復雜設備環境下的多狀態負荷運行狀態辨識方法

柳青,劉小平,陳浩,張振宇,朱彥卿,李勇

(1.國網湖南省電力有限公司供電服務中心,長沙 410004; 2.湖南大學 電氣與信息工程學院,長沙 410082)

0 引 言

非侵入式負荷監測(Non-intrusive Load Monitoring,NILM)是指在用戶用電入口處安裝測量設備,采集電壓、電流、頻率、功率等電力數據,并將其分解為獨立設備的用電狀態、用電電量等信息的方法[1]。根據負荷監測得到的用戶用電行為信息,可為電網公司的調度,需求響應等高級用電策略制定提供依據,也可為用戶自我制定合理的用電規劃提供參考[2]。

自從文獻[3]在20世紀80年代提出非侵入式負荷監測的基本思想后,國內外學者已經針對該問題進行了大量的研究分析。對于這些研究,可以從使用的特征類型與算法類型兩個角度對其進行分類。文中著重討論使用的特征對負荷辨識的影響。從特征角度,可以分為穩態度量(電壓、電流、諧波等有效值數據)、暫態度量(電壓、電流等暫態波形數據)兩大類。在其中,最典型的穩態度量是Hart提出的在有功功率與無功功率構成的復功率平面上進行聚類對設備分類的方法[3]。有功功率與無功功率可以說是最常見的特征,在文獻[4-12]中均有提及與分析。文獻[13]增廣了穩態電流、暫態電流等典型負荷特征,進行降維后形成了負荷空間,并在負荷空間中進行設備的劃分。文獻[14-16]對設備特征進行了分析,使用了諧波特征進行負荷的分類,結果表明效果優于僅使用有功功率與無功功率。然而,這些基于諧波的方法僅是對于部分設備可區分特征的經驗性總結,缺乏可拓展性。

另一類基于暫態波形的負荷辨識方法,一般基于每周波高達幾十次至幾百次不等的高頻率采樣與存儲,在這種高頻采樣的情況下,很容易分辨出不同設備的特定波形與振幅特點[17]。但是由于高頻采樣對通信,存儲與計算帶來的壓力,僅有少量的方法直接基于暫態波形進行負荷辨識[18]。然而,基于高頻測量轉化后的新特征方法被得到了廣泛的應用。包括基于傅立葉變換的特征表達[19-22],基于小波的特征表達[23-25],基于高斯濾波與工業檢測累加求和的邊緣檢測方法[26],以及基于V-I曲線的特征表達[27-31]。另外,這類方法通過對原始高頻采樣數據的加工,從中提取出可辨別性強的特征,并進一步的加以處理。

對于復雜運行狀態中的設備辨識,常用于家庭環境下的聚類模型無法正常工作。來自中科院的結果表明,使用聚類的方法,無法從中得到具體設備的運行信息,僅能獲得多設備整體的運行行為分析[32]。伯明翰大學[33]與牛津大學[34],早稻田大學[35]等進行的類似研究也表明,聚類等方法在較高的測量層級上能夠分析負荷的整體行為,但卻難以分離出具體到設備的行為。因此,較為合理的方法應是在合理的特征層級上,使用具備強特征提取能力的方法進行數據分析。

并且,在復雜設備環境下,由于多種變頻負荷同時運行,會導致負荷的功率狀態在一個較大的范圍內波動,并且,多設備間可能存在運行狀態耦合,從而產生僅與該環境相關,與具體設備無關的額外特征。對此,一種合理的解決方案是針對每一種設備進行針對性的建模與辨識,從而規避模型學習到多臺設備間運行關聯造成的額外特性,影響模型的遷移能力。也即是說,所謂的“單輸入單輸出”模型,在針對復雜設備環境下的負荷辨識,具備積極的意義。

雖然轉化后的特征對負荷的辨識具有積極的意義,但是對這些特征的轉化計算往往無法在測量同時完成,實質上這無法規避高頻采樣帶來的巨大存儲與通信壓力。相對的,本文發現大多數較高等級的電能質量分析設備具備符合IEC 61000-4-30標準的測量,其中包括高頻諧波的幅值,相角等高層次的信息,并且其相對的分析頻率比高頻測量要低得多。基于IEC 61000-4-30標準測量的負荷辨識算法有望成為一個合理的、介于高頻采樣與低頻采樣中的兼具高表達能力與低存儲壓力的合理表達方式。

基于IEC 61000-4-30的測量往往會帶來巨大的特征空間。以日置的某型號電能質量分析儀為例,對三相電的測量而言,其可以每秒生成高達3 537種特征。極高的特征維度為下游的算法帶來了表征的困難,并且顯然會產生維度災難,使得下游的算法面對的數據過于稀疏,降低算法的效率。

為了解決維度過高帶來的問題,文中提出了一種使用皮爾遜相關系數的特征提取方法,并且進一步的,在提取的特征基礎上,使用深度卷積神經網絡作為辨識方法,從而實現了對中壓配電網單設備運行狀態的辨識。此外,為了表明提出算法的性能,將提出的方法與傳統的支持向量機(Support Vector Machine,SVM)、K近鄰分類(K-Nearest Neighbor,KNN)和決策樹(Decision Tree,DT)算法進行了比較。

1 負荷狀態辨識模型

1.1 負荷狀態辨識問題定義

(1)

對典型的非侵入式負荷狀態辨識任務而言,測量點的位置在待辨識負荷的上游。測量點下游其他負荷產生的特征可以認為是與不同特征相關的干擾噪聲,因此式(1)可以添加噪聲項后修正為：

(2)

該式可以表示負荷辨識問題的實質。在給定時間,給定測量特征中通過映射,得到指定負荷狀態的問題可以定義為負荷狀態辨識問題。

1.2 皮爾遜相關系數

皮爾遜相關系數(Pearson Correlation Coefficient)一般用來度量變量之間的線性相關程度。在文中,我們使用皮爾遜相關系數來度量特征時間序列Fi與狀態時間序列S的相關性,用以在含噪多維特征中篩選出與負荷狀態最相關的特征序列。

對于時長為T的特定的特征序列Fi與狀態序列S,為求取兩者間的皮爾遜相關系數,首先求取其均值：

(3)

(4)

以及二者的協方差Cov(Fi,S)和標準差σFi,σS：

(5)

(6)

(7)

最終可以求取得到兩者間的皮爾遜相關系數：

(8)

皮爾遜相關系數的結果ρFi,S∈[-1,1],由于本文中的應用不關心具體是正相關或負相關,只關心兩者間是否有相關關系,因此本文將得到的皮爾遜相關系數取絕對值,使用|ρFi,S|表示二者間的相關程度,該數值越趨于1,則越表示該特征與負荷狀態之間的相關度越高。提取與負荷狀態相關性最高的特征序列,即可完成特征篩選工作。

1.3 特征重映射

由于卷積神經網絡一般需要的輸入為二維多通道矩陣,與測量形成的一維時間序列不符,因此需要對原始測量數據特征重映射為二維多通道矩陣。

對于N維特征時間序列F={F1,F2,…,FN},目標是將其重構為形狀為n×lw的二維矩陣M,其中n為篩選出的特征數目,lw是選擇的時間窗長度。令該二維矩陣表示的特征對應的時間點為tp,則特征重映射過程可用下式表示：

(9)

為了提升特征的表達能力,也可以使用差分特征構建矩陣M：

(10)

經過特征篩選與特征重映射后,特征從多維時間序列變換成為了可供卷積神經網絡處理的類圖像的矩陣特征。

1.4 深度卷積神經網絡

深度卷積神經網絡一般由卷積層,池化層,全連接層,輸出層以及對應的激活函數組成[36]。對于分類任務來說,卷積神經網絡輸入一般為二維多通道的矩陣,輸出為一維向量。

1.4.1 卷積層

使用N表示輸入的批量,Cin表示通道數,H表示矩陣的行數,W表示矩陣的列數。對于一個輸入維度為(N,Cin,H,W)的四維矩陣而言,卷積層可以精確的表達為：

input(Ni,k)

(11)

其中*表示2維滑動點積操作符,i,j分別表示輸出在矩陣中的位置,weight表示權重。一次完整的卷積操作,需要對輸入的每個點周圍分別進行式(11)中的運算。

1.4.2 池化層

文中采用的是全局平均池化,該池化層對每個通道進行計算,給定卷積核的尺寸(kH,kW)后,全局平均池化可以表示如下：

(12)

其中,sw,sh分別指池化層在長與寬方向跨步的步長。

1.4.3 全連接層

全連接層即為數據的線性關系。令輸入向量為x,輸出向量為y,偏置值為b,參數矩陣為A,則線性層可以表示為：

y=xAT+b

(13)

1.4.4 激活函數

本文中采用的激活函數主要為Relu函數,變量含義同上,函數可以表示為：

y=max(0,x)

(14)

1.4.5 深度殘差網絡

深度殘差網絡(Residual Neural Network, ResNet)由何凱明在2015年提出,并在同年獲得了ImageNet大規模視覺識別賽(ImageNet Large Scale Visual Recognition Challenge, ILSVRC)中的圖像分類和物體識別的優勝。該網絡由于采用了殘差結構,所以非常容易優化。具體而言,以34層的深度殘差網絡為例,該網絡的結構如圖1所示。

圖1 34層的深度殘差網絡結構

深度殘差網絡具備卓越的信息提取能力,能夠在圖像中提取出原始數據的高效表征組合。在文中,使用深度殘差網絡來尋找隱含的模式,從而辨識出負荷對應的狀態。并且,通過使用ImageNet預訓練模型的方式,提升小樣本情況下的模型特征提取能力。

1.5 基于深度學習與特征篩選的負荷狀態辨識方法

基于以上幾個部分,提出了一種基于深度學習與特征篩選的負荷狀態辨識方法,如圖2所示。首先針對原始數據,選擇目標測量中可以表征負荷狀態的特征,一般來講可以選擇電流特征。其次,對該負荷狀態表達特征與辨識測量點所產生的特征進行差分,計算兩兩的皮爾遜相關系數,選取相關系數最高的n條數據作為篩選后的特征。隨后,經過特征重映射,將其轉化為深度殘差網絡可以處理的格式,然后進行訓練,最終得到預測模型。

圖2 所提方法的流程圖

在特征重映射與特征篩選過程中,可以通過差分的方式來增強特征的表達能力,從而避免持續的背景功率噪聲對負荷狀態辨識的影響。

值得注意的是,圖2中所述的負荷辨識訓練方法是針對單種負荷而言,對于多測量裝置下接入的不同負荷,可以采取并行的方法進行多設備識別的處理,具體的流程如圖3所示。左側部分是進行訓練的方法,具體而言應將不同設備的運行時在對應的測量表中進行標注,隨后根據設備種類來保存設備的模型,并最終保存入多設備模型庫中。在推理階段,根據需求識別設備的不同,分別對多個表計采集的數據進行推理,并最終合并結果獲取多設備的運行狀態。

2 實驗方法

2.1 數據采集方法

文中的數據集采集自某學校的教學樓,其配電間的連接關系圖如圖4所示。

測量點1為總測量,是該配電所的總進線。測量點2與3測量的是電梯的負荷線。三臺設備之間時間同步,采樣頻率為1 Hz。采樣共進行一周,從周五的17：12至下周五的17：01。在采樣期間,教學樓正常的進行教學工作。文中將電梯電流大于1 A的狀態定義為運行狀態。

計算使用的特征為所采集到的特征種類,包括：電壓、電流、有功功率、無功功率、各次電壓電流的諧波與半諧波的有效值與相角,三相不平衡度等參數的最大值、最小值、平均值。經過統計,每臺設備共產生3 537種有效測量特征。

其中,測量點1的數據用于算法訓練的輸入數據,測量點2與3僅用作算法訓練的結果反饋,以及正確率計算的依據。訓練中不采用所有數據進行訓練,僅采用一周中某幾個小時的數據。文中的訓練僅取一個小時的測試數據,也就是約占全部采集數據的0.59%的數據量測試其在極端小樣本條件下的算法性能。通過僅取白天的運行數據作為訓練,可以測試其在夜晚的泛化性能,進而可以推斷在其他不同時間的推理性能。

2.2 算法性能測試指標

對非侵入式負荷辨識算法,常用實際為正預測為正的真正例(True Positive, TP),實際為負預測為正的假正例(False Positive, FP),實際為正預測為負的假負例(False Negative, FN),實際為負預測為負的真負例(True Negative, TN)作為分類算法性能度量的標準[37]。使用以上四種定義,可以進一步的定義精確率P(Precision)、召回率R(Recall)、準確率A(Accuracy)以及F1-score[38]。

精確率指真正例與所有預測為正的案例的比值,用來表示算法抗誤檢的能力,定義為：

(15)

召回率為所有正測試案例中算法識別為正的比例,表示算法抗漏檢的能力,定義如：

(16)

準確率表示測試中預測正確的案例占全部案例的比值,一般而言準確率是算法優化的第一目標：

(17)

F1-score為一個平衡了精確率與召回率的指標,可以較綜合的反應不平衡數據條件下的算法性能：

(18)

3 實驗結果

電梯的負荷辨識屬于難以使用傳統策略的負荷辨識難題,主要原因在于其有功功率與無功功率的變化范圍十分廣泛,如圖5所示。不同于傳統的單狀態或多狀態負荷,電梯的功率狀態受承載人數,上升或下降,樓層跨度等多種因素影響,呈現出復雜的負荷狀態。

圖5 電梯負荷的有功功率(P)與無功功率(Q)的聯合分布

盡管對電梯的高分辨率能耗進行建模是復雜的[39],但是得益于數據驅動的策略,可以略過建模分析而直接提取出對辨識具有作用的相關特征。本文設定兩種特征策略,一種是使用皮爾遜相關系數對差分的特征向量進行計算,進行特征提取,另一種是采用常規非侵入式負荷辨識算法中的低次電流諧波有效值及相角,兩種特征策略均選擇50種特征作為算法的輸入。通過皮爾遜相關系數,可以提取出與負荷運行狀態高度相關的特征,有助于增強特征的信息密度。

圖6展示了使用皮爾遜相關系數篩選出的相關性最高的9組特征,具備高相關性的數據,其分布應近乎在一條直線上。與圖7中的低次電流諧波特征相比,可以看出前者的變量間具有更高的線性相關度,二者的變化幾乎呈現線性關系。而常規特征中的一些特征與電梯的負荷并不具備十分強烈的相關關系,其實質上輸入對電梯辨識無效的特征。綜合對比圖5與圖6,可以發現使用皮爾遜系數篩選出的特征具備更好的相關性。

圖6 皮爾遜系數法篩選出的特征與電梯電流的聯合分布圖

圖7 常規電流特征與電梯電流的聯合分布圖

在辨識算法上,對比了KNN、SVM、決策樹、Resnet以及預訓練的Resnet共五種模型,運行狀態辨識的準確率結果見圖8,F1-score的結果見圖9。

圖8 0.59%數據量訓練的準確率結果

圖9 0.59%數據量訓練的F1-score

算法辨識的目標是通過總入口處的變壓器采集的數據,判斷電梯是否處于運行狀態。圖9中,可以發現具有最高準確率的模型是經過了預訓練的Resnet模型。除此以外,結果還表明：(1)預訓練的Resnet模型在差分的特征輸入條件下具有較強的學習能力;(2)使用皮爾遜相關系數提取特征對算法水平的提升具有強烈的正效應;(3)即使在小樣本的條件下,通過合適的特征提取方法,也能使得機器學習算法正確的提取出關鍵的特征組合。這在圖8中展現的算法的F1-score比較中更為明顯。對結果的分析說明了結合特征篩選與深度神經網絡的負荷狀態辨識方法的有效性。

4 結束語

本文提出了一種基于皮爾遜相關系數的特征篩選方法與深度神經網絡的復雜設備環境中多狀態負荷狀態辨識方法。該方法能夠在僅提供少量訓練樣本的情況下,取得較高的電梯負荷運行狀態辨識成功率。實驗的結果表明了提出方法的有效性,并且指出：(1)對特征進行差分能夠更有效的幫助機器學習算法對負荷狀態的特征組合進行學習;(2)圖像識別的預訓練對負荷狀態辨識存在積極的效果。在未來的研究中,可以進一步地引入更大范圍的時間依賴關系,從而捕獲負荷的時間尺度上的行為與狀態的關系。