基于K-means聚類與PSO特征優(yōu)選KNN的分級負荷識別方法

安琪　梁宇飛　王耀強　王占彬　李爭　李崢　安國慶

摘要：針對非侵入式負荷辨識中，單一V-I軌跡特征無法對相似的軌跡特征進行有效識別以及所提取特征易出現冗余甚至噪聲特征的問題，提出了一種基于K-means聚類與PSO特征優(yōu)選的分級非侵入式負荷識別方法。首先，利用K-means算法對負荷V-I軌跡的HOG特征進行初步分類，將軌跡相似的電器分為一類;然后，對每一類中的電器電流數據進行多維特征提取并采用PSO算法選取最優(yōu)特征子集;最后，利用KNN模型進行二級負荷識別。實驗結果表明，該方法有效提高了負荷識別準確率;提取V-I軌跡的HOG特征解決了同一電器V-I軌跡波動的問題;對一級分類后的每一大類單獨進行PSO特征優(yōu)選KNN二級分類，解決了部分電器對特征子集適應性差的問題。所提方法在一定程度上解決了冗余特征甚至噪聲特征對辨識準確率的影響，為負荷特征的選取提供了新的思路，對負荷辨識的實際應用具有重要的參考意義。

關鍵詞：電氣測量技術及其儀器儀表;非侵入式負荷辨識;V-I軌跡;HOG特征;K-means聚類分析;特征優(yōu)選

中圖分類號：TM933文獻標識碼：A

DOI：10.7535/hbkd.2022yx03004

Hierarchical load identification method based on K-means clustering and PSO feature optimization KNN

AN Qi LIANG Yufei WANG Yaoqiang WANG Zhanbin LI Zheng LI Zheng AN Guoqing

（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 [JP2]（Shijiazhuang Kelin Electric Company Limited），[JP]Shijiazhuang，Hebei 050222，China）

Abstract：In order to solve the problem that a single V-I track feature can not effectively identify similar track features and the extracted features are prone to redundacy or even noise features in non-invasive load identification，a hierarchical non-invasive load identification method based on K-means clustering and PSO feature optimization was proposed.Firstly，K-means algorithm was used to initially classify the HOG features of load V-I trajectories，and the appliances with similar trajectories were classified into one category.Then，multi-dimensional features are extracted from electrical current data in each category and the optimal feature subset is selected by PSO algorithm.Finally，KNN model was used for secondary load identification.The experimental results show that this method effectively improves the accuracy of load identification.Extracting the HOG feature of V-I trajectory solves the problem of fluctuation of the same electrical appliance.PSO feature optimized KNN secondary classification is carried out for each category after the first level classification，which solves the problem of poor adaptability of some electrical appliances to feature subset.The proposed method solves the influence of redundant features and even noise features on the identification accuracy to a certain extent，and provides a new idea for the selection of load features，which has important reference significance for the practical application of load identification.

Keywords：

electrical measuring technology and its instrumentation;non-invasive load identification;V-I trajectory;HOG features;K-means clustering analysis;feature selection

根據中國政府提出的“碳達峰”、“碳中和”的發(fā)展要求，建設清潔低碳、安全高效的能源體系已經迫在眉睫。隨著居民用電量在國民經濟總用電量占比的不斷增加，對能源的精細化管理顯得極為重要。非侵入式負荷監(jiān)測（non-invasive load monitoring，NILM）技術不僅可以幫助居民掌握詳細的家庭用電信息，還可以為電力公司的電力部署以及新能源并網提供數據支撐，有助于更精準地對用戶行為進行建模，實現對用戶的差異化、精準化服務[1-2]。近年來NILM受到了業(yè)界的大力扶持，相關工作也有了很大進展。

NILM的基礎是通過提取負荷的特征來實現負荷識別。目前常用的負荷特征分為穩(wěn)態(tài)特征和暫態(tài)特征2類，主要包括電壓和電流波形、有功和無功功率、電流諧波、電壓-電流軌跡（V-I 軌跡）等[3]。文獻[4]使用K-means聚類算法對負荷的有功和無功功率進行初步分類，并將初步分類后的“非唯一”類包含的負荷進行V-I軌跡構建和顏色編碼處理，生成帶顏色的V-I軌跡，運用AlexNet神經網絡對負荷進行訓練和分類，但由于“非唯一”類過多，導致需要訓練很多AlexNet網絡，造成算力資源的浪費。文獻[5]根據不同負荷內部電路的拓撲結構將負荷分為7大類，對比分析了不同類別負荷V-I軌跡的差異，并使用自組織映射網絡對從V-I軌跡中提取的特征進行負荷分類，但在對模型進行訓練時，需要提前人為對負荷進行分類，工作量較大。文獻[6]對用電的電流、有功功率和諧波電流進行數據預處理和降噪處理后，繪制三維立體圖并將其投影到平面，提取投影面的方向梯度直方圖（histogram of oriented gradient，HOG）特征，使用支持向量機（support vector machine，SVM）進行負荷識別，但SVM參數是根據經驗選取的，有一定的主觀因素，不具備普遍性。文獻[7]提取電流的峰值因數、裕度因子和譜熵作為負荷特征，并結合粒子群（PSO）優(yōu)化SVM參數的方法實現負荷辨識，將振動領域的特征引入到負荷識別領域中，然而所提取的3個特征并未在更多的電器上進行驗證，無法證明其是否具有普適性。文獻[8]將V-I軌跡作為負荷特征，使用基于變樣本權重的K最近鄰（K-nearest-neighbor，KNN）算法進行負荷識別，但是對于V-I軌跡相似的負荷無法準確識別。文獻[9]以功率變化作為事件檢測的準則，通過平滑和插值提取差值的V-I軌跡，并基于物理意義量化出10個V-I軌跡特征，最后采用支持向量機多分類算法進行負載識別，但對多負荷識別有一定的局限性，即若2個負荷投切時間過短時則無法判斷事件是否發(fā)生。文獻[10]基于V-I軌跡的曲率尺度空間，提出了曲率尺度空間局部極值檢測和直接曲率尺度空間2種二維穩(wěn)態(tài)特征作為新的負荷特征。文獻[11]在對V-I軌跡的圖形模板進行了裁剪和圖像金字塔縮減的基礎上，利用主成分分析和K最近鄰算法設計并實現了一套多階段的負荷分類算法，并在實際數據集上驗證了該算法的有效性。

電器的V-I軌跡作為一種有效的負荷特征，廣泛應用于非侵入式負荷識別中，但由于V-I軌跡圖是由歸一化的電流、電壓數據繪制的，從原理上無法表征電器工作時電流的大小，因此，利用單一的V-I軌跡對V-I軌跡相似的不同電器無法進行有效區(qū)分。基于此，本文提出一種結合K-means聚類和PSO特征優(yōu)選KNN算法的二級特征分類負荷辨識方法。該方法首先使用穩(wěn)態(tài)電流和電壓構建V-I軌跡二值圖并提取其HOG特征，使用K-means算法對HOG特征進行一級分類;然后在一級分類的結果上，分別對每個分類中包含的電器穩(wěn)態(tài)電流進行多維波形特征提取，利用PSO算法進行特征優(yōu)選，得到最優(yōu)特征子集進行KNN模型的負荷識別。

1基于HOG特征的K-means一級分類

1.1構建V-I軌跡圖

1.2HOG特征提取

HOG特征是一種在計算機視覺和圖像處理中用來進行物體檢測的特征描述子，HOG特征描述子對梯度和方向敏感，可以很好地描述圖像輪廓[14]。同時，HOG特征對幾何形變可以保持很好的不變性[15]。其基本原理：將目標圖像分成若干個很小的細胞單元（cells），再把小的cells單元組合成1個塊單元，接著采集每個cells中各像素點梯度，最后將這些特征組合起來構成HOG 描述器[15-16]。

V-I軌跡圖雖然具有很好的區(qū)分度，但有些電器的V-I軌跡圖存在相似的情況，如此便無法準確識別V-I軌跡相似的電器，故將軌跡相似的電器劃分為一類后再進行后續(xù)的精細化識別。HOG特征可以維持幾何形變的特性，因此可以很好地描述V-I軌跡的輪廓，基于此，提取V-I軌跡的HOG特征后，使用K-means聚類算法對電器進行一級分類。

1.3K-means聚類算法

2基于PSO特征優(yōu)選的KNN二級分類

2.1電流波形特征提取

2.2KNN算法

KNN算法是一種經典的機器學習算法，簡單且易實現。KNN通過對比訓練樣本與待測樣本之間的距離或相似度來對待測樣本進行分類[19-20]。其具體步驟如下：

1）計算待測樣本與訓練樣本之間的歐氏距離;

2）找出訓練樣本中與待測樣本最鄰近的r個點;

3）統計r個點中每個類別的個數;

4）將r個點里出現頻率最高的類別，作為該樣本點的預測類別。

由于KNN算法對數據依賴較大，同時2.1中所提取的特征可能存在維數過多、冗余特征甚至噪聲特征等，都會導致KNN分類準確率的下降[21]，故采用PSO進行特征優(yōu)選，尋找最佳特征子集。

2.3基于PSO特征優(yōu)選的KNN算法

PSO算法是基于群體智能的啟發(fā)式算法，常用于求解多目標、非線性和多變量。粒子群優(yōu)化過程從隨機產生的初始粒子開始，不斷對粒子的位置、速度進行更新，并用適應度值來表示粒子的優(yōu)劣，通過追蹤最優(yōu)粒子找到最優(yōu)解[22]。

通過PSO進行最優(yōu)特征子集的選取，可以有效提高KNN算法分類的準確率，同時也降低了特征維數和KNN分類的空間復雜度[23-24]，算法實現過程如下。

3.1實驗數據采集

實驗采集了空調（制冷）、微波爐、熱水器、熱水壺、電熱爐、電飯煲、電磁爐、洗衣機、油煙機共9種電器運行時的電流、電壓數據，采樣頻率為6.4 kHz。

3.2基于PSO特征優(yōu)選的KNN負荷辨識

通過對比圖1 a）和圖1 b）可知，經PSO特征優(yōu)選后，電器的識別率明顯上升，但洗衣機和油煙機仍存在較大的識別錯誤。

各電器的具體識別率如表2所示。由表2可知，經PSO特征優(yōu)選后，各電器平均識別率從89.56%上升至92.28%，其中空調（制冷）、微波爐和熱水壺的識別準確率均上升至100%，洗衣機和油煙機的識別率分別從89.5%和31%上升至93%和40.5%。實驗結果說明，針對大部分電器，通過PSO特征優(yōu)選可以有效選出最優(yōu)特征子集，提高識別模型的性能。

然而油煙機的識別率雖有所上升，但仍遠不及預期，這可能是因為所選出的特征子集在部分電器上的適應性差造成的。故提出基于K-means聚類與PSO特征優(yōu)選的分級負荷識別方法。先對電器從V-I軌跡圖的特征上使用K-means進行大類劃分，然后對每一類電器分別進行基于PSO特征優(yōu)選的KNN二級分類。[LM]

3.3基于K-means聚類和PSO特征優(yōu)選的KNN二級分類

3.3.1基于HOG特征的K-means一級分類

使用3.2所獲得的穩(wěn)態(tài)電流和電壓數據構建V-I軌跡圖，并提取軌跡圖的HOG特征，100組訓練集用于K-means聚類尋找聚類中心，200組測試集用于驗證聚類中心的有效性。其中，所采集電器的V-I軌跡圖圖2所示。為確定K-means聚類中心數k的取值，對測試集進行k=1～7的聚類試驗，并計算不同k值下聚類結果的誤差平方和（sum of the squared errors，SSE），通過SSE值確定聚類中心數k的取值。實驗結果如圖3所示。

3.3.2KNN二級分類

由表4可知，在K-means聚類結果的基礎上，對A，B，C 3類電器分別進行PSO-KNN建模識別，可以有效選出更加適應某類電器的特征子集，提高負荷辨識的準確率。

在實際應用中，6.4 kHz的采樣頻率會增加設備成本，基于現實應用考慮，對3.2 kHz采樣頻率的數據進行所提算法的驗證。

3.4降低采樣頻率時的二級分類結果

采樣頻率的降低會導致軌跡圖斷點增多，降低軌跡圖的連續(xù)性，影響聚類結果。為解決這一問題，將軌跡圖的像素從32×32降為20×20，如圖5所示。

由表5可知，采樣頻率的降低導致電器的V-I軌跡連續(xù)性變差，造成所提取的HOG特征聚類效果變差。通過減小軌跡圖的像素至20×20，改善了軌跡的連續(xù)性，將K-means聚類的平均準確率從94.9%提高至98.9%。

在聚類結果的基礎上，對A，B，C 3類電器分別進行二級建模識別，A，B，C 3類電器中具體電器的識別率如表6所示。

由表6可知，當采樣頻率為3.2 kHz時，各類電器的識別率雖有所下降，如洗衣機和油煙機分別下降至92.5%和90.5%，下降幅度最大，但仍基本滿足所需要的識別精度。

當采樣頻率降為1.6 kHz時，將軌跡圖像素也相應降低至12×12，其K-means聚類結果如表7所示。由表7可知，隨著采樣頻率的降低，V-I軌跡圖的像素也隨之變小，導致像素信息缺失，使得聚類效果變差，由于此時的聚類結果不再滿足實際應用的需要，故未進行后續(xù)實驗。

上述結果表明，該算法對3.2 kHz的采樣頻率仍具有較好的適應性，可以有效降低實際應用的設備成本。

4結語

本文提出了一種基于K-means聚類與PSO特征優(yōu)選KNN的二級分類非侵入式負荷辨識方法，首先使用K-means聚類算法對V-I軌跡的HOG特征進行一級大類劃分;然后對各大類中的電器電流提取波形特征，使用PSO進行最優(yōu)特征子集的選取，采用最優(yōu)特征子集進行KNN二級分類。該方法有以下優(yōu)勢。

1）即使同一電器的V-I軌跡也會存在差異，而HOG特征對幾何形變可以保持很好的不變性，基于HOG的這一特性，可以確保聚類結果的準確性。

2）隨著電器的增多，PSO特征優(yōu)選得到的最優(yōu)特征子集適應性會降低。而本文提出的二級分類方法，對一級大類劃分后的每一大類分別進行PSO特征優(yōu)選，可以針對性地選出該大類中可分性較好的特征子集，降低KNN模型的空間復雜度，提高負荷識別準確率。

3）該方法在采樣頻率降低的情況下，也具有較好的適應性，對實際應用具有一定參考價值。

在實際應用中，由于數據采樣頻率要求較高且樣本庫的構建工程較大，導致本文方法的應用場景有限。未來需進一步研究其在低采樣頻率下性能的提升方法，拓寬該方法的應用范圍。

參考文獻/References：

[1]鄧曉平，張桂青，魏慶來，等.非侵入式負荷監(jiān)測綜述[J].自動化學報，2022，48（3）：644-663.DENG Xiaoping，ZHANG Guiqing，WEI Qinglai，et al.A survey on the non-intrusive load monitoring[J].Acta Automatica Sinica，2022，48（3）：644-663.

[2]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(jiān)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.

[3]程祥，李林芝，吳浩，等.非侵入式負荷監(jiān)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.

[4]解洋，梅飛，鄭建勇，等.基于V-I軌跡顏色編碼的非侵入式負荷識別方法[J].電力系統自動化，2022，46（4）：93-102.XIE Yang，MEI Fei，ZHENG Jianyong，et al.Non-intrusive load monitoring method based on V-I trajectory color coding[J].Automation of Electric Power Systems，2022，46（4）：93-102.

[5]DU Liang，HE Dawei，HARLEY R G，et al.Electric load classification by binary voltage-current trajectory mapping[J].IEEE Transactions on Smart Grid，2016，7（1）：358-365.

[6]程麗娟.基于HOG和SVM的非侵入式負荷識別[J].安徽師范大學學報（自然科學版），2021，44（1）：17-21.CHENG Lijuan.Non-Intrusive load identification based on HOG and SVM[J].Journal of Anhui Normal University（Natural Science），2021，44（1）：17-21.

[7]安國慶，梁宇飛，蔣子堯，等.基于CF-MF-SE聯合特征的非侵入式負荷辨識[J].河北科技大學學報，2021，42（5）：462-469.AN Guoqing，LIANG Yufei，JIANG Ziyao，et al.Non-intrusive load identification based on CF-MF-SE joint feature[J].Journal of Hebei University of Science and Technology，2021，42（5）：462-469.

[8]延菲，張瑞祥，孫耀杰，等.基于改進kNN算法的非侵入式負荷識別方法[J].復旦學報（自然科學版），2021，60（2）：182-188.YAN Fei，ZHANG Ruixiang，SUN Yaojie，et al.Non-intrusive load identification method based on improved kNN algorithm[J].Journal of Fudan University（Natural Science），2021，60（2）：182-188.

[9]WANG Longjun，CHEN Xiaomin，WANG Gang，et al.Non-intrusive load monitoring algorithm based on features of V-I trajectory[J].Electric Power Systems Research，2018，157：134-144.

[10]de PAULA RODRIGUES R，da SILVEIRA P M.Curvature scale space-based signatures for electrical load classification in NILM[J].Electrical Engineering，2021，103（2）：1239-1252.

[11]YANG C C，SOH C S，YAP V V.A systematic approach in load disaggregation utilizing a multi-stage classification algorithm for consumer electrical appliances classification[J].Frontiers in Energy，2019，13（2）：386-398.

[12]GAO Jingkun，KARA E C，GIRI S，et al.A feasibility study of automated plug-load identification from high-frequency measurements[C]//2015 IEEE Global Conference on Signal and Information Processing （GlobalSIP）.Orlando：IEEE，2015：220-224.

[13]郇嘉嘉，汪超群，洪海峰，等.基于圖像編碼與深度學習的非侵入式負荷識別方法[J].科學技術與工程，2021，21（21）：8901-8908.HUAN Jiajia，WANG Chaoqun，HONG Haifeng，et al.Non-intrusive load monitoring method based on color encoding and deep learning[J].Science Technology and Engineering，2021，21（21）：8901-8908.

[14]薄文嘉，倪受東.結合HOG與SVM的電子元件多位姿目標檢測研究[J].機械設計與制造，2021（10）：76-80.BO Wenjia，NI Shoudong.Research on multi-position target detection of electronic components combined with HOG and SVM[J].Machinery Design & Manufacture，2021（10）：76-80.

[15]李小勇，韋澤賢，楊玉琳.HOG與SVM在動態(tài)稱重輪軸識別中的應用研究[J].公路交通科技，2021，38（7）：145-151.LI Xiaoyong，WEI Zexian，YANG Yulin.Study on application of HOG and SVM in weigh-in-motion and axle recognition[J].Journal of Highway and Transportation Research and Development，2021，38（7）：145-151.

[16]徐超，高夢珠，查宇鋒，等.基于HOG和SVM的公交乘客人流量統計算法[J].儀器儀表學報，2015，36（2）：446-452.XU Chao，GAO Mengzhu，ZHA Yufeng，et al.Bus passenger flow calculation algorithm based on HOG and SVM[J].Chinese Journal of Scientific Instrument，2015，36（2）：446-452.

[17]李秉晨，于惠鈞，劉靖宇.基于Kmeans和CEEMD-PE-LSTM的短期光伏發(fā)電功率預測[J].水電能源科學，2021，39（4）：204-208.LI Bingchen，YU Huijun，LIU Jingyu.Prediction of short-term photovoltaic power generation based on Kmeans and CEEMD-PE-LSTM[J].Water Resources and Power，2021，39（4）：204-208.

[18]孟華，孫浩，裴迪，等.基于聚類及優(yōu)化集成神經網絡的地鐵車站空調負荷預測[J].同濟大學學報（自然科學版），2021，49（11）：1582-1589.MENG Hua，SUN Hao，PEI Di，et al.Air-conditioning load prediction of subway station based on clustering and optimization algorithm ensemble neural network[J].Journal of Tongji University（Natural Science），2021，49（11）：1582-1589.

[19]毋雪雁，王水花，張煜東.K最近鄰算法理論與應用綜述[J].計算機工程與應用，2017，53（21）：1-7.WU Xueyan，WANG Shuihua，ZHANG Yudong.Survey on theory and application of K-nearest-neighbors algorithm[J].Computer Engineering and Applications，2017，53（21）：1-7.

[20]謝妙，林泳昌，朱曉姝.一種基于信息熵的自適應k值KNN二分類方法[J].合肥工業(yè)大學學報（自然科學版），2021，44（11）：1483-1486.XIE Miao，LIN Yongchang，ZHU Xiaoshu.An adaptive k-value KNN bisecting classification method based on information entropy[J].Journal of Hefei University of Technology（Natural Science），2021，44（11）：1483-1486.

[21]陳茜，李錄平，劉瑞，等.基于PCA-KNN融合算法的風力機變槳角度故障診斷方法[J].中國電力，2021，54（11）：190-198.CHEN Xi，LI Luping，LIU Rui，et al.Fault diagnosis method of wind turbine pitch angle based on PCA-KNN fusion algorithm[J].Electric Power，2021，54（11）：190-198.

[22]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.

[23]李科.基于PSO-KNN的變電站設備三維點云識別方法研究[J].電力系統保護與控制，2021，49（18）：182-187.LI Ke.3D point cloud research on an identification method based on PSO-KNN substation equipment[J].Power System Protection and Control，2021，49（18）：182-187.

[24]任江濤，姚樹宇，紀慶革.一種基于PSO同步進行特征選擇及參數優(yōu)化的核K近鄰分類算法[J].小型微型計算機系統，2007，28（8）：1461-1464.REN Jiangtao，YAO Shuyu，JI Qingge.Kernel KNN algorithm based on simultaneous feature selection and parameter optimization by PSO[J].Journal of Chinese Computer Systems，2007，28（8）：1461-1464.