基于特征相似度的家庭用电负荷识别方法

刘 政，肖森林，陈 俊

(重庆理工大学 计算机科学与工程学院， 重庆 400054)

高效、便捷、广泛的电力能源是人们生活不可或缺的一环，也同样是各行各业的主要能源消耗。随着节能理念深入人心和节能意识不断增强，了解家庭用电的运行状态以及用电参考变得非常重要，用户可以根据这些信息实时调整电器的状态，降低成本,提高电能利用率。与此同时，我国智能化电网的蓬勃发展，各种各样且繁多的电器、仪表等接入电力系统，针对电力系统的负荷监测是智能电网的重要特征之一。负荷监测[1]是实时采集电力系统中负荷的电气参数，对参数进行分析监测负荷状态。从整个电力系统的总体角度出发，了解各类负荷的状态参数、用电量等，帮助决策者合理地分配电能,使整个电力系统始终处于髙效的运行状态。

国内外研究中，负荷识别的方法大致分为两类：

第1类为侵入式负荷识别方法[2]。侵入式负荷识别方法是在电器上安装传感器[2]，当电器接入电网中时，利用传感器对电器工作时的相关信息进行记录，从而得到详细数据。这种方式能够精确地得到电器的数据，但需要安装传感器，成本高，电器出现故障时，维护工作量大。

第2类为非侵入式负荷识别方法[2]。这种方法直接在用户总表处获取电压、电流等变化状态信息，以电压电流的变化量作为特征参数辨识负荷的运行状态、参数等[3-6]。与侵入式负荷识别方法相比较，该方法易于实现、节省资源、方便快捷、维护量小。因此，国内外学者在此基础上提出了许多数据处理算法如人工神经网络算法[7]、聚类算法、分析算法[7]等。人工神经网络识别的准确率高，但识别过程繁琐，学习周期长，实时性差。聚类算法从模糊数学发展而来，能准确识别常用的负荷，数目确定，扩展性低。文献[8]提出利用小波分析处理含有谐波成分的电流信号，通过谐波成分含有率识别负荷。文献[9]则根据用电设备投入和切除对电流的扰动信息进行负荷识别，但供电电压的波动和系统内部的波动影响该方法的识别准确性。文献[10]利用K最邻近算法对暂态特征进行分类，通过归类对负荷进行识别。该方法考虑无同时性事件的发生。

针对综上所述的方法，本文提出利用特征相似度负荷识别的方法，将家庭用电的有功功率、无功功率、功率因素角，电流的峰值系数、均方根、畸形率作为负荷识别的特征参数[11]，利用特征参数建立识别模板，将待识别的负荷的特征量与识别模板求取最大相似度，利用最大隶属原则判别负荷的类别，进而了解其运行状态。

1 相似度算法

相似度用于描述数据对象之间相似性的一种测度[12]，相似度在模式识别、数据分析等方面占有很大比重。对象之间的相似性的度量方法有2种：相似系数和距离[13]。在文中，采用相似系数来度量待辨识负荷与模板中负荷之间的相似度。

实测的数据有着不同的物理量量纲，不能进行直接比较。为消除提取的负荷特征量不同物理量纲的影响，需要对数据做出适当的处理。设有m个对象，每个对象包含r个特征量，yi={yi1,yi2,yi3,…,yir}，i=1,2,3,…,r。原始数据矩阵Y={y1,y2,y3,…,ym}T，那么Y可以表示如下：

对原始数据变换的公式如下：

(1)

(2)

(3)

原始数据经过标准差公式变换，数据矩阵可以表示为：

对象i与j之间的相似系数为：

(4)

两个对象之间越相似，两者之间的相似度就越接近于1。相反，相似度就越接近于0[13]。即在公式(4)中，δ越大，两个对象相似程度就越高。

同理，现有n种电器，电器Zi有r个特征量，可表示为Zi=(g1,g2,g3,…,gr)(i=1,2,3,…,n)，待辨识负荷L=fN1,fN2,fN3,…,fNr}。将n种已知电器特征参数与待辨识负荷特征参数构成原始数据矩阵R。原始数据矩阵R经过式(2)～(4)变换为

根据式(4)，采用η=(Zi,L)作为电器模板R′与待辨识负荷L之间的相似系数

(5)

η的值越接近1,表示两个负荷之间相似程度越高。因此，可以通过寻找最大相似度来确定待辨识负荷的类型。

2 家用电器负荷特征量

相似度算法输入参数为负荷的特征参数，文中主要选取稳态电压或电流的特征。在正常状态下，电压是正弦波形，频率在50 Hz上下浮动。当电器出现故障时，电压才会出现突变状态；而电流在没有负荷接入时是正弦波形，当有负荷接入时，电流波形随着电器不同呈现不同的特点。因此，选择电流作为研究对象，并将度量电流的指标峰值系数、均方根、畸形率、有功功率、无功功率作为特征量，通过先对上述的特征量预处理，计算相似度从而识别负荷的类别。

电流稳态特征参数是指电器稳定运行时可提取的电流特征[14]。本节采用的有功功率P和平均无功功率Q的计算方法是傅里叶级数分解方法，有功功率定义为

(6)

φg表示第g次谐波电流滞后电压的相位。同理，无功功率的定义为

(7)

功率因素角φ可以定义为

(8)

电流畸变率是指畸形波形偏离正弦波的程度，常以正弦波形畸变率表示(total harmonic distortion,THD)[14]，其定义为各次谐波有效值的平方和的平方根值与其基波有效值的百分比。电流的总谐波畸变率为ITHD[14],表达式如下：

(9)

(10)

各个电器的电流信号区别，可以利用提取出的负荷的电流信号均方根值、波峰系数来测量[15]，计算公式如下：

(11)

(12)

3 负荷识别方法实现

3.1 负荷特征数据模板建立

实现负荷类别辨识的前提条件是准确可靠的负荷特征数据模板。通过对家庭用电单独运行并在正常工作状态下，对独立运行的用电采集稳定运行的电流信号，通过处理过程将得到的数据存入数据模板，用于待测负荷数据和数据模板进行比较。

3.1.1 模板数据采集

模板数据采集是利用录波仪对常见的家用电器如风扇、台灯、电热水壶、吹风机、台式机电流数据采集，记录的主要数据是电器运行稳定时的电流波形，如图1所示。

图1 台式机稳定运行电流波形

图3 电风扇稳定运行电流波形

图5 电热水壶稳定运行电流波形

3.1.2 模板数据计算

对单独正常运行的负荷采集的电流波形提取特征参数，电器如风扇、台灯、电热水壶、吹风机、台式机电器特征参数如表1所示。

表1 电器特征参数

将表1中的特征参数存储到数据模板中形成X，X作为负荷识别的模板。

3.2 待辨识负荷特征提取

文中利用录波仪录取电流信号，采样频率为20 kHz，把采样的数据按时间顺序进行处理，获取有功功率(P)、无功功率(Q)等特征参数。

3.3 相似度计算及识别

将获取待测负荷的数据与数据模板利用相似度算法计算，获取两者之间的相似度。根据相似度η越大，对象之间相似程度越高确定负荷的类别。

4 实测信号分析

将上述中的2～3种电器接入电路中，利用录波仪对负荷稳定运行状态下的电流波形录取并提取电流的特征参数，利用提取的待识别负荷特征参数与模板进行相似度计算，利用相似度最大原则识别负荷的类别。

4.1 待识别负荷特征参数

表2 待识别负荷特征参数

表3 待识别负荷特征参数

4.2 负荷识别方法结果

表2、表3 待识别负荷的特征参数有着不同的物理量纲，对特征参数经过式(2)～(4)变换得到相似度算法的输入参数，经过相似度算法计算得到如表4、5和图6、7所示的结果。

表4 相似度算法计算结果

表5 相似度算法计算结果

图6 表3负荷识别结果

相似度算法的结果是：相似度越接近于1，相似度越高；相反，越接近于0。从表4可以看出：待识别的负荷2与模板中台灯的相似度为0.958 0，相对于模板中其他负荷的相似度较高；负荷1、负荷3与模板中的负荷的相似度都相对比较低，从而可以识别负荷2为台灯。从表5中可以看出：负荷与模板中吹风机的相似度为0.987 5；电器3与模板中电风扇的相似度为0.936 0，电器2、电器3相对模板中其他电器相似度较低，因此，负荷2、负荷3为吹风机式、电风扇。从表4、表5中的结果可以看出：该方法能够准确、高效地辨识出负荷的类别。

5 结束语

本文选取了较为常见的负荷作为研究对象，通过事先提取稳态特征参数，建立数据库模板，通过比较待识别负荷的特征量与特征模板的相似度来判断负荷的类别、状态等。该方法适用于单个家用电器识别，选择的是负荷处于稳定运行状态下的参数对电器进行识别。然而，从家用电器的实际使用中发现，很多电器在使用时，会出现功率重叠的情况，更加特殊的是多种电器同时投入或切除。接下来的工作是考虑这一类如何进行负荷识别。

[1] 牟龙华,朱国锋,朱吉然.基于智能电网的智能用户端设计[J].电力系统保护与控制，2010,38(21):53-56.

[2] 李坦,杨洪耕,高云.智能电表家用负荷识别技术综述[J].供用电,2011,28(6):39-41.

[3] 黎鹏,余贻鑫.非侵入式负荷在线分解[J].天津大学学报,2009,42(4):303-308.

[4] HART G W.Nonintrusive appliance load monitoring[J].Proceeding of IEEE,2012,80(12):1870-1891.

[5] CHANG H H,LIN C L.A new method for load identification of nonintrusive energy management system in smart hone[C]//2010 IEEE International Conference on e-Business Engineering.Shanghai:IEEE,2010:351-357.

[6] LIN Gu-yuan,LEE Shih-chiang,JIG Wan-rong.Applying power meters for appliance recognition on electric panel[C]//2010 IEEE Conference on Industiral Electronics and Applications.USA:IEEE,2010:2254-2259.

[7] DONG M,MEIRA P C M,XU W.An event window based load monitoring technique for smart meters[J].IEEE Trans on Smart Grid,2012,3(2):787-796.

[8] CHAN W L,SO A T P,LAI L L.Wavelet feature vectors for neural network based on harmonics load recognition[C]//2010 International Conference on Advances in Power System Control,Operation and Management.Hong Kong:[s.n.],2010:511-516.

[9] 余贻鑫,刘博,栾文鹏．非侵入式居民电力负荷监测与分解技术[J]．南方电网技术,2013,7(4)：1-5.

[10] 杨甲甲,赵俊华,文福拴,等.智能电网环境下基于大数据挖掘的居民负荷设备识别与负荷建模[J].电力建设,2016,37(12):11-23.

[11] 程祥,李林芝,吴浩,等.非侵入式负荷监测与分解研究综述[J].电网技术,2016,40(10):3109-3115.

[12] 朱玉全,杨鹤标,孙蕾.数据挖掘技术[M].南京:东南大学出版社,2006.

[13] 李静,杨洪耕.一种用于家用智能电表的负荷识别方法[J].现代电力,2013,30(5):83-90.

[14] 雷冬梅.非侵入式电路故障诊断及家用电器用电状况在线监测算法研究[D].重庆:重庆大学,2012.

[15] 郑小霞,刘庆强,林顺富.面向非干预式负荷监测的居民负荷微观特性研究[J].电力系统保护与控制,2014,42(10):62-70.