基于大數據分析的非侵入式電力負荷數據分類

梁凌宇，黃文琦，袁紅霞，趙翔宇

（南方電網數字電網研究院有限公司，廣東廣州 510700）

非侵入式負荷是電力負荷的主要使用方式之一，非侵入式電力負荷監測通常只要求在電能供應的入口處設置非侵入式監測裝置，可以檢測系統內部負載。采用非侵入式負荷分解方法，能夠防止終端電源中斷，且不需要設置更多的監測裝置。因此，非侵入型電力負荷設備將是未來發電負荷監測開發的主要目標之一。

相關領域學者針對非侵入式電力負荷數據分類進行了研究。文獻[1]基于智能電能表大數據分析確定非侵入式短時多節點負荷預報，對非侵入式多節點短期預報的途徑開展探討，深入研究集聚效應對負載建模與預報的作用，從而實現對非侵入式短時多節點的負荷預報，但此方法運算時間較長，運算量大，效率低。文獻[2]基于深度學習與遷移學習提出公共樓宇中非侵入型負荷，該模式將三種神經網絡并聯連接，并融合網絡特性，通過再學習模塊重新學習融合特性和結果之間的映射關系，完成對非侵入式負荷的分解，該方法在分解過程中所需要的費用較高。

大數據分析方法具有分析數據量大、數據維度高、交互性大等特點。為了解決上述問題，提出基于大數據分析的非侵入式電力負荷數據分類方法。

1 非侵入式電力負荷數據采集和處理

非侵入式電力負荷數據主要從暫態和穩態兩方面進行分解，所以數據采集分為暫態和穩態兩部分。穩態負荷數據主要包括三種負荷數據，分別是阻性負荷、容性負荷和感性負荷數據，對電器重復開關獲取充分的穩態負荷數據后，記錄形成的數據[3-4]。暫態數據采用公共電器作為數據來源，其目標是單獨跟蹤每臺設備的電氣，確定每臺設備改變運行狀態的時間，以此建立暫態負荷數據集[5-6]。建立的負荷數據集如圖1 所示。

圖1 負荷數據集

完成電力負荷數據采集后，采用軟閾值的方式對數據進行去噪處理[7]。對電力負荷數據進行分析，如式（1）所示：

其中，M表示常數對數閾值；n表示電力負荷數據產生的信號長度。根據式（1）得到的閾值函數對電力負荷數據進行去噪處理，如式（2）所示：

其中，S表示去噪后的數據集；Z表示去噪次數；IZ表示去噪前的電力負荷數據[8]。將采集到的暫態數據和穩態數據統一到數據集內部，完成對非侵入式電力負荷數據的采集與處理。

2 非侵入式電力負荷數據分解

通過建立電力負荷分解數學模型對非侵入式電力負荷數據進行分解[9-10]。非侵入式電力負荷分解算法分為兩部分，分別是訓練和測試。訓練過程中，通過諧波分析求取特征參數矩陣上幅值函數的諧波相位角；測量部分過程中，對計算得出的電力系統終端的電壓進行單一負載分析。非侵入式電力負荷數據分解流程如圖2 所示。

圖2 非侵入式電力負荷數據分解流程

在進行訓練時，需要計算供電系統中每個類別的負載獨立運行后的穩態電壓波形，對每個單相負載的穩態電壓波形加以諧波分析，從而得出負載電壓的基波和諧波的頻率、相位等數據，將得到的負荷幅值和相位值填入特征參數矩陣[11-12]。

依靠非侵入式電力負荷分解算法建立電力負荷分解數學模型，當供電電壓達到國家標準規定時，供電負荷為正常工作狀況下的穩態電壓，包含基波和各次諧波，具有一定的統計規律[13-14]。根據傅里葉分析理論，單個負荷工作時的電流可以表示為電流基波和次波的疊加如式（3）所示：

其中，In表示電流基波；i表示單次疊加電流；w表示疊加次數；θ表示電流基波的最初相位角；t表示電流中基波的幅值。通過標幺值的方式表示輸出的各次諧波傳動分量間的聯系[15]。疊加電流基波后得到式（4）：

其中，an表示電流基波疊加前后的比例關系，式（4）為完整的非侵入式電力負荷數據的分解數學模型，其目的是將單獨一種或者一類負荷電流分解成為不同電流基波和各次諧波含量的疊加。當電力系統內只有一種或者一類負荷工作時，可以通過比對不同種類負荷的電流基波和各次諧波參數，構建特征空間，識別正在工作的負荷種類。

3 非侵入式電力負荷數據分類

通過分析分解后的數據對非侵入式電力負荷數據進行分類，基于大數據分析的k 均值聚類法與隨機森林算法對非侵入式電力負荷數據進行分類，分類過程如圖3 所示。

圖3 負荷數據分類過程

根據圖3 可知，負荷數據分類通過聚類分析劃分分解后的非侵入式電力負荷數據，將其分割成多個互斥的簇，通過隨機森林算法對電力負荷數據進行分類。

3.1 相似性度量

采用歐氏距離法對非侵入式電力負荷數據的相似性進行分類，由于電力負荷數據的相似性度量具有特殊性，作為相似性測量的電力負荷信號需要有很大的信噪比，因此必須做好去噪平滑工作。利用相似性度量方法進行比較處理，通過測量電力負荷參數的相似性確定運算距離。

兩種電力負荷數據間的距離是非負的，當且僅當兩個時間序列完全相同時，距離為0。滿足對稱性，如式（5）所示：

其中，m表示電力負荷數據在歐氏距離中的坐標；x、y分別為橫坐標與縱坐標。

根據對稱性分析建立三角不等式，如式（6）所示：

基于以上假設，將電力負荷數據數值作為相似性的表示方式，用對應時間點之間的歐氏距離之和作為距離，完成對電力負荷數據的相似性度量。

3.2 非侵入式電力負荷數據分類

完成相似性度量后，便可利用隨機森林算法對非侵入式電力負荷數據進行分類。采用k 均值聚類方法進行聚類，假定所有電力負荷數據集的平均數為X，而標準差為，則X的標準化因子如式（7）所示：

其中，Xan表示電流基波疊加前后的平均數，Xn表示X的標準化因子。標準化變量的數學期望值為0，而方差則為1[16]。通過簡單推理，可以得出元素間的標準化歐氏距離的方法，如式（8）所示：

根據式（8）確定樣本空間中標準歐氏距離最大的k個樣本，針對樣本進行分類：采用標準歐氏距離計算電力負荷數據集矩陣中元素之間的距離，輸出最大的距離及其樣本的下標，記錄距離最大的兩個樣本作為聚類中心，計算矩陣中各個樣本之間的距離，生成聚類中心，利用隨機森林算法對生成的聚類中心進行分類，以此完成對非侵入式電力負荷數據的分類。

4 實驗研究

為了驗證提出的基于大數據分析的非侵入式電力負荷數據分類方法的有效性，選用某大數據平臺作為實驗對象進行實驗。設定實驗過程中的額定電壓為200 V，額定功率為1 000 W，選擇的功率因數為0.60。實驗環境如圖4 所示。

圖4 實驗環境

根據圖4 可知，實驗的數據集主要來自數據庫，通過FIFO 技術完成中斷和讀寫工作，同時設定攔截器進行信息攔截，利用采集器、顯示器、變壓器和處理器同時處理輸入信號。

利用上述實驗數據檢測電力負荷數據特征，分別得到暫態電力負荷數據特征和穩態電力負荷數據特征，如圖5 所示。

圖5 負荷數據特征

在分析電力負荷數據特征后，利用上述實驗環境，同時選用所提方法和文獻[1]方法、文獻[2]方法進行實驗對比，比較電力負荷的分類誤差，誤差計算公式如下：

其中，Z表示分類誤差；F表示分類的錯誤電力負荷數據；T表示分類的正確電力負荷數據。

設定10 次實驗，得到的誤差分類結果如表1 和表2 所示。

表1 暫態電力負荷數據誤差率實驗結果

表2 穩態電力負荷數據誤差率實驗結果

根據表1 可知，由于暫態電力負荷數據具有極強的不穩定性，文獻[1]方法的誤差率基本在14%以上，文獻[2]方法誤差率始終在20%以上，在完成分類后，仍需要花費大量時間進行篩選，難以達到用戶要求。而所提方法具有很強的分類結果，誤差率始終低于5%，因此實際應用效果更好。

根據表2 可知，由于穩態電力負荷數據具備一定的穩定性，所提方法的分類誤差最小，始終低于0.30%，而文獻[1]方法和文獻[2]方法的誤差始終在5%附近波動，后續仍然花費一定時間進行篩選，消耗成本相對較高。

綜上所述，所提方法對于暫態和穩態電力負荷數據都有較好的分類效果，能夠很好地減少后續篩選時間，降低分類工作成本。

5 結束語

非侵入式電力負荷數據分類能夠提高用戶的用電體驗，并實時監測用電情況，減少經濟成本。并引入大數據分析技術深入分析數據特點，通過實驗證明，所提方法的分類效果較好，可滿足電力負荷數據的分類要求。