基于雙通道多特征融合的電力負(fù)荷智能感知方法

郇嘉嘉，汪超群，洪海峰，隋 宇，余夢(mèng)澤，潘險(xiǎn)險(xiǎn)

(1. 廣東電網(wǎng)有限責(zé)任公司電網(wǎng)規(guī)劃研究中心，廣州 510080； 2. 浙江大學(xué)電氣工程學(xué)院，杭州 310007)

非侵入式負(fù)荷監(jiān)測(cè)(non-intrusive load moni-toring，NILM)是一種在不侵入用戶內(nèi)部的情況下，通過(guò)安裝于總關(guān)口的用能分析設(shè)備實(shí)現(xiàn)用戶用電行為自動(dòng)感知的方法[1-3]。NILM一般用于能效監(jiān)測(cè)、故障診斷以及需求響應(yīng)等領(lǐng)域[4]，其提供的用電信息對(duì)于用戶了解自身能耗構(gòu)成、引導(dǎo)其調(diào)整用能方式，進(jìn)而實(shí)現(xiàn)節(jié)能降損具有重要價(jià)值[5]。相較于侵入式負(fù)荷監(jiān)測(cè)，NILM無(wú)需深入用戶內(nèi)部為每臺(tái)電器設(shè)備配置分析工具，具有經(jīng)濟(jì)性好、靈活性高以及維護(hù)簡(jiǎn)單等優(yōu)點(diǎn)[6]。因此，近年來(lái)中外研究機(jī)構(gòu)和團(tuán)隊(duì)對(duì)NILM進(jìn)行了深入探索，并取得了大量研究成果[7-8]。

目前，NILM的主要做法是通過(guò)事先提取和學(xué)習(xí)各類電器設(shè)備電壓或電流信號(hào)中所蘊(yùn)含的基本特征來(lái)進(jìn)行用能識(shí)別。常用的電氣特征包括數(shù)值特征和圖像特征[9]兩類。其中數(shù)值特征分為有功、無(wú)功、諧波和電流，圖像特征則主要指電壓-電流(V-I)軌跡及對(duì)應(yīng)網(wǎng)格化后的圖像[10]。文獻(xiàn)[11]將電器穩(wěn)態(tài)運(yùn)行時(shí)的電流作為負(fù)荷特征，建立了負(fù)荷總電流與各電器電流關(guān)系的數(shù)學(xué)模型，并采用差分進(jìn)化算法求得各電器開啟系數(shù)，成功實(shí)現(xiàn)了居民用戶的負(fù)荷分解。文獻(xiàn)[12]通過(guò)對(duì)各類電器設(shè)備的功率數(shù)據(jù)進(jìn)行聚類分析，提出了以聚類中心為功率特征的負(fù)荷識(shí)別方法。但是該方法對(duì)于功率相近的設(shè)備難以做到有效區(qū)分。文獻(xiàn)[13]基于離散傅里葉變換提取了電流的奇次諧波特征，并從識(shí)別精度、訓(xùn)練時(shí)間、抗噪性能等方面對(duì)比了4種負(fù)荷分類模型。計(jì)算結(jié)果顯示，將諧波特征用于負(fù)荷分類，可以對(duì)各類非線性負(fù)載起到較好的分類效果，但是諧波無(wú)法反映設(shè)備的阻抗特性，對(duì)于多狀態(tài)負(fù)荷的識(shí)別效果較差[9]。文獻(xiàn)[14]采用二維電壓-電流軌跡來(lái)表征家用電器的負(fù)荷特征，其主要做法是根據(jù)V-I軌跡呈現(xiàn)的形狀特點(diǎn)，從中提取8種形狀參數(shù)作為區(qū)分不同類別電器設(shè)備的依據(jù)?？紤]到形狀參數(shù)的提取過(guò)程較為復(fù)雜，且降維后的形狀參數(shù)相對(duì)原始軌跡難免有所失真，因此文獻(xiàn)[15]在文獻(xiàn)[14]的基礎(chǔ)上，將V-I軌跡直接映射為具有一定分辨率的二值網(wǎng)格圖像，在盡可能保留原始軌跡信息的同時(shí)提高了負(fù)荷識(shí)別的精度。雖然二值圖像相比形狀參數(shù)的保真度更高，但是歸一化處理和較低的圖像分辨率導(dǎo)致其無(wú)法反映設(shè)備的高頻和功率等信息。

針對(duì)以上研究不足，現(xiàn)提出一種基于雙通道多特征融合的負(fù)荷智能感知方法。其主要思想是結(jié)合數(shù)值特征與圖像特征各自的優(yōu)勢(shì)，分別將其送入兩個(gè)通道進(jìn)行高級(jí)特征提取。通過(guò)利用主成分分析-神經(jīng)網(wǎng)絡(luò)(principal component analysis-back propagation，PCA-BP)算法和卷積神經(jīng)網(wǎng)絡(luò)算法[16]對(duì)數(shù)值和圖像的強(qiáng)大學(xué)習(xí)能力實(shí)現(xiàn)兩類特征在高維空間的深度融合。最后借助于Softmax分類算法對(duì)融合后的高維特征進(jìn)行訓(xùn)練學(xué)習(xí)，以期實(shí)現(xiàn)各類電器設(shè)備的準(zhǔn)確辨識(shí)。以PLAID數(shù)據(jù)集為例對(duì)上述方法進(jìn)行測(cè)試，通過(guò)研究訓(xùn)練次數(shù)對(duì)負(fù)荷識(shí)別精度的影響，確定算法的最佳迭代次數(shù)；然后，研究不同特征方案下負(fù)荷識(shí)別方法的優(yōu)劣，并與其他文獻(xiàn)中的方法進(jìn)行比較，以驗(yàn)證本文方法的有效性。

1 多特征融合負(fù)荷識(shí)別方法

所提出的NILM方法分為數(shù)據(jù)采集、特征提取、模型訓(xùn)練以及用能識(shí)別等環(huán)節(jié)。其中，數(shù)據(jù)采集環(huán)節(jié)負(fù)責(zé)對(duì)各類電器設(shè)備的運(yùn)行數(shù)據(jù)進(jìn)行采樣和存儲(chǔ)；特征提取環(huán)節(jié)則利用信號(hào)分析和電路理論從采集的信息中提煉出有價(jià)值的數(shù)據(jù)和指標(biāo)，用以區(qū)分不同類別的電器設(shè)備；模型訓(xùn)練的作用是基于人工神經(jīng)網(wǎng)絡(luò)方法對(duì)提取到的特征進(jìn)行反復(fù)學(xué)習(xí)，從而逐步掌握識(shí)別各類電器的能力；用能識(shí)別環(huán)節(jié)則借助訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對(duì)用戶用能行為進(jìn)行在線感知。

1.1 數(shù)據(jù)采集

數(shù)據(jù)采集的主要功能是利用電流鉗、電壓探針、高頻示波器組成的采集系統(tǒng)對(duì)各類家用電器(包括冰箱、空調(diào)、熱水器、白熾燈等)的電壓和電流波形進(jìn)行采樣和存儲(chǔ)。某型號(hào)冰箱的運(yùn)行采樣數(shù)據(jù)如圖 1所示。該數(shù)據(jù)包括設(shè)備啟用前后的暫態(tài)信號(hào)和穩(wěn)態(tài)信號(hào)。由于暫態(tài)分析方法對(duì)采樣頻率要求很高，在實(shí)際應(yīng)用中存在各種限制。因此，主要截取穩(wěn)態(tài)信號(hào)進(jìn)行特征提取和用能分析。

圖 1 某臺(tái)冰箱運(yùn)行采樣數(shù)據(jù)Fig.1 Sampling data of a refrigerator

1.2 特征提取

1.2.1V-I軌跡特征

V-I軌跡是指設(shè)備穩(wěn)態(tài)運(yùn)行時(shí)，根據(jù)其電壓和電流波形繪制而成的二維軌跡。該軌跡對(duì)于多數(shù)不同工作原理的設(shè)備表現(xiàn)出獨(dú)特的形狀。因此，可利用形狀之間的差異作為負(fù)荷分類依據(jù)。傳統(tǒng)的V-I軌跡法將二維軌跡轉(zhuǎn)化為一維形狀指標(biāo)進(jìn)行分類辨識(shí)，不僅提取過(guò)程復(fù)雜，而且降維后難以全面反映其原始特征[9]。對(duì)此，一種有效的解決方案是將原V-I軌跡映射為具有一定分辨率的二維圖像矩陣，在簡(jiǎn)化計(jì)算的同時(shí)盡可能保留其原始特征。采用該方法構(gòu)造二值網(wǎng)格圖像，具體如下。

圖 2 各類電器設(shè)備的V-I軌跡圖像Fig.2 Binary image of V-I trajectory of various electrical equipment

(1)根據(jù)單個(gè)電器啟用前后的電壓和電流差值提取出電器穩(wěn)態(tài)運(yùn)行時(shí)的電壓和電流波形。

(2)假設(shè)一個(gè)周期內(nèi)有N個(gè)采樣點(diǎn)，當(dāng)圖像的分辨率為M×M時(shí)，將電壓和電流采樣值線性映射為0～M內(nèi)的整數(shù)，即

(1)

(2)

式中：n=1，2，…，N；vn、in分別為第n個(gè)采樣點(diǎn)的電壓和電流值；v′n、i′n為轉(zhuǎn)化后的電壓和電流值；vmin、vmax分別為所有采樣點(diǎn)中電壓的最小和最大值；imin、imax分別為所有采樣點(diǎn)中電流的最小和最大值；?·」為向下取整。

(3)構(gòu)造維度為M×M的零矩陣，然后從第一個(gè)采樣點(diǎn)開始，逐一取出所有樣本點(diǎn)的值，并將矩陣中第i′n行第v′n列元素置1，直至最后一個(gè)樣本點(diǎn)。所得到的M階矩陣即為二維V-I軌跡的像素矩陣。

根據(jù)上述方法，對(duì)11類常用電器設(shè)備的V-I軌跡和圖像進(jìn)行構(gòu)造，結(jié)果如圖 2所示?？梢?，大部分設(shè)備的V-I軌跡差異明顯，但仍有少數(shù)設(shè)備的軌跡相似(如吹風(fēng)機(jī)和白熾燈，空調(diào)和電風(fēng)扇等)。考慮到V-I圖像的分辨率較低(一般遠(yuǎn)小于采樣頻率)，且電壓、電流經(jīng)過(guò)了縮放，導(dǎo)致其無(wú)法反映設(shè)備的高頻和功率等信息。因此，為了提高負(fù)荷識(shí)別的準(zhǔn)確率，可將多種特征包括V-I軌跡、原始電流波形、諧波以及有/無(wú)功功率進(jìn)行融合擴(kuò)展，以增強(qiáng)分類算法的學(xué)習(xí)和辨識(shí)能力。

1.2.2 電流特征

電流特征為一個(gè)穩(wěn)態(tài)周期內(nèi)設(shè)備電流的采樣波形。在構(gòu)造電流特征的過(guò)程中，要求所有設(shè)備的電流波形統(tǒng)一從0(或接近于0的數(shù))開始增加，以便于后續(xù)進(jìn)行訓(xùn)練和識(shí)別。此外，為了降低噪聲和壞數(shù)據(jù)的影響，可將多個(gè)穩(wěn)態(tài)周期內(nèi)的電流值對(duì)應(yīng)相加取平均，從而得到一個(gè)周期內(nèi)的平均電流采樣值。依據(jù)以上方法，可得到歸一化后上述11類電器設(shè)備的電流波形，如圖 3所示?？梢钥吹?，各類設(shè)備的電流波形區(qū)別明顯，特別是熒光燈、計(jì)算機(jī)和洗衣機(jī)等設(shè)備的波形出現(xiàn)了明顯的畸變。

1.2.3 諧波特征

通常，電力電子元件在各類家用電器中普遍存在，導(dǎo)致相應(yīng)設(shè)備在整體上表現(xiàn)為一個(gè)非線性的負(fù)載。在正弦電壓的作用下，非線性負(fù)載會(huì)產(chǎn)生大量的諧波電流。對(duì)于不同類別的電器設(shè)備，各次諧波電流的含有率差異較大。為說(shuō)明該現(xiàn)象，給出了11類電器設(shè)備的諧波電流分布，具體如圖 4所示。由圖4可知，微波爐的3次和5次諧波較為嚴(yán)重，計(jì)算機(jī)的3、5、7、9次諧波含量均較大，而空調(diào)、白熾燈、加熱器等設(shè)備的各次諧波含量較少。

圖 5 各類電器設(shè)備的功率分布Fig.5 Power distribution of various electrical equipment

圖 4 各類電器設(shè)備的諧波分布Fig.4 Harmonic distribution of various electrical equipment

采用離散傅里葉變換(discrete Fourier transform，DFT)提取電流和電壓信號(hào)的諧波特征。DFT是數(shù)字信號(hào)處理領(lǐng)域最基本的方法之一，它可以根據(jù)一系列的離散數(shù)據(jù)采樣點(diǎn)獲取原始信號(hào)的時(shí)域和頻域特征。對(duì)于某個(gè)穩(wěn)態(tài)周期內(nèi)的離散電流采樣值，采用傅里葉變換可得到其k階頻域信號(hào)X(k)及對(duì)應(yīng)的幅值|X(k)|和相角arg[X(k)]，即

(3)

(4)

arg[X(k)]=arctan(bk/ak)

(5)

式中：ak、bk分別為X(k)的實(shí)部和虛部，具體為

(6)

(7)

|X(k)|即為k次諧波特征。進(jìn)一步地，電流信號(hào)的時(shí)域形式可表示為

表 1 神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置Table1 Neural network parameter settings

(8)

各次諧波電流的有效值、相角與其k階頻域信號(hào)的關(guān)系為

(9)

(10)

(11)

電壓信號(hào)的時(shí)域形式同樣可以通過(guò)上述方法得到。

1.2.4 功率特征

功率特征分為有功功率和無(wú)功功率兩種。其中有功特征反映了電器設(shè)備的能耗大小。利用該特征可以對(duì)能耗相差較大的設(shè)備進(jìn)行有效區(qū)分。無(wú)功特征則體現(xiàn)了設(shè)備的阻抗特性。利用該特征能夠?qū)哂胁煌杩固匦?電阻型、電感型、電容型)的電器設(shè)備起到較好的分類效果。

考慮到諧波分量的存在，可根據(jù)設(shè)備電壓和電流的時(shí)域形式計(jì)算其有功和無(wú)功功率，即

(12)

(13)

利用式(12)和式(13)對(duì)各類設(shè)備的運(yùn)行功率進(jìn)行計(jì)算，每類設(shè)備隨機(jī)選取5個(gè)樣本，得到其功率分布如圖 5所示。由圖5可知，白熾燈、熒光燈和計(jì)算機(jī)的功率較小，且分布相對(duì)集中；洗衣機(jī)的有功和無(wú)功耗量均較大，其用能呈現(xiàn)出明顯的阻-感特性；吹風(fēng)機(jī)和加熱器主要消耗有功，無(wú)功耗量非常小，因此可將其歸類為電阻型負(fù)載；相對(duì)其他設(shè)備，空調(diào)的功率分布較為分散，在0.1～2.5kW均有分布，這是因?yàn)榭照{(diào)可以在多種工作模式下運(yùn)行(例如設(shè)置不同的制冷/制熱溫度)，是一類典型的變工況設(shè)備。

1.3 模型訓(xùn)練

1.3.1 網(wǎng)絡(luò)訓(xùn)練

在上述4種特征中，二維V-I軌跡為圖像特征，其余均為一維化的數(shù)值特征。這兩類特征從不同的角度展示了設(shè)備之間的屬性差異，若能將其加以融合則可以顯著增強(qiáng)算法的負(fù)荷識(shí)別能力。近年來(lái)，卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別領(lǐng)域取得了巨大的成功，而傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法對(duì)一維數(shù)據(jù)的擬合效果較好。故此，可采用雙通道的思想，將圖像特征和數(shù)值特征以不同的通道在高維空間進(jìn)行融合，則能更加全面、立體地揭示各類設(shè)備的本質(zhì)特征。

基于上述思想，采用卷積和BP神經(jīng)網(wǎng)絡(luò)算法構(gòu)建了一種雙通道多特征融合模型，其基本結(jié)構(gòu)如圖 6所示。其中，BP神經(jīng)網(wǎng)絡(luò)作為通道1，通過(guò)隱含層提取功率、電流、諧波等輸入信息中所蘊(yùn)含的高級(jí)抽象特征；而卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)作為通道2，其通過(guò)卷積層和池化層從V-I軌跡中學(xué)習(xí)復(fù)雜的形狀參數(shù)。兩個(gè)通道獨(dú)立提取電器設(shè)備的不同屬性特征，然后將這些特征向量進(jìn)行拼接融合，最后通過(guò)全連接層和Softmax函數(shù)實(shí)現(xiàn)不同類別電器設(shè)備的有效辨識(shí)。

圖 6 雙通道多特征融合負(fù)荷識(shí)別Fig.6 Multi feature fusion structure with dual channel

BP、CNN與Softmax算法的相關(guān)參數(shù)設(shè)置如表 1所示。通道1的輸入為524個(gè)初級(jí)特征，它包括500個(gè)電流、22個(gè)諧波以及2個(gè)功率特征；通道2的輸入為28×28的二維V-I軌跡圖像；分類算法采用單隱含層的Softmax分類，其輸入為通道1和通道2形成的融合特征，總維數(shù)為384。通道1、通道2以及Softmax分類的輸出層維度均為11，它表示該算法可以區(qū)分11類電器設(shè)備。

1.3.2 數(shù)據(jù)降維

由于通道1的輸入特征維數(shù)較大，容易導(dǎo)致過(guò)擬合與訓(xùn)練時(shí)間長(zhǎng)的現(xiàn)象產(chǎn)生。針對(duì)該問(wèn)題，采用主成分分析(principal components analysis，PCA)方法，在保留主要信息(如99.9%的有效信息)的同時(shí)通過(guò)剔除冗余數(shù)據(jù)以實(shí)現(xiàn)特征降維。PCA方法的流程如下。

(1)已知m個(gè)n維特征S:x(1)，x(2)，…，x(m)，其中第i個(gè)樣本x(i)∈Rn×1有n個(gè)特征。

(3)計(jì)算m個(gè)樣本的協(xié)方差矩陣XXT，然后對(duì)矩陣XXT進(jìn)行特征值分解，得到n個(gè)特征值和特征向量。

(4)將n個(gè)特征值由大到小排列，然后選取前n′個(gè)特征值(λ1，λ2，…，λn′)及對(duì)應(yīng)的特征向量(w1，w2，…，wn′)，使得式(14)成立。

(14)

(5)將n′個(gè)特征向量標(biāo)準(zhǔn)化，以形成特征矩陣W。

(6)對(duì)n維空間樣本集中的每一個(gè)x(i)，轉(zhuǎn)換為n′維空間內(nèi)新的樣本，即z(i)=WTx(i)。樣本集S′:z(1)，z(2)，…，z(m)即為降維后的樣本集合。

1.3.3 訓(xùn)練方法

選取交叉熵函數(shù)作為最小損失函數(shù)，優(yōu)化方法為隨機(jī)梯度下降法，學(xué)習(xí)速率取1.0×10-4，丟棄率為0.2，批次數(shù)量為100。具體訓(xùn)練步驟如下。

(1)根據(jù)1.1和1.2節(jié)中的方法，提取V-I圖像特征和電流、諧波、功率等數(shù)值特征，并對(duì)數(shù)值特征進(jìn)行歸一化和PCA降維處理。

(2)構(gòu)建雙通道網(wǎng)絡(luò)，將數(shù)值特征、圖像特征分別送入對(duì)應(yīng)的通道，然后以電器類別為標(biāo)簽進(jìn)行有監(jiān)督地訓(xùn)練。

(3)訓(xùn)練完成后，將通道1的隱含層輸出和通道2的全連接層輸出合并為一維向量，得到由圖像和數(shù)值組成的復(fù)合特征。

(4)以復(fù)合特征為輸入，以電器類別為標(biāo)簽，訓(xùn)練Softmax分類網(wǎng)絡(luò)進(jìn)行正確負(fù)荷識(shí)別。

2 算例測(cè)試及分析

2.1 算例說(shuō)明

采用PLAID數(shù)據(jù)集[17]對(duì)本文方法進(jìn)行測(cè)試。PLAID數(shù)據(jù)集覆蓋11類共235臺(tái)獨(dú)立設(shè)備的電壓-電流波形數(shù)據(jù)，采樣頻率為30kHz，總樣本數(shù)為1 074 組?？紤]到PLAID數(shù)據(jù)集中不同類別電器的樣本數(shù)相差較大，若直接進(jìn)行訓(xùn)練識(shí)別可能導(dǎo)致部分設(shè)備的辨識(shí)效果不佳。為此，采用Borderline1-SMOTE[18]過(guò)采樣技術(shù)對(duì)少數(shù)類樣本進(jìn)行合成擴(kuò)充，擴(kuò)充后的總樣本數(shù)為1 925。隨機(jī)從擴(kuò)充的樣本集中選取220個(gè)樣本組成測(cè)試集(每類設(shè)備測(cè)試20個(gè))，剩余1 705個(gè)樣本作為訓(xùn)練集。

在開始訓(xùn)練之前，定義負(fù)荷識(shí)別準(zhǔn)確率(精度)指標(biāo)ε，該指標(biāo)表示分類正確的樣本數(shù)ntrue與總測(cè)試樣本數(shù)ntest之比，即

(15)

2.2 結(jié)果分析

為定量分析訓(xùn)練次數(shù)對(duì)算法性能的影響，繪制了識(shí)別精度和損失值隨訓(xùn)練次數(shù)的變化曲線，如圖 7所示?？梢钥吹?，在迭代初期，隨著訓(xùn)練次數(shù)增加，損失函數(shù)值逐漸減小，訓(xùn)練集和測(cè)試集的識(shí)別精度也隨之不斷增加。當(dāng)?shù)螖?shù)超過(guò)200 次時(shí)，無(wú)論是損失函數(shù)還是訓(xùn)練集和測(cè)試集的識(shí)別精度均趨于穩(wěn)定，Softmax分類算法的識(shí)別性能將不會(huì)發(fā)生大的變化?；谝陨戏治?，可將訓(xùn)練次數(shù)設(shè)置為200 次，即可獲得較為滿意的識(shí)別效果。

圖 7 訓(xùn)練次數(shù)對(duì)算法性能的影響Fig.7 Influence of training times on algorithm performance

考慮到電流、諧波、功率等數(shù)值特征的總維數(shù)較大，影響了BP算法的訓(xùn)練速度。為此，采用主成分分析方法對(duì)輸入通道1的數(shù)值特征進(jìn)行了降維處理。降維后，數(shù)值特征的總維數(shù)由524減少為120，對(duì)應(yīng)測(cè)試集的精度僅下降了1.36%，而訓(xùn)練速度則提升了90%以上。降維后的二維電流和諧波分布如圖 8所示。

圖 8 降維后電流和諧波特征的二維分布Fig.8 Distribution of current and harmonic characteristics after dimensionality reduction

負(fù)荷識(shí)別的精度與分類算法的輸入特征有關(guān)。對(duì)3種特征方案進(jìn)行了測(cè)試，得到識(shí)別結(jié)果如圖 9所示。具體地，圖 9(a)、圖9(b)分別為采用數(shù)值特征和圖像特征進(jìn)行識(shí)別時(shí)得到的混淆矩陣，圖 9(c)為采用數(shù)值與圖像復(fù)合特征得到的混淆矩陣。單元格中的數(shù)字表示設(shè)備的數(shù)量，橫坐標(biāo)表示設(shè)備的預(yù)測(cè)類別標(biāo)簽，縱坐標(biāo)表示電器的真實(shí)類別標(biāo)簽。矩陣中的每一行之和代表測(cè)試集中該類別電器的樣本數(shù)量；每一列之和代表被預(yù)測(cè)為該類別電器的樣本數(shù)量。

圖 9 不同特征方案下的混淆矩陣Fig.9 Confusion matrix under different feature schemes

表 2 不同方法的負(fù)荷識(shí)別精度對(duì)比Table2 Comparison of load identification accuracy of different methods

表 3 不同方法的設(shè)備識(shí)別精度Table3 Equipment identification accuracy of different methods

由圖 9可知，僅使用數(shù)值特征進(jìn)行負(fù)荷識(shí)別時(shí)的準(zhǔn)確率為84.09%，使用V-I圖像特征進(jìn)行負(fù)荷識(shí)別的準(zhǔn)確率為87.27%，而采用數(shù)值與圖像復(fù)合特征識(shí)別的準(zhǔn)確率則高達(dá)94.55%。對(duì)比圖 9(a)和圖 9(b)，兩種測(cè)試場(chǎng)景的負(fù)荷識(shí)別結(jié)果呈現(xiàn)一定的互補(bǔ)性。具體表現(xiàn)在：?jiǎn)为?dú)采用數(shù)值特征進(jìn)行負(fù)荷識(shí)別時(shí)被錯(cuò)誤分類的吸塵器和洗衣機(jī)能夠在使用圖像特征時(shí)被正確識(shí)別；單獨(dú)采用圖像特征進(jìn)行負(fù)荷識(shí)別時(shí)被錯(cuò)誤分類的電風(fēng)扇和加熱器也能在使用數(shù)值特征時(shí)被正確識(shí)別。相對(duì)于使用單一數(shù)值特征或圖像特征，將兩種特征進(jìn)行融合識(shí)別可以減少錯(cuò)誤分類數(shù)，提高辨識(shí)的準(zhǔn)確率。例如，圖 9(c)中冰箱和吹風(fēng)機(jī)的分類正確數(shù)較之使用單一特征時(shí)有所上升。以上測(cè)試結(jié)果表明，基于雙通道多特征融合的電力負(fù)荷識(shí)別方法可以充分利用各類特征之間的互補(bǔ)性，有效克服單一特征無(wú)法全面反映設(shè)備自身屬性的缺點(diǎn)，從而顯著增強(qiáng)負(fù)荷分類算法的識(shí)別能力。

負(fù)荷識(shí)別的精度還與算法的自身性質(zhì)有關(guān)。隨機(jī)森林選取了4種常見負(fù)荷分類算法，并與本文方法進(jìn)行對(duì)比，結(jié)果如表 2所示。表2中，KNN、SVM和隨機(jī)森林分別為K近鄰、支持向量機(jī)以及隨機(jī)森林算法。由表2可知，當(dāng)使用數(shù)值特征或圖像特征進(jìn)行負(fù)荷識(shí)別時(shí)，Softmax、隨機(jī)森林和KNN算法的識(shí)別性能較好。當(dāng)采用復(fù)合特征進(jìn)行識(shí)別時(shí)，Softmax、隨機(jī)森林、SVM和貝葉斯算法的識(shí)別精度均有所提高，而K近鄰算法的識(shí)別精度低于單一特征識(shí)別時(shí)的精度，說(shuō)明該方法不適用于多特征融合。無(wú)論采用單一特征還是復(fù)合特征，Softmax分類算法的識(shí)別性能均優(yōu)于其他方法，該結(jié)果充分說(shuō)明了Softmax算法的強(qiáng)大學(xué)習(xí)和分類能力。

為進(jìn)一步說(shuō)明本文方法的優(yōu)勢(shì)，將設(shè)備識(shí)別結(jié)果與其他文獻(xiàn)中的結(jié)果進(jìn)行比較，具體如表 3所示。其中文獻(xiàn)[19]采用奇次諧波特征進(jìn)行負(fù)荷分類，分類算法為多層感知器模型；文獻(xiàn)[20-21]均采用隨機(jī)森林算法，負(fù)荷特征分別為經(jīng)過(guò)簡(jiǎn)化的V-I軌跡和采用縮減技術(shù)形成的有效特征集；文獻(xiàn)[22]則采用由暫態(tài)和穩(wěn)態(tài)指標(biāo)組成的復(fù)合特征，分類算法為PCA分類辨識(shí)算法。分析表 3可知，5種方法對(duì)于空調(diào)、電風(fēng)扇和冰箱的識(shí)別精度均較低，這是因?yàn)樯鲜鋈愒O(shè)備可以在不同運(yùn)行狀態(tài)之間切換，導(dǎo)致其電氣特性復(fù)雜，進(jìn)而影響了分類算法的辨識(shí)效果?？紤]到文獻(xiàn)[19]僅采用諧波特征進(jìn)行負(fù)荷分類，而文獻(xiàn)[20]的V-I軌跡經(jīng)過(guò)了大幅簡(jiǎn)化，因此兩者的識(shí)別效果均較差。文獻(xiàn)[21-22]在一定程度上利用了特征之間的互補(bǔ)性，其設(shè)備的識(shí)別精度高于文獻(xiàn)[19-20]。但由于所采用的分類算法無(wú)法在高維空間中挖掘設(shè)備的本質(zhì)屬性，導(dǎo)致文獻(xiàn)[21-22]的精度仍低于本文方法。以上結(jié)果進(jìn)一步驗(yàn)證了提出的雙通道多特征融合負(fù)荷識(shí)別方法所具備的突出優(yōu)勢(shì)。

3 結(jié)論

提出了一種基于雙通道多特征融合的負(fù)荷智能感知方法。該方法充分利用了各類特征之間的互補(bǔ)性，通過(guò)PCA-BP神經(jīng)網(wǎng)絡(luò)算法對(duì)電流、諧波和功率等數(shù)值特征進(jìn)行了高級(jí)特征提取，同時(shí)利用卷積神經(jīng)網(wǎng)絡(luò)算法對(duì)V-I圖像特征進(jìn)行了高效學(xué)習(xí)。兩個(gè)通道獨(dú)立提取和學(xué)習(xí)電器設(shè)備的不同屬性特征，然后將其進(jìn)行擴(kuò)展融合，最后采用Softmax分類算法實(shí)現(xiàn)了用電負(fù)荷的有效辨識(shí)。

采用PLAID數(shù)據(jù)集對(duì)本文方法進(jìn)行測(cè)試，并與其他分類方法進(jìn)行了比較。算例測(cè)試結(jié)果表明，相對(duì)于傳統(tǒng)使用單一特征的負(fù)荷識(shí)別方法，基于雙通道多特征融合的負(fù)荷識(shí)別可以更全面地反映電器設(shè)備的本質(zhì)屬性，有效克服單一特征所造成的設(shè)備區(qū)分率差的問(wèn)題，從而顯著增強(qiáng)了算法的負(fù)荷識(shí)別能力。在后續(xù)工作中，將進(jìn)一步研究本文算法在嵌入式設(shè)備中進(jìn)行集成應(yīng)用的問(wèn)題，以檢驗(yàn)算法的在線識(shí)別效果。