基于決策樹支持向量機的家用典型負荷分類*

王曉虎，康 兵，王宗耀，王 振，許志浩，習伯泉

（南昌工程學院 機械與電氣工程學院，江西 南昌 330099）

節能環保是文明生活的發展趨勢，每一個人都應積極投入到節約能源的事業當中。但礙于個人對自身能源使用情況的了解程度比較低，無法做到真正的節約用電。為提高用戶用電體驗，對用戶側運行數據進行細化分析并全面掌握用戶用電特征的需求越來越迫切[1]。通過非侵入式的負荷分解監測技術可以為普通用戶提供詳實的家庭能耗信息，幫助用戶進行個性化的家庭能耗分析，使用戶了解自身行為習慣對于家庭能效的影響，從而引導用戶自覺采取節能措施，養成節約能源、低碳生活的良好行為習慣，為用戶提供個性化的用電設備節能控制[2]；同時為電網公司能效管理與電價政策等精細化用電服務提供數據支撐[3]。

國際上，最早的用電數據監測起源于侵入式用電監測技術，通過加裝大量的測量設備對用電情況進行實時監測。但這種方法既增加了用戶成本又降低了供電的可靠性，為此在20 世紀80 年代電力公司提出非侵入式監測方法[4]；隨后美國電科院又開展了非侵入式負荷監控系統項目，以求達到對整個建筑負荷進行跟蹤與分解的目的，其間還首次提到了關于暫態特征的使用[5]；近些年，文獻[6]又闡述了使用遺傳算法的新思路來處理暫態特征，并取得了良好的實驗效果；在國內，近十年掀起了對非侵入式方法研究的熱潮，如文獻[7-8]中闡述了通過計算最優解的方法，對功率信號進行了大量實驗分析，在負荷較少時，能有效實現系統穩態的非侵入式負荷分解；文獻[9]中，余貽鑫等人提出了負荷印記，對非侵入式負荷分解的基本原理和求解方法進行了深入講解；文獻[10]中，林錦波提出基于聚類融合的負荷識別方法，并建立了相應的負荷曲線分類深度學習模型，取得了較好的效果；文獻[11]改進Viterbi 算法提高了負荷識別的精度；文獻[12]中闡述了小波分析在負荷分解識別中的應用。

本文首次提出一種多層級的負荷識別思想，首先從電路物理特性上將家用電器分為電阻型、整流電子型和電機型三類，然后分別對三類電器進一步細分研究，以降低算法的難度。

1 基本理論

1.1 家用電器負荷印記

本文主要對家用電器穩態區段的負荷印記進行研究，從電路基本物理特性（阻性、感性、容性）的角度對家用電器予以特征提取和分類研究，實現家用負荷分類。提出電流50%幅值從數學觀點來描述波形畸變情況，并結合由功率因數、電流諧波總畸變率、占比3 個參數構成的負荷印記，即

式中，M 表示負荷印記，cosφ 表示功率因數，THDI 表示電流諧波總畸變率，B50%表示電流50%幅值占空比。由于電容、電感器件在家用電器中被廣泛應用，電流波形畸變在實際家用電器中較為常見，因此提出電流諧波總畸變率和電流50%幅值占空比兩個量進行描述，以下對cosφ、THDI 和B50%予以進一步具體說明。

1.1.1 功率因數

式中，cosφ 表示功率因數，I1為基波電流有效值，I 為總電流有效值，φ1為基波電流與電壓的相位角。

1.1.2 電流諧波總畸變率

電流諧波總畸變率是指周期性交流量中的電流諧波含量的方均根值與基波分量的方均根值之比的百分數，即

式中，Ih表示電流諧波含量，即：

式中，Ii為各次諧波有效值，n 表示諧波次數。

1.1.3 電流50%幅值占比

電流50%幅值占比是指在一個正半周期內電流瞬時值超過峰值50%部分的時長占半個周期的比值，即：

式中ti是在正半周期內電流瞬時值大于電流峰值50%的時長，T 表示電流波形周期。

1.2 決策樹支持向量機

支持向量機（Support Vector Machine，SVM）是在線性可分問題中求解最大邊距超平面的算法，約束條件是樣本點到決策邊界的距離大于等于1，從而將硬邊界SVM 轉化為一個等價的二次凸優化問題進行求解。

SVM 的具體實現方法一般由訓練和識別兩部分組成，首要是對模型進行訓練，給定訓練數據X={X1，...，Xn}與學習目標 y={y1，...，yn}。本文具體訓練數據為

學習目標為（1，2，3）表征三類電器。

本文以家庭典型用電負荷數據作為訓練數據，屬于小樣本數據集，以SVM 作為分類算法較為合適。SVM 具體算法有多種類型，本文選擇使用決策樹法（Binary tree，BT），先將所有類別分為兩個子類，而后再下沉等級分類，直至分出所有類別。

2 典型家用電器負荷印記的實驗研究

2.1 電阻型負荷

電阻型的家用電器是指電器的負荷特征呈現出幾乎純電阻特征，如常見的白熾燈和熱水壺。其中，白熾燈的電壓、電流曲線如圖1 所示。

圖1 白熾燈電壓電流波形

通過分析圖1 波形可知，白熾燈等電阻性負載的電壓、電流波形基本接近正弦波，根據式（5）計算電流50%幅值占比約在66%左右。由于電阻型電器對外呈現出電阻特性，消耗有功功率，可考慮通過功率因數來描述這一特征，根據式（2）計算其功率因數約在1-0.97之間。由于發生的畸變部分較小，根據式（3）可計算得其電流諧波總畸變率約在0-0.19 之間。

2.2 整流電子型負荷

在描述整流電子模型類的電器時，特選取典型常見的該類家用電器：節能燈。通過電壓、電流傳感器對這兩種電器正常工作狀態下的用電數據信息進行采集，如圖2 所示。

圖2 節能燈波形

由圖2 可知，節能燈的電流波形是脈沖狀，發生的畸變嚴重，通過電流50%峰值占空比這一物理量來進行描述，根據式（5）計算其值約在10%左右；根據電流諧波總畸變率約在1.1-1.5 之間。由于整流電子型模型器件包含大量電容元件，其所消耗的功率除部分有功功率外還有無功功率，通過功率因數來描述這一現象，根據式（2）計算其值約在0.4-0.65 之間。

2.3 電機型負荷

選取常見的電機型家用電器：電風扇、洗衣機得到波形如圖3。

圖3 電機型家用電器波形

通過分析圖3 可知，電風扇的電流波形接近正弦波，發生畸變的部分較少，洗衣機波形為正弦波與脈沖疊加，畸變較為嚴重的，但電流波形可以明顯觀察到波形的超前現象。通過電流50%幅值占比這一物理量來進行描述，根據式（5）計算電流50%幅值占比約在30%-50%左右；根據式（3）計算電流諧波總畸變率約在0.1-1.03 之間，跨度較大。由于兩者均是電機模型器件，其所消耗的功率除有功功率外，還消耗一定的無功功率構建磁場，通過功率因數來描述這一現象，根據式（2）計算其值約在0.4-0.9 之間。

綜合分析上述三類電器，基于負荷印記 ，三類負荷分別呈現出不同的特征，如表1 所示。

表1 三類典型家用電器的負荷印記

3 基于決策樹支持向量機的分類方法

如圖4 所示，可以看出各類電器在三種電氣量下的空間分布有著明顯的界線。為了提高分類的準確性，可首先區分電阻型器件與其他類別器件。然后再區分電機型器件與整流電子型器件。

圖4 不同電器在三種電氣量下的分布

為檢驗負荷印記選取的合理性，按上述流程先選取白熾燈、熱水壺、節能燈、風扇、電腦和洗衣機六種電器各50 組數據，分別提取組合負荷印記和單一因素負荷印記對SVM 進行訓練。再基于兩種負荷印記訓練后的SVM 方法，分別對家用電阻型、整流電子型、電機型負荷各100 組進行檢測分類，結果如表2 所示。

表2 基于兩種SVM 多分類方法比較結果

通過分析表2 可知，組合負荷印記SVM 模型三類電器分類準確率均達到97.67%，高于單一因素訓練SVM 模型的電阻模型、整流電子型、電機模型的識別準確率，一對一支持向量機模型分類結果也遠低于這一數值，充分證明本文組合負荷印記和決策樹SVM 方法的可行性。

4 結論

（1）本文所提出的B50%新型特征量在分類中起到了明顯的區分作用。

（2）本文基于家用典型負荷的實測數據，從電路特性的角度分析了不同類型電器的負荷波形特征，提出了功率因數、電流諧波總畸變率、電流50%占比等波形特征構成組合負荷印記。

（3）提出基于決策樹支持向量機方法實現電阻型、整流電子型、電機型三類電器分類，準確率高達97.67%，高于單一因素判據分類方法，從電路特性上解決典型家用負荷分類問題。