基于CNN與K-means聚類的非侵入式電器負荷識別方法

李 爭，王 澤，馮 威，安國慶，王 強，陳 賀

(1.河北科技大學電氣工程學院，河北石家莊 050018；2.河北省智能配用電裝備產業技術研究院(石家莊科林電氣股份有限公司)，河北石家莊 050222)

隨著科技的發展，中國居民用電量飛速增長，2021年上半年居民用電量占全社會用電量的14.15%左右，居民生活用電量的增長速度曾一度超過了全社會總用電量的增長速度，同時居民用電器也在不斷更新[1]。但大部分電能表僅能對居民總用電量進行采集，無法獲取居民所用負荷的種類和狀態，居民負荷數據的精細性無法保證，不利于電能的管理與電能綜合利用率的提升[2]。非侵入式負荷監測(non-intrusive load monitoring,NILM)本質為負荷分解(load disaggregation)，僅需獲取單個用戶的總用電數據，并對該用電數據進行相關分析處理，即可得到用戶所用電器的種類、啟停時間、能耗等信息。

非侵入負荷監測的核心是對負荷特征的提取，如負荷的有功功率、無功功率、V-I軌跡、諧波、特征電流等，通過對負荷特征的辨識確定負荷類別[3]。文獻[4]通過遺傳算法對支持向量機進行改進，以基波功率因數為特征，結合電器的有功功率與無功功率進行負荷識別。但該方法僅提高了低功率的負荷識別率，而家用電器中大功率負荷占比較大。文獻[5]通過分析現有負荷特征量的提取方法，發現復雜工況環境下將諧波作為負荷特征量識別精度高，通過極值差量的方法解決了家用電器存在的偶次諧波相角抖動問題，但僅適用于工作模態經常變化的電器。隨著深度學習的發展，很多研究人員開始將深度學習應用于非侵入式負荷分解中。2015年，Kelly博士利用深度學習領域的算法構建分解模型進行負荷分解實驗，結果優于隱馬爾可夫與組合優化等分解方法。這項成果引起了NILM研究人員對深度學習領域的關注。文獻[6]通過對不同負荷進行數學建模，建立一個負荷樣本庫，再利用卷積神經網絡(CNN)對樣本進行訓練和測試，從而提高非侵入式負荷識別的精度。文獻[7]以暫態電流幅值為特征，通過卷積神經網絡對暫態電流波形相似的負荷進行訓練，提高暫態電流波形相似負荷的識別率，但實驗電器都為阻性負荷，對空調、冰箱、洗衣機等感性與容性負載的識別率沒有說明。文獻[8]從高頻采樣數據提取負荷的電流、電壓、功率，利用負荷的穩態電流和電壓繪制V-I軌跡，采用FFT提取負荷的功率，通過反向BP神經網絡對融合特征進行識別。但該方法對相似特性家用電器的識別精度無法保證。

為了解決上述問題，本文提出一種基于CNN與K-means結合的非侵入式負荷識別方法。首先，利用改進的CUSUM算法記錄負荷發生投切事件的時間段；其次，將濾波后的功率段繪制成的P-Q軌跡圖像作為負荷特征庫,利用K-means算法對卷積神經網絡模型進行改進；最后，利用改進的卷積神經網絡模型對測試集進行負荷辨識。

1 非侵入式負荷監測方法及其改進

NILM符合當前電網發展的需求，對智能電網的建設起著重要作用[9]。電力公司可通過對用戶用電狀況的了解及時調整配電策略，提高用電效率。當用戶側發生用電事故時，電力公司也可以及時排查事故地點和原因[10]。對于用戶，NILM可以提供詳細的用電信息，包括電器類型、啟停時間、用電量等。用戶可以根據用電信息合理安排各類家用電器的用量。NILM流程如圖1所示。

圖1 非侵入式負荷監測流程圖 Fig.1 Flow chart of non-intrusive load monitoring

通過用戶側的電表提取用戶的總用電信息，當用戶開啟電器時，總線上的電流I、電壓V、有功功率P、無功功率Q等會發生變化，此時NILM系統會將暫態事件標記，作為識別電器類別、投切時間、用電量的特征[11]。將提取到的特征與特征庫進行匹配，生成電器信息使用報告，用戶和電力公司即可獲得詳細的用電信息。相對于傳統的侵入式負荷監測，不僅節省了安裝傳感器的成本，一定程度上也保護了用戶的隱私。

1.1 CUSUM邊沿檢測算法

家用電器發生投切事件或者工作模態變化時，伴隨著暫態事件的發生。雖然市面上的家用電器功能繁多，結構復雜，但不同類型的家用電器在啟動和關閉時具有獨特的暫態響應特征。因此，本文主要對電器啟停時的電氣特性進行分析[12]。

由于家用電器結構復雜、種類繁多，無法構建出特定的數學模型[13]，故本文將傳統的CUSUM邊沿檢測算法進行改進，通過統計家用電器在投切和工作模態變化時的功率變化值Wn，以提高邊沿檢測的準確率。

基于傳統的CUSUM邊沿檢測算法，本文定義電器邊沿檢測算法中

(1)

(2)

并且Wn的初始值為0。當Wn>H時，認為電器發生了投切事件或工作模特發生了變化，其中H為功率發生突變的閾值。此時，檢測系統開始對該點進行記錄，直到Wn

為檢驗所用算法的有效性，選取6種家用電器進行投切檢測實驗，通過將空調、吹風機、電磁爐、電飯煲、暖風機、熱水壺依次啟停，記錄電器的功率變化狀況，采樣頻率為6.4 kHz，有功功率變化如圖2所示。

圖2 邊沿檢測突變過程Fig.2 Edge detection mutation process

記錄發生投切事件的時間段，如表1和表2所示。

表1 電器啟動時間段

表2 電器關閉時間段

1.2 信號預處理

獲取用戶總用電數據后，需要對該數據進行預處理，主要原因是用戶的用電系統易被氣溫、負荷的使用情況、線路環境等干擾[14]，導致獲取的電器負荷信號含有噪聲。這些噪聲會影響事件檢測的結果，因此對用電數據進行濾波降噪十分重要。濾波去噪主要分為線性和非線性[15]，線性濾波對數據中的高頻率噪聲濾波效果差，容易造成重要信息的缺失。非線性濾波彌補了線性濾波的缺點，但對部分常見噪聲濾波效果不理想。

綜合用戶家用電器的實際使用情況，采用一種針對家用電器的高斯濾波方法，不僅彌補了傳統高斯濾波引起的部分信息缺失，而且對家用電器暫態特征的信息保存效果很好[16]。適用于家用電器的高斯濾波步驟如下。

1)令n=0，迭代次數N=7。

2)計算用戶用電負荷信號中的導數

(3)

3)計算用戶用電負荷信號在該點的權值，對hn(t)進行加權濾波處理：

(4)

式中：gn為高斯濾波權值；σ為高斯函數的標準方差。

4)判斷n=N是否成立，不成立則循環上述步驟，當n=N時結束。

為突出本文所用方法的有效性，在有效電壓為220 V、頻率為50 Hz的條件下，選取電磁爐啟動后的一段功率負荷信號作為原始信號，利用改進的高斯濾波算法對原始信號進行濾波，結果如圖3所示。

圖3 信號濾波前后的波形圖Fig.3 Waveform before and after signal filtering

2 基于CNN的電器識別

2.1 CNN原理

將電器開啟時的暫態功率波形作為負荷印記，負荷辨識問題就轉化為對負荷暫態功率波形的圖像識別問題[17]。在計算機圖像識別領域中，應用較為廣泛的網絡是CNN[18]。本文使用CNN模型，該網絡模型的本質是一種多層前饋網絡，核心部由卷積層、池化層、全連接層組成，如圖4所示。

圖4 CNN結構圖Fig.4 CNN structure diagram

卷積層將提取的P-Q軌跡圖像按像素分為多個局部塊。以局部塊為單位，通過卷積核進行卷積計算：

(5)

池化層在不影響輸入特征信息的條件下，對特征進行降采樣，通過減少數據空間，提高計算效率，一定程度上可以防止過擬合。常用的池化方式為最大池化和平均池化，如圖5和圖6所示。

圖5 最大池化層Fig.5 Maximum pooling layer

圖6 平均池化層Fig.6 Average pooling layer

全連接層的主要作用是進行特征分類[19]，本質上還是回歸，通過對卷積層提取的特征進行整合，利用SoftMax激活函數將圖像的特征轉化為分類概率，取其中概率最大的為最終結果。SoftMax回歸模型為

(6)

SoftMax矩陣表達式為

(7)

式中：xi為特征映射；bi為偏置；yi為分類概率。

2.2 基于CNN的電器識別流程

首先，將采集的用戶用電數據進行濾波處理，利用事件檢測算法提取電器投切時的暫態功率軌跡波形，將暫態功率波形轉化為60×60的像素圖像。

其次，將像素圖像分為測試集和訓練集。為保證算法的運行速度，本文采用經典的LeNet-5結構，通過3個大小分別為3×3，6×6和8×8的卷積核對輸入尺寸為60×60的圖像進行處理，將得到的特征映射圖用reshape函數進行整合，SoftMax作為激活函數進行特征分類。CNN網絡訓練的關鍵是參數的初始化，網絡參數初始化會對訓練效率產生一定的影響。

最后，利用測試集對訓練好的卷積神經網絡進行驗證，并計算電器的識別率。電器識別流程如圖7所示。

圖7 電器識別流程圖Fig.7 Flow chart of electrical appliance identification

2.3 電器特征辨識

本文通過智能電表和7種家用電器搭建電器數據采集平臺，采樣頻率為6.4 kHz，如圖8所示。

圖8 電器采樣平臺Fig.8 Appliance sampling platform

采集家用電器數據分別為變頻空調、吹風機、電磁爐、電飯煲、微波爐、洗衣機、冰箱的有功功率和無功功率，共采集負荷數據1 280份，其中訓練集1 000份，測試集280份，電器識別結果如圖9所示。

圖9 CNN辨識識別結果Fig.9 CNN identification results

由圖9可知，識別結果精度較低的電器為冰箱、變頻空調、電磁爐與微波爐。通過對電器啟動時P-Q軌跡圖所對應的像素矩陣圖進行分析，發現電氣特性相近的電器對應的像素矩陣圖也相似。如圖10中編號為1的吹風機與編號為1的電飯煲像素矩陣圖相似，編號為3的電飯煲與編號為3的洗衣機的像素矩陣圖也相似。因此，識別精度低的原因可能與電器的自身結構有關。為了進一步驗證卷積神經網絡對電氣特性相似的電器難以區分，將相似結構的電器歸為一類進行負荷辨識，識別結果如圖11所示。通過圖11可以看出，電磁爐的識別率從70%提升至90%，而電機類的洗衣機識別率卻從85%降至77.5%，這是由于識別過程中特征重疊的原因，因此需要對卷積神經網絡進行改進。

圖10 不同電器P-Q軌跡圖對應的像素圖像Fig.10 Pixel images corresponding to P-Q trace diagrams of different electrical appliances

圖11 修改類別后的電器識別結果Fig.11 Electrical appliance identification results after category modification

3 基于CNN與K-means結合的負荷辨識

3.1 K-means聚類方法

K-means算法也稱K-均值算法[20]，與卷積神經網絡不同，是一種無監督的學習方法，不需要目標屬性，核心公式見式(8)。

(8)

式中：Xi為第i個樣本數據；μk為第k個簇，可以看作第k個簇的中心；J為樣本中數據Xi與μk之間距離的累加和。通過將訓練好的卷積神經網絡模型中的SoftMax層替換為K-means算法實現對卷積神經網絡模型的改進。具體步驟如下。

1)提取電器的暫態功率數據，并將數據分為測試集和訓練集。

2)繪制P-Q軌跡圖像，并將圖像轉化為60×60的像素矩陣。構建卷積神經網絡，并利用訓練集進行訓練。

3)建立K-means算法模型，根據要識別的電器數量，將K-means算法的輸入維度設置為7，輸出為電器的類別，其中距離測度參數為sqEulidean,初始質心位置參數為sample，聚類重復次數為7。

4)將訓練好的卷積神經網絡模型的SoftMax層替換成K-means聚類算法，利用測試集對電器進行負荷辨識。

利用K-means改進后的卷積神經網絡負荷辨識流程如圖12所示。

圖12 改進后的CNN辨識流程Fig.12 Improved CNN identification process

3.2 實驗結果與分析

通過實驗平臺獲取變頻空調、吹風機、電磁爐、電飯煲、微波爐、洗衣機、冰箱依次啟停的負荷數據共1 280份，并將采集到的數據分為訓練集和測試集，其中訓練集1 000份，測試集280份。繪制功率軌跡圖像并將圖像轉化為60×60的像素矩陣，利用改進后的卷積神經網絡模型對測試集進行負荷辨識，辨識結果如圖13所示。從辨識結果可以看出，通過K-means改進的卷積神經網絡模型增大了相似特性負荷特征之間的差異，有效避免了卷積神經網絡容易發生的特征重疊問題，提高了負荷辨識的準確率，辨識率達到了100%。

圖13 改進后的電器識別結果Fig.13 Improved electrical appliance identification results

4 結 語

為解決非侵入式負荷辨識中相似特性的家用電器識別率低的問題，采用電器的功率軌跡圖作為負荷特征，利用K-means算法對卷積神經網絡進行改進，增大相似特性負荷特征之間的區別，提高了負荷辨識的準確率。通過改進CUSUM算法記錄負荷啟停的時間，將濾波后的功率段繪制成功率軌跡圖作為負荷特征庫，避免負荷穩定運行時，電氣特性相似而不易識別。將卷積神經網絡中的SoftMax層替換為K-means模型，有效解決識別過程中特征重疊的問題。通過實驗平臺測試的數據集進行驗證，結果表明該方法能夠有效識別家用電器的類別。

本文主要針對電器依次啟停狀況進行研究，但是實際電器使用中存在多種電器同時啟停的狀況，未來應結合電器的不同使用場景進行更加深入的研究。