基于改進卷積神經網絡的非侵入負荷辨識方法研究

李莉,黃友金,熊煒,汪敏,陽東升

(1.貴州電網有限責任公司電力科學研究院, 貴陽 550002; 2.貴州大學, 貴陽 550025)

0 引 言

隨著電網規模不斷增大,傳統的單一供配電功能已經不能滿足社會經濟發展的需求,“泛在電力物聯網” (ubiquitous power internet of things,UPIoT)被提出[1]。非侵入式負荷監測(non-intrusive load monitoring, NILM)作為客戶側泛在電力物聯網重要技術之一,不僅有助于電力公司加強負荷管理,還可以引導用戶合理安排負荷的使用,為實現以家庭電力用戶為主體的需求側響應和滿足居民用戶對精準精益用電服務需求提供了重要的技術支持[2-3]。

數據采集是非侵入式負荷監測的基礎,目前大部分的研究基于對負荷數據的高頻采樣,但高頻采集對采樣硬件設備的要求高,需要存儲的數據多,推廣難度大。因此,在低頻采樣下進行負荷辨識成為國內外研究的熱點[4]。文獻[5]利用Karhuen-Loeve變換將低頻采樣的有功功率信號分解成子空間分量,從而構造負荷特征來進行負荷辨識;文獻[6]提出了一種基于譜圖理論的非侵入式負荷識別方法,通過低頻采樣的負荷有功功率信號來提取負荷特征進行負荷辨識;文獻[7]以低頻采樣得到的負荷穩態電流為特征,利用差分進化算法來進行負荷辨識;文獻[8]對不同負荷組合的有功功率進行低頻采樣,提取不同負荷組合的負荷特征建立負荷特征庫,然后通過計算相似度,選最大相似度的組合來實現負荷辨識;文獻[9]使用低頻采樣下的負荷有功數據,通過計算負荷組合功率與總負荷功率的偏差,來辨識負荷投切狀態。低頻采樣雖然更利于推廣,但是由于采樣頻率低,獲取的負荷數據包含的特征信息較少,因此,在低頻采樣下特性相似的負荷辨識難度較大,以上這些方法雖然能夠應用在低頻采樣場景下,但是對具有相似特征的負荷辨識效果不佳。

為了解決上述問題,文章通過采集特性相似的家用負荷運行數據,選取負荷投入時的暫態變化過程為負荷特征,結合卷積神經網絡方法實現特征相似負荷的辨識。最后,用REDD數據集進行驗證,證明文章方法的可行性和有效性。

1 非侵入監測系統與算法原理

非侵入式負荷監測的原理是通過對用戶的總體負荷數據進行分解獲取單個設備的運行數據,然后提取負荷特征進行負荷辨識,進而獲取設備的具體使用情況[10]。其監測系統示意圖如圖1所示。

圖1 非侵入式負荷監測

1.1 事件檢測

事件檢測旨在通過判定是否有負荷的狀態發生變化,從而提取事件發生點前后的負荷數據實現負荷辨識。但是電力系統中噪聲和存在功率連續變化的負荷都可能造成波動變化,從而導致對事件的誤判。因此,保證事件檢測準確率的關鍵在于降低對噪聲和功率連續變化負荷造成的誤判率。

采用基于滑動窗的累積和(cumulative sum,CUSUM)暫態事件檢測算法[11-12],它能根據電氣量的變化準確檢測到電氣設備投切等引起的系統暫態過程,具有算法簡單、抗干擾能力強的優點。其基本思想在于：當監測量的CUSUM明顯高于正常平穩運行條件下的平均水平時,就表明系統產生了變化,通過該變化可判斷系統出現了暫態過程,事件檢測算法過程如圖2所示。

圖2 基于滑動窗的CUSUM算法

該方法通過添加WM和WD兩個窗口提取數據以實現變點檢測,WM窗口提取的數據用于計算時間序列的均值,WD窗口提取的數據用于變點檢測。變點檢測的方法如下：

(1)

(2)

1.2 暫態電流波形

在低頻采樣下,當負荷的工作模態發生變化時,不同類型負荷投入時的電流變化波動相差較大,可以作為非侵入式負荷辨識的負荷特征,如圖3所示。

圖3 負荷的暫態電流波形

負荷a為1 500 W熱水壺,主要元件為純電阻,其投入時暫態電流波形類似一個階躍函數,能夠直接進入穩態;負荷b為1 500 W暖風機,主要元件為正溫度系數熱敏電阻,其投入時暫態電流波形呈現的是階躍上升再緩慢下降的過程,持續時間約為7 s;負荷c為900 W小太陽,主要元件為電熱輻射元件,其投入時暫態電流波形呈現的是階躍上升再快速下降的過程,持續時間約為0.75 s。由于卷積神經網絡(convolutional neural networks,CNN)在圖像相關任務上表現優異,采用卷積神經網絡提取波形圖像特征進行負荷辨識。

1.3 卷積神經網絡

使用的卷積神經網絡CNN結構如圖4所示,由3個基本功能層,即卷積層、池化層和全連接層組合而成。各個功能層由多個相互獨立的神經元構成,不同層間的神經元相互連接,同一層中數個神經元之間無連接。輸入數據按照網絡結構,分別經過卷積層的卷積運算提取特征,池化層的池化運算降低維度,最后在全連接層得到分類的過程[13-14]。

圖4 卷積神經網絡結構

1)卷積層。

為了提取圖像的局部特征,將像素矩陣分為一個個局部塊。在卷積層內以局部塊為單位與卷積核進行卷積,其過程可表示為：

(3)

2)池化層。

池化層的過程如式：

(4)

式中down(·)代表池化方式。常用的池化方式如圖5所示,分別為以平均值來取代對應區域的均值池化和以最大值來取代對應區域的最大池化。

圖5 池化方式

池化層通過模仿人類的視覺系統,對卷積層提取的特征進行降維和抽象操作,其目的為在保持特征信息不變的情況下,減小特征矩陣的維度,減少計算量,提高運算速率。同時在一定程度上防止過擬合,有利于網絡參數的訓練。

3)全連接層。

全連接層將卷積層提取的特征進行整合,降低特征位置對分類結構的影響,通過將特征映射到樣本的標記空間得到分類結果。常用的方式是通過SoftMax函數將網絡輸出的特征值轉換為圖像的分類概率,最后選取概率最大的類別作為分類結果輸出。SoftMax函數表達式如下所示：

(5)

式中Sj為圖像屬于類別j的概率;c為圖像總類別數;aj為圖像屬于類別j的特征值。

損失函數用于計算網絡輸出結果與樣本真實標記之間的誤差,計算的誤差用于反向傳播過程的參數訓練。對于分類任務,常用的損失函數為交叉熵函數,其公式如下：

(6)

式中N為樣本數;yi為真實標記;S為樣本i的預測結果;c為樣本類別數。

4)辨識流程。

用CNN進行負荷特征的辨識流程如圖6所示。

圖6 CNN辨識流程

主要為三個部分：

步驟1：數據的采集與處理。通過監測電力用戶的入口處電流,采集用戶的總負荷運行數據,通過事件檢測確定負荷投入的時間點從而提取負荷的暫態電流數據。用提取得到的暫態電流數據繪制電流波形圖像,然后將圖像轉為像素矩陣。

步驟2：訓練CNN網絡。使用CNN進行分類前需要對網絡參數進行訓練,其中網絡參數初始化是關鍵步驟之一,理想的網絡參數初始化可以提高訓練效率,反之會影響網絡收斂甚至導致訓練失敗。

步驟3：負荷辨識。使用測試集數據對訓練好的CNN進行驗證,通過分類結果與測試集的標簽計算負荷的辨識率。

1.4 相似特征負荷的辨識

采用電能質量分析儀Fluke434實現負荷數據采集,采樣頻率為4 Hz,共包括5種阻性負荷,分別為多用鍋、暖風機、熱水壺、電吹風和小太陽共10個設備的8 200份負荷數據。其中訓練集為8 000份數據,測試集為200份數據。

首先,將采集得到的暫態電流數據繪制成像素為28×28的圖像,如圖7所示,其中負荷e和f屬于不同品牌的熱水壺。

圖7 實測數據的暫態電流波形

其次,將原始輸入圖像轉為28×28的像素矩陣,通過卷積層1的10個5×5卷積核對像素矩陣進行特征提取,將計算得到的特征值與偏置相加再通過線性整流函數產生10個24×24的特征映射圖傳遞至池化層1,圖8所示的是各負荷的特征圖中的其中一張。

圖8 卷積層1的輸出

經過池化層1的池化處理后,得到10個12×12的特征映射圖,通過卷積層2的10個5×5卷積核對這些特征映射圖進行特征提取,將計算得到的特征值與偏置相加再通過線性整流函數產生10個8×8的特征映射圖傳遞至池化層2,圖9所示的是各負荷的特征圖中的其中一張。

圖9 卷積層2的輸出

經過池化層2的池化處理得到10個4×4的特征映射圖,最后將這些數據輸入到全連接層中,用reshape函數進行整合,再用SoftMax函數將網絡輸出的特征值轉換為圖像的分類概率,最后選取概率最大的類別作為分類結果輸出。圖10為卷積神經網絡的損失值曲線,可以得出模型在迭代200次后,損失值趨于平緩達到收斂狀態。

圖10 卷積神經網絡損失值曲線

辨識結果如圖11所示,部分負荷辨識效果不佳,600 W電吹風2的辨識率為70%,1 500 W熱水壺2的辨識率為55%,900 W小太陽1的辨識率為75%,600 W小太陽2的辨識率為35%,450 W多用鍋1、2 000 W電吹風2、1 500 W熱水壺1和1 500 W暖風機1的辨識率為0,這是因為在辨識過程中,CNN對這部分負荷的提取特征重疊情況嚴重,最后被識別成其它負荷。

圖11 CNN辨識結果

因此僅僅以負荷投入時的暫態波形圖像為負荷特征,針對特征相似的負荷CNN辨識結果不佳,需要引入電流值特征提高辨識效果。

2 基于CNN的負荷辨識方法改進

表1所示是家用負荷的電流值均方根,結合圖8和表1可以得知具有相同電流波形的負荷,其電流值均方根的分布區間具有差異性,因此,可以通過暫態電流波形結合電流值均方根進行負荷辨識。

表1 負荷的電流值均方根

選取在圖像特征中添加電流值均方根,具體的過程如圖12所示。首先計算各負荷的電流值均方根,依據電流值均方根的分布區間對負荷進行排序;其次構建一個n×3顏色圖矩陣,n為負荷總數,每一行代表一種顏色的RGB向量,顏色圖矩陣的形成可利用MATLAB中的colormap函數;然后將負荷電流值均方根與顏色矩陣對應,負荷的序號對應于顏色圖的行數;最后將負荷電流值均方根對應的顏色作為暫態電流波形的圖像背景色,即將提取的負荷數據轉換為帶色彩特征的圖像。

圖12 添加色彩特征流程

在負荷的暫態電流波形圖像上添加色彩特征后,再采用卷積神經網絡對其進行特征提取,完成負荷辨識流程,其辨識流程如圖13所示。

3 實驗分析

3.1 實測數據

將負荷的暫態電流波形圖像添加色彩特征如表2所示,對于圖形相似的負荷具有不同的背景色,而相同背景色的負荷具有不同的圖形,各負荷的特征圖像都具有較高的辨識性。

圖13 改進方法辨識流程

表2 帶色彩的暫態電流波形

辨識結果如圖14所示,添加色彩特征之后,減少了負荷特征重疊的情況,負荷特征之間的差異性增大,因此負荷的辨識率提高至93.5%。

圖14 改進方法的辨識結果

使用CNN對帶色彩特征負荷暫態電流波形圖進行分類可以做到對特性相似負荷的辨識。添加色彩特征后,使得CNN在提取波形相似的負荷暫態電流波形圖像特征時能夠同時獲取負荷電流值特征,提高了負荷之間的辨識度。如450 W多用鍋2和2 000 W電吹風1的辨識率由0達到了100%,600 W小太陽的識別率由35%達到95%。但是熱水壺的識別率比較低,為75%,這是因為兩者特性過于相似,在識別過程中兩者的負荷特征發生了重疊,對辨識造成了干擾,導致辨識結果較差。

3.2 REDD數據集

選取了負荷識別參考數據集(reference energy disaggregation data set,REDD)[15],對基于卷積神經網絡算法進行驗證。REDD數據集采集了6個家庭的負荷運行數據,有高頻數據和低頻數據。其中高頻數據是以16.5 kHz的采樣頻率對其中兩個家庭(分別為House3和House5)的電壓和電流數據進行采集,低頻數據采集了6個家庭的負荷運行數據,以1 Hz的采樣頻率采集每個家庭的總負荷視在功率數據,以0.3 Hz的采樣頻率采集單設備的視在功率。文中選取了其中4個負荷,分別為Lighting、Microwave、Oven和Refrigerator。功率曲線如圖15所示,其中Refrigerator1和Refrigerator2分別表示Refrigerator的兩種工作狀態的功率曲線。

圖15 負荷的功率曲線

負荷Lighting、Microwave和Oven存在暫態功率曲線相似的情況,因此提取了功率值均方根來輔助辨識,表3為各負荷的功率值均方根。結合圖15和表3可以得知在相同功率曲線類型下的負荷的功率值均方根分布區間不同,可以通過暫態功率曲線結合功率值均方根進行特征相似負荷辨識。

表3 負荷的功率值均方根

改進方法的辨識結果如圖16所示,能夠有效地辨識出負荷,辨識率達到100%。

4 結束語

針對非侵入式負荷辨識中低頻采樣信號分辨率低,負荷特征易重疊,以及卷積神經網絡不能有效辨識具有相似波形特征負荷的問題,提出了融合暫態電流波形和時域特征的改進方法,即將暫態電流值均方根融合到電流波形圖像,以提升相似波形特征負荷的辨識正確率。

圖16 改進方法的辨識結果

通過用實測數據和REDD數據集進行驗證,表明改進后的方法能夠在低頻采樣下有效辨識負荷。但是,改進方法使用時域特征的差別對特性相似的負荷進行辨識,且在圖像辨識方面還是存在辨識錯誤的情況。下一步工作應開展負荷暫態時頻域特征的進一步研究,以及負荷切除的辨識研究,以提高辨識率,實現家用負荷能耗的動態監測。