動的影響，從而淹沒有價值信息，致使負荷識別精度不增反降。鑒于此，將V-I圖像的分辨率N設置為128。

3.3 結果分析與比較

相對以往使用灰色V-I圖像進行負荷識別，提出了基于彩色V-I圖像的負荷辨識方法。為說明其優勢，對比了這兩種測試場景的識別結果，并將其繪制成了混淆矩陣，具體如圖7所示。圖7中，設備標簽1～11分別對應空調、熒光燈、電風扇、冰箱、吹風機、加熱器、白熾燈、計算機、微波爐、吸塵器以及洗衣機11類常用家電設備。矩陣中的元素代表設備的數量，橫坐標表示設備的預測類別標簽，縱坐標表示設備的真實類別標簽。混淆矩陣的每一行之和表示測試集中相應設備的樣本數，每一列之和表示被預測為該類設備的樣本數，對角元則表示被正確識別的樣本數。

圖7 不同特征方案下的混淆矩陣

由圖7可知，使用灰色V-I圖像識別時的準確率為89.1%，而使用彩色V-I圖像識別時的準確率則高達97.7%。對比這兩種場景不難得到，空調、電風扇、吹風機、加熱器以及白熾燈的錯誤分類數高是導致灰色V-I圖像識別準確率低的直接原因。而結合圖3可以進一步發現，上述5類設備的V-I軌跡形狀(即灰色V-I圖像)相似是產生該現象的根本原因。相較而言，使用彩色V-I圖像識別時，由于圖像不僅包含了V-I軌跡的形狀信息，而且還嵌入了電流、電壓、相位等數值信息，因此可以從多個指標維度對V-I形狀相似的設備進行更加細致的區分，從而在極大程度上避免了錯誤分類事件的發生。以上結果對比，有力證明了基于彩色圖像編碼的負荷識別方法可以充分利用多特征互補的優勢，有效克服單一形狀特征無法全面反映設備自身屬性的缺點，對于提高負荷識別的準確率具有重要作用。

負荷識別的精度與算法的自身性質有關。選取了6種常見負荷分類算法，并與本文方法進行對比，結果如圖8所示。圖8中，KNN、GNB、LR、SVM、DT、RF分別為k-近鄰、貝葉斯、邏輯回歸、支持向量機、決策樹和隨機森林算法，所有算法均采用128×128像素的彩色V-I圖像作為負荷分類的依據。可以看到，AlexNet算法的識別精度最高，其次是LF和KNN算法。DT、GNB和RF算法的精度相對較低。SVM在所有分類算法中識別精度最低，其精度不足40%。以上7種算法的識別精度對比驗證了AlexNet在負荷分類中的有效性。

圖8 不同分類算法的負荷識別精度

為進一步說明本文方法的優勢，將設備分類結果與其他文獻中的結果進行比較，具體如表2所示。其中，文獻[18]以奇次諧波為特征進行負荷分類，所采用的算法為多層感知機模型；文獻[19]基于隨機森林算法，利用縮減后的有效特征集實現用能監測；文獻[20]將暫態與穩態特征相結合，提出了PCA分類辨識算法；文獻[9]融合了功率與V-I圖像特征，并成功構建了Softmax分類網絡。由表2可知，除本文方法外，其余文獻對于空調、風扇以及冰箱等設備的識別精度均較低。其原因在于上述三類設備可以在多種工作模式之間切換，導致其電氣特性復雜，進而增加了負荷識別的難度。考慮到文獻[18]僅依靠諧波特性進行分類，未能利用其他特征輔助識別，因而其識別精度最差。不同于使用單一特征識別，文獻[9，19-20]分別提出了多特征融合的負荷識別方案，提高了算法的識別精度。相比以上文獻，本文方法從特征提取和模型訓練兩方面加以改進，利用彩色圖像編碼與深度學習技術實現多維、高級特征的提取與融合，顯著增強了算法的辨識能力，因此本文方法的負荷識別效果優于其他4種方法。

表2 不同文獻的設備識別精度

3 結論

提出了一種基于圖像編碼與深度學習的電力負荷智能感知方法。該方法采用雙線性插值技術實現了V-I像素點的連續，同時結合多特征互補的優勢，將電流、電壓、相位等數值特征以不同通道的形式嵌入灰色V-I軌跡中，從而形成了高分辨率的彩色V-I圖像。此外，所提方法借助AlexNet圖像識別技術，通過卷積、池化等操作對彩色V-I圖像進行了高級特征提取。

采用PLAID數據集對本文方法進行了測試。通過測試，優選了負荷識別算法的結構參數，分析了灰色與彩色V-I圖像對識別結果的影響，并進一步對比了本文方法與其他方法的優劣。測試結果表明，相對于傳統負荷識別方法，基于圖像編碼與深度學習的負荷識別可以將形狀特征與數值特征以不同通道在高維空間進行深度融合，從而更加全面、立體地揭示了各類電器設備的本質屬性，并最終實現了負荷識別精度的大幅提升。