基于貝葉斯的非侵入式負荷監測沖擊波形分類方法

張 博 梁 凱

基于貝葉斯的非侵入式負荷監測沖擊波形分類方法

張 博1梁 凱2

（1. 國網江蘇省電力有限公司徐州供電分公司，江蘇 徐州 221006； 2. 國網江蘇省電力有限公司無錫供電分公司，江蘇 無錫 214002）

針對非侵入式負荷監測中沖擊類負荷類型辨識問題，提出基于貝葉斯分類器的沖擊波形分類方法。首先，定義電流沖擊波形的沖擊幅值、上升時間、跌落幅值和跌落時間四個特征量，用于建立多特征貝葉斯分類模型。然后，將采集的不同電器的電流沖擊樣本分為多組，用多組樣本特征值的均值作為貝葉斯分類模型的參數。最后，在單相電能表硬件平臺上實現分類算法，在實驗室場景下對定頻空調和變頻空調進行分類測試。結果表明，本文所提方法可有效識別兩種類型沖擊，驗證了所提方法的可行性。

非侵入式負荷監測；貝葉斯分類器；負荷沖擊電流；智能電能表

0 引言

隨著我國經濟的發展，全社會電力消耗顯著增長，城鎮居民家用電器種類和保有量逐年攀升，電費支出成倍增加，對用電詳情查詢、節電建議獲取、安全用電信息等個性化、智能化、互動化服務的需求有上升趨勢[1-3]。為了提供上述服務，需要采用技術手段獲得各電器的工作狀態和運行功率水平，一般有入戶式和非入戶式兩種。入戶式方案為每類電器單獨安裝采集傳感器，需對戶內電路進行改造，硬件成本高，運行維護資源消耗大，且停電安裝影響用戶正常用電。非入戶式方法也稱為非侵入式負荷監測（non-intrusive load monitoring, NILM），最早由美國麻省理工學院Hart教授提出[4]。該方法基于電力負荷入口處的電壓、電流及功率的變化信息，應用信號分析和機器學習算法，提取波形特征信息，實現電器類型辨識和負荷分解，得出電器的啟停時間、能耗水平等基礎數據。在此基礎上，進行高級分析，從而為居民提供更豐富的用電服務信息。作為居民用電負荷監測的重要方法之一，NILM技術研究與應用近年來成為國內外熱點。

世界各國的學者對NILM相關問題進行了非常多的研究，包括事件檢測、特征提取、電器分類、能量分解等。D. Luo提出基于對數似然的事件檢測方法，用于對暖通空調開關事件的檢測[5]。周東國等提出基于狀態特征聚類的非侵入式負荷事件檢測方法[6]。E. S. Page教授提出來的累積和（cumulative sum, CUSUM）算法是目前應用廣泛的方法之一，S. Zhang和 Z. Zhu等在其工作中均采用了此算法[7-8]。牛盧璐對CUSUM算法進行改進，稱為雙邊CUSUM，本文采用這種算法檢測負荷事件[9]。負荷分類的關鍵在于特征，特征也被稱為負荷印記，相關研究較多[10-13]。對于電器分類，文獻[4]在提出NILM技術時，基于二維有功-無功復平面，依據點的距離對負荷進行分類；文獻[14]增加電壓和電流特征，實際上是在4維空間計算距離。文獻[15-18]研究機器學習算法在NILM領域的應用，分別用隱馬爾可夫模型（hidden Markov model, HMM）方法、深度置信網絡、關聯規則挖掘、遺傳算法等方法解決負荷分解問題。

在現有研究中，針對高頻沖擊特征的研究很少。在大部分公開數據集中，數據的采樣頻率為Hz級，這些數據不包含沖擊特征，故鮮有專門研究電流沖擊特征的報道。文獻[19]采用功率沖擊系數p識別沖擊特征。電流沖擊特征是空調、吸塵器、微波爐等電器的重要負荷特征，對提高對這些電器的辨識準確度具有顯著作用。本文研究的算法應用于智能電表，數據源來自智能電表計量芯片輸出，采樣頻率為1.6kHz，包含電器開啟瞬間產生的沖擊電流特征。本文聚焦電器開啟時產生的短時沖擊，定義四個沖擊特征量，設計均值參數貝葉斯分類器，對電流沖擊波形進行區分。測試結果表明，本文所提方法可有效識別不同類型的電流沖擊。

1 沖擊特征量定義

不同電器在開啟時產生的沖擊波形差異很大。為了區分沖擊波形，首先需要對沖擊波形的特征進行量化表征。本文定義四個特征量，分別為沖擊幅值、上升時間、跌落幅值、跌落時間。圖1所示為一個典型的變頻空調沖擊波形。以圖1為例，詳細描述四個特征量的計算公式。

圖1 典型的變頻空調沖擊波形

第一個特征參數是沖擊幅值，反映當前脈沖的絕對高度，其計算公式為

第二個特征參數是上升時間，反映上升速度和脈沖電流存在的時間長度，其計算公式為

第三個特征參數是跌落幅值，反映沖擊電流下降的幅度，其計算公式為

第四個特征參數是跌落時間，反映下降速度和脈沖電流存在的時間長度，其計算公式為

2 基于貝葉斯的分類方法

2.1 貝葉斯分類器原理

貝葉斯方法是一種數理統計手段，被廣泛應用于數據融合和機器學習任務[20-21]。貝葉斯分類器的基本原理是在先驗概率已知的情況下計算后驗概率。其中，先驗概率可以通過觀察大量樣本來估計。計算樣本屬于每個類別的概率，最大概率對應的類別為分類結果。本文采用樸素貝葉斯分類器，假設特征屬性相互獨立。

2.2 聯合分布概率估計

2.3 構建均值參數貝葉斯分類器

為了簡潔，本文以區分定頻空調和變頻空調為例，對本文所提的方法進行說明。在離線情況下對這兩類電器各進行100次啟動錄波，即定頻空調和變頻空調各錄100次，得到200個沖擊電流波形樣本集。根據中心極限定理，獨立同分布的樣本均值更接近正態分布。因此，將兩類訓練樣本在類間隨機分為5組，計算每組樣本屬性均值，最終得到兩類共10個樣本的參數均值。計算屬性平均值后的訓練樣本集見表1。

表1 計算屬性平均值后的訓練樣本集

表2 貝葉斯分類模型參數

2.4 分類計算示例

3 測試結果及分析

3.1 負荷辨識電能表實現

為了測試本文所提的方法，研制了基于多芯模組化結構的帶負荷辨識功能電能表，由計量芯、負荷辨識芯、功能芯組成，符合IR46設計原則。三芯模組化負荷辨識電能表功能框圖如圖2所示。

圖2 三芯模組化負荷辨識電能表功能框圖

圖2中，負荷辨識芯采用32位ARM處理器STM32F412，計量芯采用單相計量芯片RN8209，兩者之間采用單向外設接口（serial peripheral interface, SPI）通信，確保計量功能不受任何影響。

3.2 測試方案及結果分析

按照典型家庭電器配置建成實驗場景，實際分類測試場景如圖3所示。

圖3 實際分類測試場景

在圖3中，右邊為定頻空調，左邊為變頻空調，均不在訓練樣本中，即屬于未知待分類樣本。測試分三種工況：①無任何電器工作；②熱水器和冰箱工作；③洗衣機工作。

為了確?？照{冷機起動，每次空調開啟3min，從關閉到下一次開啟時間間隔設置為5min。定頻空調和變頻空調在上述三種工況下均開啟20次，將本文所提的均值參數貝葉斯分類方法和文獻[19]中采用功率沖擊系數的識別方法進行比較，測試結果見表3。

表3 測試結果

從表3可以看出，本文所提方法僅在洗衣機工作時出現分類錯誤，其他情況下均能正確識別沖擊類型，而文獻[19]方法在洗衣機和冰箱工作時，錯誤率均較高。進一步研究表明，洗衣機在工作時存在大量沖擊，與空調沖擊相似，若僅以沖擊系數為特征，在測試過程中很容易出現錯誤識別的情況。在文獻[19]中，空調的功率沖擊系數取5，實際測量結果表明，同一臺空調的功率沖擊系數方差約為0.2，當包含因子為2時，文獻[19]方法對空調沖擊辨識的理論準確度大約是95%，與本文測試結果相符。本文提出的分類方法基于結構化風險最小，定義了4個沖擊特征量，使對空調沖擊分類的理論準確度達到了100%，在理論上比文獻[19]方法更優。

4 結論

針對空調等電器開啟時產生的沖擊電流，定義了4個可以描述沖擊波形特征的參數，構建了均值化貝葉斯分類器。以智能電表為硬件基礎實現了本文所提方法，在實驗室進行了變頻空調和定頻空調沖擊波形分類測試。結果表明，與文獻[19]方法相比，本文所提方法具有更優的分類效果。

下一步，將沖擊特征與其他特征融合，以進一步提高負荷辨識準確度。同時，增加更多沖擊負荷類型，以二分類器為基礎，構建多分類器，實現對多種沖擊類電器的辨識。本文工作可為研制具有非侵入式負荷辨識功能的電能表提供參考。

[1] 王宏飛, 周鑫, 徐哲壯, 等. 基于云平臺的工業用電分析與預測[J]. 電氣技術, 2020, 21(12): 6-11.

[2] 郝朝, 張浩然, 張曉崎, 等. 北京郊區電網冬季典型日“煤改電”負荷特性分析[J]. 電氣技術, 2021, 22(10): 17-21, 33.

[3] 張敏, 錢霜秋, 吳仲麒, 等. 基于數據挖掘技術的中長期負荷預測方法[J]. 電氣技術, 2021, 22(6): 43-48.

[4] HART G W. Non-instructive appliance load moni- toring[J]. Proceedings of the IEEE, 1992, 80(12): 1870-1891.

[5] LUO Dong, NORFORD L K, SHAW S R, et al. Monitoring HVAC equipment electrical loads from a centralized location-methods and field test results[J]. ASHRAE Transactions, 2002, 108(1): 841-857.

[6] 周東國, 張恒, 周洪, 等. 基于狀態特征聚類的非侵入式負荷事件檢測方法[J]. 電工技術學報, 2020, 35(21): 4565-4575.

[7] ZHANG Shuai, ZHU Zhicheng, YIN Bo, et al. Event detection methods for nonintrusive load monitoring in smart metering using the improved CUSUM algo- rithm[C]//2018 International Conference on Sensing, Diagnostics, Prognostics, and Control, Xi’an, China, 2018.

[8] ZHU Zhicheng, WEI Zhiqiang, YIN Bo, et al. A novel approach for event detection in non-intrusive load monitoring[C]//2017 IEEE Conference on Energy Internet and Energy System Integration, Beijing, China, 2017.

[9] 牛盧璐, 賈宏杰. 一種適用于非侵入式負荷監測的暫態事件檢測算法[J]. 電力系統自動化, 2011, 35(9): 35-40.

[10] BOUHOURAS A S, MILIOUDIS A N, ANDREOU G T, et al. Load signatures improvement through the determination of a spectral distribution coefficient for load identification[C]//9th International Conference on the European Energy Market, Florance, Italy, 2012.

[11] LIN Yu-Hsiu, TSAI Men-Shen. A novel feature extra- ction method for the development of nonintrusive load monitoring system based on BP-ANN[C]//3CA Inter- national Symposium, Taiwan, China, 2010: 215-218.

[12] YANG Hong-Tzer, CHANG Hsueh-Hsien, LIN Ching- Lung. Design a neural network for features selection in non-intrusive monitoring of industrial monitoring electrical loads[C]//2007 11th International Con- ference on Computer Supported Cooperative Work in Design, Melbourne, VIC, Australia, 2007: 1022-1027.

[13] NG S K K, LIANG Jian, CHENG J W M. Automatic appliance load signature identification by statistical clustering[C]//8th International Conference on Advances in Power System Control, Operation and Management (APSCOM 2009), Hong Kong, China, 2009.

[14] HONG Yingyi, CHOU Jinghan. Non-intrusive energy monitoring for micro-grids using hybrid self- organizing feature-mapping networks[J]. Energies, 2012, 5(7): 2578-2593.

[15] 陳鴻川, 劉博, 欒文鵬, 等. 用于非侵入式電力負荷監測的改進Viterbi算法[J]. 電力系統及其自動化學報, 2017, 29(2): 84-88.

[16] 徐春華, 陳克緒, 馬建, 等. 基于深度置信網絡的電力負荷識別[J]. 電工技術學報, 2019, 34(19): 4135- 4142.

[17] 王孝慈, 董樹鋒, 王莉, 等. 基于電器狀態關聯分析的民可平移負荷辨識[J]. 電工技術學報, 2020, 35(23): 4961-4970.

[18] 雷怡琴, 孫兆龍, 葉志浩, 等. 電力系統負荷非侵入式監測方法研究[J]. 電工技術學報, 2021, 36(11): 2288-2297.

[19] 李永昆. 非侵入式多戶居民負荷辨識裝置開發及應用研究[D]. 南京: 東南大學, 2017.

[20] 廉永樂. 空管供配電系統可靠性分析[J]. 電氣技術, 2021, 22(5): 89-96.

[21] 路軍, 王梓耀, 余濤. 基于樸素貝葉斯和D-S證據理論的多時空數據融合[J]. 電氣技術, 2019, 20(11): 27-32, 45.

A Bayesian-based classification method of impulse waveforms for non-intrusive load monitoring application

ZHANG Bo1LIANG Kai2

(1. Xuzhou Power Supply Company of State Grid Jiangsu Electric Power Co., Ltd, Xuzhou, Jiangsu 221006;2. Wuxi Power Supply Company of State Grid Jiangsu Electric Power Co., Ltd, Wuxi, Jiangsu 214002)

Aiming at the problem of impact load type identification in non-intrusive load monitoring, an impact waveform classification method based on Bayesian classifier is proposed. Firstly, the characteristic parameters of an impulse current waveform such as impulse amplitude, rising time, dropping amplitude, and falling time are defined to establish a multi-feature Bayesian classification model. Secondly, the current impulse waveform samples of different appliances are divided into several groups, and the mean values of the characteristic values of the samples are used as the parameters of the classification model. Finally, the classification algorithm is implemented on the hardware platform of single-phase watt hour meter. The classification tests of fixed frequency air conditioner and variable frequency air conditioner are carried out in the laboratory scene. The results show that the proposed method can effectively identify two types of impulse waveforms, which verifies the feasibility of the proposed method.

non-intrusive load monitoring; Bayesian classifier; load impulse current; smart electricity meter

2021-10-29

2021-12-30

張 博（1990—），男，江蘇省徐州市人，碩士，工程師，從事智能用電技術、用電管理、電能計量相關技術研究工作。