基于智能電表的電器用電量分類計量方法研究

梅 凱，蔡高琰，駱德漢，梁炳基

(1.廣東工業(yè)大學(xué) 信息工程學(xué)院，廣東 廣州 510006；2.廣東浩迪創(chuàng)新科技有限公司，廣東 佛山 528200)

0 引言

智能電表是智能電網(wǎng)建設(shè)的基石,也是各家各戶用電計量終端及用電信息中轉(zhuǎn)站[1-2]，為實現(xiàn)需求側(cè)管理[3-4]提供了重要保障。當(dāng)前，智能電表已經(jīng)實現(xiàn)分時計量策略[5]，即按高峰用電和低谷用電分別計算電費，但提供的信息有限，雖能在一定程度上規(guī)范用戶合理用電，但還未實現(xiàn)家用電器用電的分類計量，不能向電力管理部門及用戶提供各類用電器的用電明細(xì)。

目前家用負(fù)荷分類監(jiān)測計量方法分為侵入式及非侵入式兩種[6]。侵入式負(fù)荷分類計量方法是在需要進(jìn)行單獨電量計量的各個用電器上單獨安裝儀表實施計量監(jiān)測，費用較高且操作復(fù)雜；非侵入式負(fù)荷分類計量是在電力線入口處安裝儀表，從而對電路中的電器總特征進(jìn)行采集分析，通過信號處理、模式識別、人工神經(jīng)網(wǎng)絡(luò)[7-9]等復(fù)雜處理方法來辨別出用電器類別，再實施各類負(fù)荷的分類計量[10-11]，該類方法具有一定的優(yōu)越性，但是面對復(fù)雜多樣且功率變化大的家庭用電狀況，分類計量和數(shù)據(jù)識別的難度較大，加上用電環(huán)境及電氣特點，給數(shù)據(jù)識別和分類計量提出了更高的要求，所以特地針對這一場景去開發(fā)這種復(fù)雜的負(fù)荷識別裝置實際價值不高。

因此，本文從實用性及經(jīng)濟(jì)效益角度分析，將通用智能電表的功能擴(kuò)大化[12]，即借助電表的數(shù)據(jù)采集及分析、數(shù)據(jù)傳輸、電量計量等基本功能，結(jié)合非侵入式負(fù)荷識別技術(shù)，并通過SVM分類模型及分類計量策略，實現(xiàn)了家用電器的用電量分類計量。

1 電表端——用電器特征參數(shù)獲取

通常用電設(shè)備正常工作穩(wěn)態(tài)電流存在一定的統(tǒng)計規(guī)律特性，而且根據(jù)基爾霍夫電流定律，一個入口節(jié)點的電流由各個出口支路的電流線性疊加得到。但是，在時域上并不是簡單的幅值相加，還需要考慮到各個用電設(shè)備的相位。如果僅僅根據(jù)時域上的電流電壓等電能參數(shù)來進(jìn)行用電器識別，識別準(zhǔn)確率較低，因此為提高用電器識別準(zhǔn)確率，這里引入信號的頻域表達(dá)理論，將電流信號用一組諧波特征進(jìn)行表征，以此作為用電設(shè)備特征，具體實現(xiàn)流程如圖1所示。

圖1 電表端功能結(jié)構(gòu)圖

本方法中使用FFT(快速傅里葉變換)來實現(xiàn)電流的時域到頻域的轉(zhuǎn)換，考慮到通用智能電表的功能局限性和經(jīng)濟(jì)成本，同時又能滿足波形失真的要求，此處計算到10諧波特征即可。

根據(jù)傅里葉級數(shù)性質(zhì)，無論電流波形多復(fù)雜，都可以將其解構(gòu)成一系列簡單的正弦曲線，這些正弦曲線以基頻的整數(shù)倍頻率出現(xiàn)：假設(shè)任意形狀電流波形I(ωt)的周期為T=2π/ω，可將其分解為：

(1)

其中，a0、an、bn稱為傅里葉級數(shù)的系數(shù)，a0為直流分量，n對應(yīng)n次諧波。求解過程如下：

(2)

(3)

(4)

由上面10次諧波特征的要求，依次把n從0到9取值代入，計算得出電流10諧波特征矩陣f。

設(shè)置功率波動閾值為30 W，即當(dāng)功率波動在30 W范圍內(nèi)，視為電路中正常波動，不做進(jìn)一步處理，當(dāng)電表檢測到電路中產(chǎn)生功率波動超過波動閾值，即視為電路中有用電器被操作。

ΔΡ=|Ρt2-Ρt1|

(5)

其中，Ρt1表示功率波動前電路中的總功率，Ρt2表示產(chǎn)生功率波動后的電路總功率，當(dāng)ΔΡ大于30 W時，通過功率波動前后的兩個電流10諧波特征矩陣相減取絕對值，得到導(dǎo)致產(chǎn)生功率波動的用電器特征矩陣，即：

f用電器=|ft2-ft1|

(6)

同時，記錄10次諧波的增減情況，當(dāng)ft2的基波大于ft1的基波，此時電路中電流增大，表明有新用電器接入；當(dāng)ft2的基波小于ft1的基波，此時電路中電流減小，表明電路中有用電器移除。以此來判定產(chǎn)生的功率告警是用電器的接入還是移除。

最后將增量FFT數(shù)據(jù)、10次諧波增減標(biāo)識、告警時間等相關(guān)電能參數(shù)進(jìn)行信息組幀后上報至后臺服務(wù)器。

2 服務(wù)端——SVM識別模型的訓(xùn)練與建立

使用電表對各類用電器進(jìn)行數(shù)據(jù)采集并進(jìn)行人為標(biāo)記，建立用電器特征信息庫，然后使用SVM分類器進(jìn)行分類訓(xùn)練，選取最優(yōu)模型參數(shù)，建立識別模型，具體流程如圖2所示。

其中，核支持向量機(jī)(SVM)是非常強大的模型，它允許決策邊界很復(fù)雜，即使數(shù)據(jù)只有幾個特征，它在低維數(shù)據(jù)和高維數(shù)據(jù)上的表現(xiàn)也都很好。

圖2 識別模型建立流程

基于SVM的負(fù)荷識別本質(zhì)，即通過選擇核函數(shù)，將訓(xùn)練樣本映射到高維特征空間，再利用SVM在樣本特征空間中找出各類別的特征樣本與其他特征樣本的最優(yōu)分類超平面，從而得到代表各樣本特征的支持向量集。核SVM的重要參數(shù)是正則化參數(shù)C、核的選擇以及與核相關(guān)的參數(shù)，本方法中主要使用的是RBF核，RBF核只有一個參數(shù)gamma,它是高斯核寬度的倒數(shù)，gamma和C控制的都是模型的復(fù)雜度，較大的值都對應(yīng)更為復(fù)雜的模型，因此，這兩個參數(shù)的設(shè)定通常是強烈相關(guān)的，應(yīng)該同時調(diào)節(jié)，此處通過網(wǎng)格遍歷法選出最優(yōu)參數(shù)組合，如圖3所示。

圖3 不同的C和gamma參數(shù)對應(yīng)精度變化

由圖3可知，當(dāng)C=100、gamma=100時，未出現(xiàn)過擬合或欠擬合的情況，訓(xùn)練精度與測試精度均為99%，故將此作為最優(yōu)參數(shù)組合配置到模型中，完成識別模型建立。

3 用電器分類計量策略設(shè)計

通過電表上傳的告警信息與預(yù)先建立的SVM模型進(jìn)行用電器判別，將識別結(jié)果、用戶操作及告警時間存入數(shù)據(jù)庫，再通過數(shù)據(jù)庫查詢聯(lián)合計量策略來實現(xiàn)各類用電器的單獨耗能量計算，流程如圖4所示。

圖4 分類計量流程

通過上述步驟已經(jīng)能夠判定在規(guī)定時間段內(nèi)，各類用電器的投切情況，如果能夠獲取在該時間段內(nèi)各種用電器的工作功率及工作總時間，即可實現(xiàn)分類計量。

其中用電器在工作過程中，實際功率不一定等于額定功率，主要包括以下原因：

(1)額定功率是廠家根據(jù)產(chǎn)品設(shè)計參數(shù)提供的一個最合理的參考值，產(chǎn)品生產(chǎn)的不一致性本身就會造成不同產(chǎn)品個體有誤差和偏離。

(2)實際功率是由外加電壓作用于用電器產(chǎn)生的，外加電壓本身就可能偏離電器的額定電壓，也會造成實際功率的偏離。

(3)額定功率是產(chǎn)品在指定工作條件下的參考值，如果工作條件發(fā)生變化，就會造成實際功率的變化。

基于以上原因，本方案選取該功率波動范圍內(nèi)的平均值作為該用電器的實際運行功率。設(shè)某用電器在波動范圍內(nèi)最大功率為Pmax,最小功率為Pmin,則該用電器的運行功率Pa由下式可得：

(7)

通過查找數(shù)據(jù)庫能夠獲取待查時間段內(nèi)的各用電器的投切情況，由此可求各類用電器的運行時間t。以某一用電器為例，實際情況下待查時間段內(nèi)該用電器投切有多種類型，具體包括以下5種：

(1)在時間段T內(nèi)，該用電器投切記錄完全匹配，即此用電器在時間段T內(nèi)的插入次數(shù)與移除次數(shù)相同，且依次先出現(xiàn)插入后移除，投切情況如圖5所示。

圖5中用電器1在0～t8時間段內(nèi)，發(fā)生兩次投切，且每次接入用電器1后，一段時間后就會移除。圖5只對T時間段進(jìn)行部分描敘，從t8時刻往后，投切情況與之前相似。假設(shè)在整個T時間段內(nèi)，用電器1的完整投切次數(shù)為n,則該用電器在T內(nèi)的運行總時間應(yīng)該是每次投切時間段的疊加，即：

(8)

其中，ti_e表示該用電器在時間段T內(nèi)第i次從電路中移除時間點，ti_s表示該用電器第i次接入電路時間點。

(2)在時間段T內(nèi)，該用電器插入次數(shù)與移除次數(shù)相同，但第一次記錄出現(xiàn)為移除該用電器，最后一次記錄為插入該用電器，中間依次先出現(xiàn)插入后再移除，設(shè)投切匹配數(shù)為n，此時該用電器工作總時間t總滿足：

圖5 用電器投切記錄

(9)

(3)在時間段T內(nèi)，該用電器接入電路次數(shù)大于該用電器移除次數(shù)，即表明該用電器的最后一次記錄為接入電路，前面滿足投切匹配，當(dāng)投切匹配數(shù)為n,則t總滿足：

(10)

(4)在時間段T內(nèi)，該用電器移除次數(shù)大于用電器接入次數(shù)，即表明該用電器的首次記錄為從點中移除，后面滿足投切匹配，當(dāng)投切匹配數(shù)為n，則t總滿足：

(11)

(5)在時間段T內(nèi)，該用電器無任何記錄，表明該用電器在時間段T內(nèi)沒有工作，則t總滿足：

t總=0

(12)

由上可得單一用電器實際運行功率Pa及運行總時間，則時間段T內(nèi)單一用電器的耗能量W為：

W=Pa×t總

(13)

4 數(shù)據(jù)驗證

采用具有上述用電器特征獲取功能的智能電表及服務(wù)端SVM識別模型進(jìn)行實例驗證，選取5類常用家庭用電器，具體包括空調(diào)、熱水壺、電吹風(fēng)、電熱棒、電風(fēng)扇，其中電吹風(fēng)含有2個擋位，對應(yīng)不同功率，因此識別及計算過程中，對不同擋位進(jìn)行區(qū)分。各類用電器運行功率如表1所示，現(xiàn)針對用電器分類計量策略中出現(xiàn)情況依次展開實驗，為保證實驗精確度高，將每次實驗時間段定為1 h，利用分類計量后的各用電器耗能累加和W預(yù)測總與實際耗能量W實際總進(jìn)行對比分析，其中實際耗能量W實際總可由電表直接讀出，觀察誤差結(jié)果，并進(jìn)行原因分析。

表1 用電器運行功率 (W)

(1)從記錄識別結(jié)果的MongoDB數(shù)據(jù)庫中導(dǎo)出數(shù)據(jù)如表2所示，其中各用電器在1 h內(nèi)的插入次數(shù)與移除次數(shù)相同，且依次先出現(xiàn)插入后再移除。

表2 識別記錄1

由表2識別記錄可知在該時間段內(nèi)，各類用電器滿足投切匹配，通過式(8)求得各類用電器實際運行時間，再由用電器運行功率表獲取Pa，依次代入式(13)，求得各用電器耗電量,用電情況如圖6所示。

圖6 分類計量結(jié)果1

(2)從記錄識別結(jié)果的MongoDB數(shù)據(jù)庫中導(dǎo)出數(shù)據(jù)如表3所示，其中各用電器在1 h內(nèi)的插入次數(shù)與移除次數(shù)相同，但存在用電器第一次記錄為移除該用電器，最后一次記錄為插入該用電器，中間依次先出現(xiàn)插入后再移除。

表3 識別記錄2

用電情況如圖7所示。

圖7 分類計量結(jié)果2

(3)從記錄識別結(jié)果的MongoDB數(shù)據(jù)庫中導(dǎo)出數(shù)據(jù)如表4所示，其中存在用電器在1 h內(nèi)的插入次數(shù)與移除次數(shù)不同，且接入電路次數(shù)大于該用電器移除次數(shù)。

表4 識別記錄3

用電情況如圖8所示。

圖8 分類計量結(jié)果3

(4)從記錄識別結(jié)果的MongoDB數(shù)據(jù)庫中導(dǎo)出數(shù)據(jù)如表5所示，其中存在用電器在1 h內(nèi)的插入次數(shù)與移除次數(shù)不同，且該用電器移除電路次數(shù)大于該用電器接入次數(shù)。

表5 識別記錄4

表5(續(xù))

用電情況如圖9所示。

圖9 分類計量結(jié)果4

以上四類實驗結(jié)果表明通過分類計量獲得的預(yù)測值累加耗電量與電表實際計量耗電量存在誤差，具體情況如表6所示。

表6 誤差對比 (kW·h)

理論上W實際總=W預(yù)測總，但在實際情況下，會由于以下幾種情況導(dǎo)致誤差產(chǎn)生：

(1)用電器的實際工作功率為波動狀態(tài)，并不是穩(wěn)定于平均值。

(2)數(shù)據(jù)上報及識別過程存在耗時，導(dǎo)致用電器實際工作時間與計算出的工作時間存在一定的誤差。

(3)計算過程及精度換算造成誤差。

但從表6可知，誤差均控制在4%以內(nèi)，可見在一定的誤差允許范圍內(nèi)，本文方法較好地實現(xiàn)了家用電器的用電量分類計量。

5 結(jié)束語

隨著智能電網(wǎng)的日益成熟及用戶對于能源節(jié)約意識的逐漸增強，電力需求側(cè)對于家庭用電透明化的需求也更加迫切，本文提出了在通用智能電表上實現(xiàn)家用電器的用電量分類計量方法，并進(jìn)行了相關(guān)實驗驗證，雖由于不可控原因存在較小誤差，但實驗結(jié)果還是較好地證明了該方案的可行性。