基于DTW算法與穩(wěn)態(tài)電流波形的非侵入式負(fù)荷辨識方法

祁 兵, 董 超, 武 昕, 崔高穎

(1. 華北電力大學(xué)電氣與電子工程學(xué)院, 北京市 102206; 2. 國網(wǎng)江蘇省電力公司電力科學(xué)研究院, 江蘇省南京市 211103)

0 引言

電力是當(dāng)今社會中應(yīng)用最為廣泛的能源之一。為了給用戶提供更加可靠、綠色的電能和減緩全球變暖及氣候改變所帶來的影響,在智能電網(wǎng)[1-2]中,非侵入式負(fù)荷監(jiān)測(NILM)系統(tǒng)具有廣泛的應(yīng)用前景,能為用戶、電力公司等多方面帶來效益。NILM是指利用安裝在電力入口處的監(jiān)測設(shè)備,分析并處理總負(fù)荷數(shù)據(jù),從而得到系統(tǒng)內(nèi)部用電設(shè)備狀態(tài)的方法。從用戶的角度出發(fā),可為用戶提供故障檢測與診斷、用能方案優(yōu)化服務(wù),實現(xiàn)對用戶用能行為的管理,提高用能效率。從需求側(cè)管理[3-5]的角度出發(fā),提供各負(fù)荷點較為準(zhǔn)確的負(fù)荷構(gòu)成信息及其隨時間變化的情況,為實施需求響應(yīng)提供了基礎(chǔ)信息。從電力決策的角度出發(fā),可以使決策者了解電力系統(tǒng)內(nèi)部各類負(fù)荷的含量和狀態(tài),以及每類負(fù)荷的用電量與用電時間,從而幫助決策者科學(xué)安排負(fù)荷投切,實現(xiàn)電力系統(tǒng)高效、穩(wěn)定運行。從電力規(guī)劃角度出發(fā),可以提供各個層面的電力系統(tǒng)的電力數(shù)據(jù),使規(guī)劃人員能夠了解負(fù)荷的用電規(guī)律及趨勢。

在早期的智能家庭用戶中,家庭網(wǎng)關(guān)連接家用負(fù)荷與分布式新能源設(shè)備,通過安裝在家庭用電負(fù)荷上的檢測裝置識別并分析出家庭用戶的電力能源消耗[6]。這種方法的缺點是被監(jiān)測系統(tǒng)內(nèi)的用電設(shè)備過多時,硬件成本高、安裝和系統(tǒng)維護成本也大幅增加,即便目前家庭設(shè)備用電監(jiān)測裝置可以內(nèi)嵌,或者可用智能插座代替,但其與NILM系統(tǒng)相比,系統(tǒng)結(jié)構(gòu)較為復(fù)雜,安裝和維護也有諸多不便。

與此不同的是非侵入式負(fù)荷識別方法,該方法是指通過檢測用戶的總負(fù)荷數(shù)據(jù),來獲得用戶各個用電設(shè)備的使用情況。相對于傳統(tǒng)的負(fù)荷識別技術(shù),該方法由于其成本低、安裝方便的特點,越來越多的學(xué)者對其進行了深入的研究。特征值提取方面主要分為兩大方面,穩(wěn)態(tài)與暫態(tài)。其中識別方法包括了人工神經(jīng)網(wǎng)絡(luò)算法、聚類分析方法等多種方法。從特征值提取的角度上來講,可以分為兩大類,暫態(tài)特性與穩(wěn)態(tài)特性。

國內(nèi)外學(xué)者對負(fù)荷識別的暫態(tài)特性方面做了很多研究。文獻[7]提出了一種基于疊加擬合與離散變量的編碼粒子群算法(E-PSO)的負(fù)荷識別方法,其利用家庭用電負(fù)荷開啟的一瞬間產(chǎn)生的無功功率尖峰的波形的時期,對多個負(fù)荷疊加的識別具有一定的效果,但是沒法解決不產(chǎn)生或者很小無功功率的負(fù)荷的識別問題。文獻[8]提出了基于家用負(fù)荷開關(guān)暫態(tài)特征識別及其開啟和關(guān)閉的方法,該方法利用暫態(tài)特征的獨特性,計算與模板庫中波形的貼近度從而識別負(fù)荷,但該算法對于多種負(fù)荷同時開啟的情況不能有效的識別。穩(wěn)態(tài)特征提取的非侵入負(fù)荷識別的方法也存在一些研究。文獻[9]中提出了一種利用用電設(shè)備穩(wěn)態(tài)的電流諧波含量特征,構(gòu)造方程組與目標(biāo)函數(shù),求出最優(yōu)解,從而在線確定電力負(fù)荷不同類型用電設(shè)備的功率消耗比例的方法,但該方法只能確定各種用電設(shè)備的功率比例,無法判別出家用電器開啟狀態(tài)。文獻[10]中提出了負(fù)荷印記(LS)、平穩(wěn)區(qū)段與過渡區(qū)段概念以及負(fù)荷分解模型和求解方法。

針對上述問題,本文提出了一種基于穩(wěn)態(tài)負(fù)荷并聯(lián)分流原理得到測試樣本,并與實驗前所建立波形庫的負(fù)荷穩(wěn)態(tài)波形比較,利用動態(tài)時間彎曲(DTW)技術(shù)計算出距離,從而識別負(fù)荷的方法。

本文通過實驗證明了大多數(shù)穩(wěn)態(tài)特征值不滿足特征值可加性準(zhǔn)則，并提出了基于穩(wěn)態(tài)電流波形的可擴展的特征值可加性準(zhǔn)則。利用實測的不同種類負(fù)荷類型的電流波形，驗證了在滿足一定電壓條件的情況下，穩(wěn)態(tài)波形滿足擴展的特征值可加性準(zhǔn)則。同時，基于穩(wěn)態(tài)電流波形的可加性，利用DTW算法進行負(fù)荷識別，降低了在提取穩(wěn)態(tài)電流波形時所產(chǎn)生的相位誤差。

1 基本原理

1.1 非侵入式負(fù)荷識別典型框架

在NILM系統(tǒng)的典型框架中,只要包括數(shù)據(jù)測量、數(shù)據(jù)處理、事件探測、特征提取、負(fù)荷識別五大步驟。本文研究的主要內(nèi)容主要在于負(fù)荷電流穩(wěn)態(tài)波形的特征提取與負(fù)荷識別的兩大方面。

數(shù)據(jù)測量作為NILM系統(tǒng)中的第1步,在家庭或者工商業(yè)用戶的入口處獲得總負(fù)荷的穩(wěn)態(tài)和暫態(tài)信號,數(shù)據(jù)測量硬件必須滿足對信號的采樣頻率的要求。

數(shù)據(jù)處理是NILM系統(tǒng)中的第2步,主要包括去噪及電氣量的計算等。

事件探測是NILM系統(tǒng)中的第3步,目的是為了得知用電設(shè)備的運行狀態(tài)變化情況。

特征提取作為NILM系統(tǒng)中的第4步,在探測到的事件發(fā)生后,從數(shù)據(jù)中提取供負(fù)荷識別的一系列不同的LS特征。本文將負(fù)荷電流穩(wěn)態(tài)作為LS特征,并對其可加性進行研究。

負(fù)荷識別作為NILM系統(tǒng)中的最后一步,將上步提取的特征與已有特征庫中的負(fù)荷特征進行比較,當(dāng)兩者達(dá)到一定的相似度時,就辨識出相應(yīng)的用電設(shè)備。本文中采用DTW算法計算測量樣本與模板庫波形之間的距離,從而實現(xiàn)負(fù)荷識別。

1.2 DTW技術(shù)

DTW技術(shù)主要思想是將一個復(fù)雜的全局最優(yōu)化問題轉(zhuǎn)化為許多局部最優(yōu)化問題,能夠通過將時間軸拉長或者縮短,對不同的時間長度序列進行匹配。DTW算法結(jié)合時間規(guī)整和間距測量計算的非線性規(guī)整技術(shù),運用動態(tài)規(guī)劃思想,按局部最優(yōu)化自動尋求一條路徑(即時間彎曲函數(shù))。沿該路徑兩個特征矢量間的距離最小,則相似度最大[11-13]。

設(shè)采樣點集合X的長度序列為m,Y的長度序列為n,其中X={x1,x2,…,xm},Y={y1,y2,…,yn}。為了使用DTW讓這兩個時間序列非線性對齊,需要構(gòu)造一個m×n階的代價矩陣D,其中矩陣的第(i,j)元素為xi與yj的距離d(i,j)=‖yj-xi‖2,其中‖·‖2表示2范數(shù)。

為了找到兩個序列最佳的匹配,從代價矩陣D的起點(1,1)到終點(m,n)找到一條路徑來使它們之間的累計距離最小。為了得到X與Y之間的最小累計距離,需要構(gòu)建一個新的累計代價矩陣。X與Y之間的累計代價矩陣可以表示為DTW,其元素r(i,j)是關(guān)于局部代價量度的加權(quán)和,如式(1)所示,則代價矩陣DTW中終點r(m,n)的數(shù)值為DTW最小距離。

(1)

將DTW距離量度作為負(fù)荷識別的主要依據(jù),目的是為了在電流穩(wěn)態(tài)波形特征提取中,減小由于電流波形的相位、峰值等的偏差帶來的影響。雖然電流穩(wěn)態(tài)波形的提取滿足一定的條件(該條件在2.3.2節(jié)論述),但是所處理的穩(wěn)態(tài)電流是離散化數(shù)據(jù),波形提取會造成相位上的偏差;人工合成也會造成峰值和相位上的偏差。

2 負(fù)荷穩(wěn)態(tài)電流特征

2.1 負(fù)荷穩(wěn)態(tài)電流的特征值

由負(fù)荷穩(wěn)態(tài)電流所得到的特征值包括峰值、標(biāo)準(zhǔn)差、均方根值及波峰(谷)數(shù),這些特征值都可以作為LS特征,為負(fù)荷識別提供重要的依據(jù),見圖1。圖1中所提取的負(fù)荷電流的特征值是在相同的起始電壓下提取的單一與混合運行的負(fù)荷穩(wěn)態(tài)波形的特征值(保證相同起始電壓的條件在2.3.2節(jié)介紹)。

電流最大值、最小值、均方根和標(biāo)準(zhǔn)差這些特征值都能作為負(fù)荷的LS特征,對單個負(fù)荷進行辨識。但是當(dāng)面對未知的混合負(fù)荷(CL)波形時,由于這些特征值(具體數(shù)值見附錄A表A1)不滿足特征值可加性準(zhǔn)則,無法直接根據(jù)模板庫中的特征值分解出負(fù)荷。

圖1 穩(wěn)態(tài)負(fù)荷電流的波形及特征值Fig.1 Waveforms and eigenvalues of steady-state load currents

2.2 擴展的特征值可加性準(zhǔn)則

文獻[14]提出特征值可加性準(zhǔn)則,其計算式如下:

(2)

式中:fi,j表示負(fù)荷i、特征值j的數(shù)值;Ωj(t)為由K個負(fù)荷同時在t時刻工作的特征值j的數(shù)值總和。

如果t+Δt時刻工作的負(fù)荷l、特征值j的數(shù)值fl,j滿足式(2),則fi,j就滿足特征值可加性準(zhǔn)則。

若特征值滿足特征值可加性準(zhǔn)則,就可以利用其可加性進行負(fù)荷分解，未知的CL就可以直接依據(jù)數(shù)據(jù)庫的特征值分解出負(fù)荷的種類。然而,若特征值不滿足特征值可加性準(zhǔn)則,就無法直接依據(jù)數(shù)據(jù)庫的特征值分解出負(fù)荷的種類。

本文提出擴展的特征值可加性標(biāo)準(zhǔn),其計算公式如式(2)所示,此時Ωj(t)與fi,j不單可以表示一個特征值,也可以表示一個數(shù)列,如Ωj(t)={Ωj,1(t),Ωj,2(t),…,Ωj,n(t)},fi,j={fi,j,1,fi,j,2,…,fi,j,n},Ωj(t)+fi,j={Ωj,1(t)+fi,j,1,Ωj,2(t)+fi,j,2,…,Ωj,n(t)+fi,j,n}。

2.3 電流穩(wěn)態(tài)波形

2.3.1理論基礎(chǔ)

并聯(lián)電路中,電路的總電流等于各支路電流之和。在家庭用戶中,由于家庭用戶電路自身結(jié)構(gòu)所具有的特點,各個家庭用電負(fù)荷基本都是并聯(lián)運行。根據(jù)并聯(lián)電路的基本原理,家庭用戶各用電負(fù)荷的電流之和等于電力入口處的總電流,其中各個用電負(fù)荷的電流之間相互獨立,互不影響。

在國內(nèi),供電電壓采用的是50 Hz的工頻周期電壓,本文所討論的是居民家庭用戶,其電流波形也定是50 Hz的周期量,則依據(jù)傅里葉分析理論,單個負(fù)荷在測量中的電流可分解為:

i=a1sin(wt+θ1)+a2sin(2wt+θ2)+…+

aksin(kwt+θk)

(3)

上式中,等號右側(cè)第1項為基波,其余項為各次諧波,其中,a1,a2,…,ak為基波及各次諧波的幅值；w為基波角頻率；θ1,θ2,…,θk為基波及各次諧波在此測量中的相位角。以上三個量構(gòu)成周期量的三要素,即幅值、頻率、相位角。

同一個負(fù)荷,對其穩(wěn)態(tài)電流多次測量,基波和諧波的幅值和角頻率都是不變的。其中相位角不是恒定的,這是由開始測量時波形的相位不同而造成的。由此可知基波相位角就可以決定整個波形在時間軸上的移動,如果保證每次測量穩(wěn)態(tài)電流的基波相位角保持不變,就可以重構(gòu)出CL運行的穩(wěn)態(tài)波形。

2.3.2提取條件

為了能夠重構(gòu)出CL運行的穩(wěn)態(tài)波形,就必須保證每次測量穩(wěn)態(tài)電流的基波相位角不變。由于穩(wěn)態(tài)電流的基波相位角是由測量時電壓的起始相位所決定,所以只需要保證在同一起始相位角的電壓下測量穩(wěn)態(tài)電流,就能重構(gòu)穩(wěn)態(tài)波形,滿足特征值可加性準(zhǔn)則。

本文中,采用在電壓過零點并上升的位置開始測量電流的穩(wěn)態(tài)波形。該點的電壓所滿足的條件為:

u(j-1)

(4)

|u(j)|<|u(j-1)|

(5)

|u(j-1)|<|u(j+1)|

(6)

式中:u(j)為第j個采樣點的電壓信號。

2.3.3波形疊加

家用電器能耗主要與設(shè)備特點和使用模式有關(guān)。按照功能分類,家用電器大致分為:照明電器、備餐電器、洗熨電器、食品儲存電器、調(diào)溫電器、電視音響電器等。居民用戶設(shè)備的穩(wěn)態(tài)特征取決于設(shè)備內(nèi)部的元器件特征。按照設(shè)備內(nèi)部的元器件特征進行分類,可大致分為電阻性負(fù)荷、整流型負(fù)荷、電動機負(fù)荷以及復(fù)雜結(jié)構(gòu)的負(fù)荷等。

根據(jù)上述4種類型,選取最具代表的用電負(fù)荷進行仿真實驗,其中包括電水壺(電阻性負(fù)荷)、電視機(整流型負(fù)荷)、電風(fēng)扇(電動機負(fù)荷)以及微波爐(復(fù)雜結(jié)構(gòu)的負(fù)荷)。

本文以式(4)至式(6)中所要求的電壓為條件,測量并采集用電負(fù)荷的電流穩(wěn)態(tài)波形,得到結(jié)果如附錄A表A2和表A3所示。附錄A表A2和表A3中顯示了家庭用戶中兩種不同類型負(fù)荷(電視機與熱水壺、電熱扇與微波爐)單獨運行以及混合運行的電壓與電流波形。采集的電壓、電流波形時間均為三個周期,即采樣點數(shù)為600(采樣率為10 kHz的數(shù)據(jù)采集卡)。將負(fù)荷單獨運行的電流穩(wěn)態(tài)波形疊加與混合運行的波形相比較,如附錄A圖A1所示。由圖可得,混合運行與單獨運行疊加的電流波形在幅值與相位上有微小的差別,波形的總體形狀差別不大,滿足擴展的特征值附加標(biāo)準(zhǔn)。

3 實現(xiàn)過程

3.1 建立家用負(fù)荷穩(wěn)態(tài)電流波形庫

家用負(fù)荷穩(wěn)態(tài)電流波形庫的對象為電熱扇、微波爐、吹風(fēng)機、熱水壺負(fù)荷,基本的內(nèi)容為電流處于穩(wěn)態(tài)時的波形。本文使用一個負(fù)荷登記器來采集數(shù)據(jù),提取出穩(wěn)態(tài)電流波形,并為用戶提供負(fù)荷是否被記錄在庫的選擇。

在進行負(fù)荷分解前,對單個家用負(fù)荷單獨的運行情況進行實時監(jiān)測,采集電流穩(wěn)態(tài)波形并以長度為600的數(shù)列進行存儲。本次實驗中,所建立的穩(wěn)態(tài)負(fù)荷波形庫的負(fù)荷包括含了電熱扇、微波爐、熱水壺、電視機4種負(fù)荷。根據(jù)穩(wěn)態(tài)電流負(fù)荷疊加原理,形成了11種混合的穩(wěn)態(tài)電流負(fù)荷波形。模板庫的波形如附錄A圖A2所示。

3.2 家用負(fù)荷分解步驟

本文提出的基于DTW和穩(wěn)態(tài)波形電流的非侵入負(fù)荷識別方法的流程具體如下。

步驟1:采集數(shù)據(jù)。在用戶的用電入口處對負(fù)荷的電壓與電流進行監(jiān)測,當(dāng)電流波形達(dá)到穩(wěn)態(tài)時,開始采集數(shù)據(jù)。

步驟2:判斷電壓是否滿足條件。本文采用電壓過零點并上升的位置來測量穩(wěn)態(tài)電流,其中滿足的條件如式(4)至式(6)所示。

步驟3:存儲電流的穩(wěn)態(tài)波形。本文實驗中采用10 kHz的數(shù)據(jù)采集卡進行采樣,將穩(wěn)態(tài)電流波形的三個周期(即600個點)作為一個樣本進行存儲。

步驟4:提取電流穩(wěn)態(tài)波形Asample與家用負(fù)荷穩(wěn)態(tài)電流波形庫中的模板Amodel進行比較,計算出DTW最小距離。流程圖如圖2所示。

圖2 負(fù)荷穩(wěn)態(tài)波形DTW算法流程圖Fig.2 Flow chart of DTW algorithm of load steady-state waveform

步驟5:將輸出的DTW最小距離進行排序,選出數(shù)值最低的DTW最小距離,則可判定未知負(fù)荷為其所對應(yīng)的模板中所包含的家用負(fù)荷。

4 實例驗證

4.1 計算過程

為了驗證本文方法的正確性,在模擬的家庭用戶的電力入口接入計量儀表記錄其電壓與電流。本次實驗中,對家庭用戶中的用電負(fù)荷進行操作,在電熱扇單獨運行的狀態(tài)下,開啟負(fù)荷電視機。本次實驗中,選用未知的家用負(fù)荷(電視機和熱水壺)混合波形作為樣本波形,在步驟3中分別與穩(wěn)態(tài)電流模板庫中的波形進行比較,計算出DTW最小距離如表1所示。

表1 DTW最小距離計算結(jié)果Table 1 Calculation results of DTW minimum distance

其中,混合波形與模板庫中A5的波形(電視機和熱水壺的疊加波形)比較,DTW最小距離相比其他模板最低,則可以判定負(fù)荷為電視機與熱水壺。若是模板波形里DTW的最小距離小于設(shè)定的閾值(該值通過多次比較模板庫中含有某特定負(fù)荷的單一或者混合波形與其余混合模板波形,計算出多組DTW最小距離,通過經(jīng)驗判斷得出此閾值),則說明未知波形與模板庫中的波形差別太大,可能存在模板庫以外的用電設(shè)備,可以判定未知波形中可能存在未登記的用電設(shè)備。該值與穩(wěn)態(tài)電流模板點數(shù)以及代價矩陣的規(guī)模有關(guān),本文采用的穩(wěn)態(tài)電流模板點數(shù)為300,即3個周期(采樣率10 kHz),經(jīng)過多次仿真實驗可以得出。該值的設(shè)定可以避免由于存在未登記的用電設(shè)備而造成的誤判斷。

表1模板與附錄A圖A2的模板庫中家用電器穩(wěn)態(tài)波形相對應(yīng),A1為電風(fēng)扇,A2為微波爐,A3為熱水壺,A4電視機,A5為熱水壺與電視機,A6電熱扇與電視機,A7為微波爐與電視機,A8為電熱扇與微波爐,A9為電熱扇與熱水壺,A10為微波爐與熱水壺,A11為電熱扇、微波爐與熱水壺,A12為電熱扇、微波爐與電視機,A13為電熱扇、熱水壺與電視機,A14為微波爐、熱水壺與電視機,A15為電熱扇、微波爐、熱水壺與電視機。

4.2 算法效果分析

本文所提出的算法時間與測量穩(wěn)態(tài)波形的點數(shù)及模板庫中穩(wěn)態(tài)波形的模板個數(shù)有關(guān)。測量穩(wěn)態(tài)波形的點數(shù)越多,算法時間延長,效率降低,但辨識的精確度會增加。本文測量穩(wěn)態(tài)波形的點數(shù)為300,選取家庭用戶中電熱扇、微波爐、熱水壺以及電視機4種不同類型的用電設(shè)備組成的模板庫中15個穩(wěn)態(tài)電流模板。由于本文所采用的算法是將未知的負(fù)荷波形逐一與模板庫中的穩(wěn)態(tài)波形進行比較,所以算法時間與穩(wěn)態(tài)波形的點數(shù)、模板庫中模板個數(shù)成正比。其中,穩(wěn)態(tài)波形的模板個數(shù)M與用電設(shè)備的個數(shù)N有關(guān),其關(guān)系式為:

(7)

未知樣本與模板庫中穩(wěn)態(tài)電流波形的比較如圖3所示?？梢?未知的負(fù)荷與模板A5及模板A8的有效值和峰值大致相同,但是未知的負(fù)荷與模板A8在形狀上有差別,與模板A5在相位上有些差別。通過本文所述的算法,將未知的負(fù)荷匹配為模板A5,將未知的負(fù)荷正確地分解為電視機與熱水壺,說明該算法具有一定的可行性。

圖3 未知樣本與模板庫中穩(wěn)態(tài)電流波形比較Fig.3 Comparison of unknown sample and steady-state current waveform in template library

4.3 計算結(jié)果分析

為了計算波形之間的相似度,DTW算法相較于歐式距離降低了在滿足電壓條件下提取穩(wěn)態(tài)電流波形時所帶來的相位間的誤差。

如圖4所示,為使用DTW算法進行穩(wěn)態(tài)波形的識別,此處列出了實例中混合未知的穩(wěn)態(tài)電流波形(電視機和熱水壺波形)(記為波形1)與樣本庫中電視機和熱水壺疊加波形(記為波形2)規(guī)整前與規(guī)整后的波形。從圖4(a)中雖然可以看出兩個時間序列表示同一個負(fù)荷的波形,但是這兩個波形處于不同相位,幅值上也有差別。圖4(b)是經(jīng)過DTW算法規(guī)整后的兩個穩(wěn)態(tài)波形時間序列,在時間軸上規(guī)整到了一起,可見DTW算法在家庭用戶負(fù)荷識別上的優(yōu)越性。

圖4 DTW對穩(wěn)態(tài)波形的動態(tài)規(guī)整Fig.4 Dynamic regulating of steady-state waveform with DTW

4.4 算法對比分析

文獻[15]中,分析家庭用電負(fù)荷中的穩(wěn)態(tài)電流的諧波對應(yīng)的含量時,采用彈性誤差反向傳播(RPROP)算法對樣本進行訓(xùn)練,從而達(dá)到識別的目的。而本文利用電流疊加的原理,分析穩(wěn)態(tài)電流的波形,并形成模板庫。接著,采用DTW算法分析并對比測試樣本與模板庫樣本,從而識別用電負(fù)荷。

由于算法流程上的不同,文獻[15]中對5種家庭用電負(fù)荷進行了辨識。在樣本訓(xùn)練的過程中,選取了400組樣本數(shù)據(jù),每組樣本數(shù)據(jù)中至少包含32個5種電器組合狀態(tài)的樣本數(shù)據(jù)。而本文中,利用電流疊加這一思想,需要在每組樣本數(shù)據(jù)中包含4種電器的樣本數(shù)據(jù)。相比之下,在選取測試樣本時,本文算法避免了電器之間的各種組合狀態(tài),文獻[15]在訓(xùn)練樣本的訓(xùn)練量上是本文算法的2N/N倍。由此可知,家庭用戶中的家用電器數(shù)量越多,則訓(xùn)練量的差距就大。

本文以電壓為標(biāo)志測量家庭用電負(fù)荷的穩(wěn)態(tài)電流,共有160組、每組4個測試數(shù)據(jù)作為算法的輸入,其中每組數(shù)據(jù)中包括了每種電器的開關(guān)或者閉合的操作所測量得到的數(shù)據(jù)。經(jīng)統(tǒng)計發(fā)現(xiàn),有147組測試數(shù)據(jù)的準(zhǔn)確率高達(dá)100%,9組的測試數(shù)據(jù)的準(zhǔn)確率為75%,3組測試數(shù)據(jù)的準(zhǔn)確率為50%,1組測試數(shù)據(jù)的準(zhǔn)確率為25%。因此,家庭用戶用電負(fù)荷的識別準(zhǔn)確率的加權(quán)平均值為97.187 5%,如附錄A表A4和表A5所示。加權(quán)識別準(zhǔn)確率與文獻[14]中的持平,說明該算法具有較高的準(zhǔn)確率。

5 結(jié)語

針對利用電器穩(wěn)態(tài)特征值進行負(fù)荷識別存在的問題,本文提出了一種基于家庭用戶中并聯(lián)電路的結(jié)構(gòu),同時滿足電壓條件提取電流的穩(wěn)態(tài)波形,引入DTW算法,利用該算法計算出波形的相似度,彌補了在提取穩(wěn)態(tài)電流波形時存在的相位與峰值上的誤差,能夠很好地進行負(fù)荷識別。

本文先是通過實驗證明了大多數(shù)穩(wěn)態(tài)特征值，如最大(小)值、均方根等特征值，不滿足特征值可加性準(zhǔn)則。在此基礎(chǔ)上提出了基于穩(wěn)態(tài)電流波形的可擴展的特征值可加行準(zhǔn)則。利用實測的不同種類負(fù)荷類型的電流波形，驗證了在滿足電壓條件的情況下，穩(wěn)態(tài)電流波形滿足擴展的特征值可加行準(zhǔn)則。同時，基于穩(wěn)態(tài)電流波形的可加性，利用DTW算法進行負(fù)荷識別，降低了在提取穩(wěn)態(tài)電流波形時所產(chǎn)生的相位誤差。但是,本文算法存在兩方面的不足：一方面是本文算法的實現(xiàn)前提是需要穩(wěn)態(tài)電流波形,并不適用于居民用戶中復(fù)雜工作模式的變頻用電設(shè)備;另一方面是算法對于電流極小的用電設(shè)備的工作狀態(tài)識別容易誤判。下一步的工作重點在于提高小電流用電設(shè)備混合的辨識準(zhǔn)確性以及算法的適用性。

附錄見本刊網(wǎng)絡(luò)版(http://www.aeps-info.com/aeps/ch/index.aspx)。

[1] 戴攀,鄒家勇,田杰,等.中國電力行業(yè)碳減排綜合優(yōu)化[J].電力系統(tǒng)自動化,2013,37(14):1-6.

DAI Pan, ZOU Jiayong, TIAN Jie, et al. Integrated optimization of CO2emission mitigation in China power sector[J]. Automation of Electric Power Systems, 2013, 37(14): 1-6.

[2] 余貽鑫,劉艷麗.智能電網(wǎng)的挑戰(zhàn)性問題[J].電力系統(tǒng)自動化,2015,39(2):1-5.DOI:10.7500/AEPS20141204007.

YU Yixin, LIU Yanli. Challenging issues of smart grid[J]. Automation of Electric Power Systems, 2015, 39(2): 1-5. DOI: 10.7500/AEPS20141204007.

[3] 梁甜甜,高賜威,王蓓蓓.智能電網(wǎng)下電力需求側(cè)管理應(yīng)用[J].電力自動化設(shè)備,2012,32(5):81-85.

LIANG Tiantian, GAO Ciwei, WANG Beibei. Applications of demand side management in smart grid[J]. Electric Power Automation Equipment, 2012, 32(5): 81-85.

[4] GELLINGS C W. Evolving practice of demand-side management[J]. Journal of Modern Power Systems and Clean Energy, 2017, 5(1): 1-9.

[5] YAN H G, LI B, CHEN S S, et al. Future evolution of automated demand response system in smart grid for low-carbon economy[J]. Journal of Modern Power Systems and Clean Energy, 2015, 3(1): 72-81.

[6] HART G W. Nonintrusive appliance load monitoring[J]. Proceedings of the IEEE, 1993, 80(12): 1870-1891.

[7] 曲朝陽,于華濤,郭曉利.基于開啟瞬時負(fù)荷特征的家電負(fù)荷識別[J].電工技術(shù)學(xué)報,2015,30(增刊1):358-364.

QU Zhaoyang, YU Huatao, GUO Xiaoli. The recognition of appliances instantaneous load[J]. Transactions of China Electrotechnical Society, 2015, 30(Supplement 1): 358-364.

[8] 高云,楊洪耕.基于暫態(tài)特征貼近度匹配的家用負(fù)荷識別[J].電力系統(tǒng)自動化,2013,37(9):54-59.

GAO Yun, YANG Honggeng. Household load identification based on closeness matching of transient characteristics[J]. Automation of Electric Power Systems, 2013, 37(9): 54-59.

[9] YU Y X, LI P, ZHAO C L. Non-intrusive method for on-line power load decomposition[C]// China International Conference on Electricity Distribution, December 10-13, 2008, Guangzhou, China: 8p.

[10] 余貽鑫,劉博,欒文鵬.非侵入式居民電力負(fù)荷監(jiān)測與分解技術(shù)[J].南方電網(wǎng)技術(shù),2013,7(4):1-5.

YU Yixin, LIU Bo, LUAN Wenpeng. Nonintrusive residential load monitoring and decomposition technology[J]. Southern Power System Technology, 2013, 7(4): 1-5.

[11] KOVACS-VAJNA Z M. A fingerprint verification system based on triangular matching and dynamic time warping[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2000, 22(11): 1266-1276.

[12] BERNDT D J, CLIFFORD J. Using dynamic time warping to find patterns in time series[C]// Working Notes of the Knowledge Discovery in Databases Workshop, April 26, 1994, Washington, USA: 359-370.

[13] 楊甲甲,趙俊華,文福拴,等.智能電網(wǎng)環(huán)境下基于大數(shù)據(jù)挖掘的居民負(fù)荷設(shè)備識別與負(fù)荷建模[J].電力建設(shè),2016,37(12):11-23.

YANG Jiajia, ZHAO Junhua, WEN Fushuan, et al. Residential appliance identification and load modeling based on big data mining in smart grid environment[J]. Electric Power Construction, 2016, 37(12): 11-23.

[14] LIANG J, NG S, KENDALL G, et al. Load signature study: Part Ⅰ basic concept, structure and methodology[C]// IEEE Power and Energy Society General Meeting, July 25-29, 2010, Minneapolis, Minnesota, USA: 7p.

[15] 李如意,王曉換,胡美璇,等.RPROP神經(jīng)網(wǎng)絡(luò)在非侵入式負(fù)荷分解中的應(yīng)用[J].電力系統(tǒng)保護與控制,2016,44(7):55-61.

LI Ruyi, WANG Xiaohuan, HU Meixuan, et al. Application of RPROP neural network in nonintrusive load decomposition[J]. Power System Protection and Control, 2016, 44(7): 55-61.

祁 兵(1969—),男,教授,博士生導(dǎo)師,主要研究方向:電力系統(tǒng)通信、智能用電信息處理技術(shù)。E-mail： qbing@ncepu.edu.cn

董 超(1993—),男,通信作者,碩士研究生,主要研究方向:電力系統(tǒng)通信、非侵入式負(fù)荷監(jiān)測技術(shù)。E-mail: 496919312@qq.com

武 昕(1986—),女,講師,主要研究方向:非侵入式負(fù)荷監(jiān)測技術(shù)。E-mail: wuxin07@ncepu.edu.cn