基于改進(jìn)kNN算法與暫穩(wěn)態(tài)特征的非侵入式負(fù)荷監(jiān)測方法

田 豐，鄧曉平，張桂青，王保義

(山東建筑大學(xué)信息與電氣工程學(xué)院山東省智能建筑技術(shù)重點實驗室，山東 濟(jì)南 250101)

0 引 言

智能電網(wǎng)的發(fā)展和電力需求的持續(xù)增長促進(jìn)了智能用電技術(shù)的日益更新，電器層面海量的用電信息逐漸體現(xiàn)其數(shù)據(jù)支撐的關(guān)鍵作用[1]。負(fù)荷監(jiān)測一方面能夠使電力用戶更為詳細(xì)地了解其不同時段各類用電設(shè)備的電能消耗，幫助其制定合理的節(jié)能計劃，減少電費開支，另一方面有助于電力公司實現(xiàn)“削峰填谷”，促進(jìn)電網(wǎng)穩(wěn)定運行[2-3]。

負(fù)荷監(jiān)測包括非侵入式負(fù)荷監(jiān)測和侵入式負(fù)荷監(jiān)測(Intrusive Load Monitoring, ILM)2類。NILM相較于ILM不需安裝大量的傳感器和測量裝置，只需要在用戶電力總回路處安裝測量裝置，就能夠監(jiān)測用戶每一個電器的用電信息，從而減小購買、安裝和維護(hù)NILM系統(tǒng)硬件的成本，是未來負(fù)荷分解的發(fā)展熱點之一[4]。

NILM的關(guān)鍵在于負(fù)荷特征和識別算法的選擇。負(fù)荷特征通常分為穩(wěn)態(tài)特征和暫態(tài)特征2類。功率變化是最常使用的時域穩(wěn)態(tài)特征，文獻(xiàn)[5]通過計算功率變化量提取特征，這類特征簡單直觀，但當(dāng)負(fù)荷數(shù)量很多時，特征會重疊，影響識別準(zhǔn)確度；文獻(xiàn)[6-7]對電流電壓波形計算出一系列統(tǒng)計特征，如峰值、均值等，可以很容易對負(fù)荷種類進(jìn)行區(qū)分，但還是不能處理特征重合問題；文獻(xiàn)[8-9]提取U-I軌跡(Voltage-current Trajectory)特征進(jìn)行負(fù)荷識別，效果比功率特征更好，但難以區(qū)分小型負(fù)荷；文獻(xiàn)[10]通過傅里葉變換，得到穩(wěn)態(tài)電流諧波特征，這種方法抗干擾能力差，容易受到噪聲干擾。

相對于穩(wěn)態(tài)特征，暫態(tài)特征與設(shè)備本身的特性相關(guān)性更強，所以能夠更好地進(jìn)行設(shè)備辨識。文獻(xiàn)[11-12]通過計算功率波形的指標(biāo)如峰值、均值、均方根等進(jìn)行負(fù)荷識別，這種方式可以辨識功耗相近的設(shè)備；文獻(xiàn)[13]通過對電器狀態(tài)變化時產(chǎn)生的電壓擾動求傅里葉變換，得到電壓諧波特征，這種方式?jīng)]有考慮外界影響所引起的電壓波動，可適用性不高；文獻(xiàn)[14]利用暫態(tài)過程瞬時電流進(jìn)行負(fù)荷識別，對瞬時電流做小波變換，轉(zhuǎn)換為時頻域特征，或者計算瞬時電流波形的峰值、均值、均方值等指標(biāo)進(jìn)行負(fù)荷識別，這種方式能實現(xiàn)負(fù)載相近的設(shè)備的識別，對于波形指標(biāo)的計算更快速簡單。

綜合考慮負(fù)荷穩(wěn)態(tài)與暫態(tài)特征的優(yōu)勢，能進(jìn)一步提高負(fù)荷識別精度，具有更廣的應(yīng)用前景。文獻(xiàn)[15]選取電流、電壓、有功、無功四者組合的7種負(fù)荷特征進(jìn)行負(fù)荷識別，發(fā)現(xiàn)4種負(fù)荷特征聯(lián)合時能獲得更高的識別準(zhǔn)確度。文獻(xiàn)[16]采用2步分類算法實現(xiàn)負(fù)荷識別，第1步使用暫態(tài)信號的變化率特征初步識別負(fù)荷的種類，第2步使用穩(wěn)態(tài)電流的諧波特征進(jìn)一步識別出具體負(fù)荷種類，這種方式降低了分解難度，提高了負(fù)荷識別的準(zhǔn)確率。

負(fù)荷識別算法大致分為組合優(yōu)化和模式識別2類?；诮M合優(yōu)化的模型對于負(fù)荷較少且設(shè)備特性已知的情況有比較好的分解效果，但是模型本身是NP完全問題，優(yōu)化困難[17]?；谀Ｊ阶R別的算法能直接從數(shù)據(jù)中學(xué)習(xí)設(shè)備特征，應(yīng)用更廣泛。其中支持向量機(Support Vector Machine, SVM)[18-19]、k均值(k-means)[20-21]、人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network, ANN)[22-24]、隱馬爾科夫模型[25-26]、模糊聚類模型[27]都是在負(fù)荷識別中常用的模型。但是現(xiàn)有算法的研究大多數(shù)是以提高負(fù)荷識別準(zhǔn)確率為目的，算法的復(fù)雜度和計算量不斷增加，NILM系統(tǒng)最終需要應(yīng)用在嵌入式設(shè)備中以實現(xiàn)實時的負(fù)荷識別，現(xiàn)有的算法研究忽略了實際應(yīng)用中NILM低成本的需求。

針對上述研究不足，本文提出一種基于改進(jìn)kNN算法與暫穩(wěn)態(tài)特征的非侵入式負(fù)荷監(jiān)測方法。首先，選擇無需訓(xùn)練的kNN算法作為負(fù)荷識別模型，采用基于距離權(quán)重的統(tǒng)計方法對傳統(tǒng)的kNN模型進(jìn)行改進(jìn)，彌補了數(shù)據(jù)采集過程中引起的誤差擾動導(dǎo)致的負(fù)荷識別準(zhǔn)確率低的問題，同時對kNN算法識別結(jié)果增加余弦相似度判斷機制，實現(xiàn)對電路中陌生設(shè)備的辨識；其次，針對使用單一的特征負(fù)荷識別準(zhǔn)確率不足問題，提出暫穩(wěn)態(tài)特征結(jié)合方案，選擇分離穩(wěn)態(tài)過程波形的暫態(tài)時域統(tǒng)計特征和穩(wěn)態(tài)頻域諧波特征作為負(fù)荷特征；最后通過實驗采集數(shù)據(jù)驗證提出的非侵入式負(fù)荷監(jiān)測方法的有效性。

1 負(fù)荷特征

NILM系統(tǒng)可以僅在電力總回路入口處采集總電氣參數(shù)信息，根據(jù)每種負(fù)荷狀態(tài)變化時具備的獨有特征識別出不同負(fù)荷。因此負(fù)荷特征是NILM系統(tǒng)能實現(xiàn)負(fù)荷識別的主要依據(jù)，負(fù)荷特征的選擇應(yīng)具有足夠的區(qū)分度。

穩(wěn)態(tài)特征可以很容易對負(fù)荷的種類進(jìn)行區(qū)分，但當(dāng)負(fù)荷數(shù)量很多時，穩(wěn)態(tài)負(fù)荷特征容易出現(xiàn)特征重合現(xiàn)象。而暫態(tài)特征與設(shè)備本身的特性相關(guān)性更強，文獻(xiàn)[12]通過計算瞬時電流波形的峰值、均值、均方值等指標(biāo)進(jìn)行負(fù)荷識別，能夠有效地辨識出同時性時間及功耗相近的設(shè)備。所以本文在使用穩(wěn)態(tài)諧波特征的基礎(chǔ)上增加暫態(tài)統(tǒng)計特征，能有效提高負(fù)荷特征區(qū)分度。

1.1 事件檢測方案

負(fù)荷識別的第一步是檢測出電力總回路中是否有負(fù)荷投切。當(dāng)負(fù)荷啟?；蚬ぷ鳡顟B(tài)切換時，電流有效值會發(fā)生明顯的波動，因此本文利用相鄰周期電流有效值的突變實現(xiàn)投切事件的檢測。事件檢測實現(xiàn)的流程如圖1所示。通過實時監(jiān)測主回路中每個周期的電流有效值，并比較相鄰2個周期的電流有效值的變化量，相鄰2個周期的電流有效值變化量由公式(2)計算。

(1)

ΔI=|Is+1-Is|>δ

(2)

其中Is為當(dāng)前周期電流有效值，s為當(dāng)前周期，N為一個周期內(nèi)采樣點數(shù)，t為周期內(nèi)任一采樣點，it為采樣點t的電流瞬時值，Is+1為Is的下一個周期電流有效值，δ為判斷有暫態(tài)過程發(fā)生的閾值。δ值由接入電路中功率最小的電器決定，同時也利用ΔI作為暫態(tài)過程結(jié)束的判斷基準(zhǔn)：

ΔI<γ

(3)

其中γ為判斷暫態(tài)過程結(jié)束閾值。

在真實場景中，往往存在多個負(fù)荷同時運行的情況，此時利用事件檢測機制提取的負(fù)荷投切事件波形混合了總回路中正常運行負(fù)荷的波形。對混合波形進(jìn)行分析將極大地增加負(fù)荷識別的難度，使得識別結(jié)果準(zhǔn)確率降低，因此需要對檢測到的事件波形進(jìn)行分離。本文根據(jù)電流疊加原理對電力總回路中的負(fù)荷進(jìn)行分離。

根據(jù)電流疊加原理，主回路中的總電流由回路中投入運行的各種負(fù)荷的電流信號混合形成。當(dāng)n個負(fù)荷同時處于運行狀態(tài)時，混合電流的模型可表示為：

(4)

式中，Ik(t)是負(fù)荷k獨立運行時的電流信號，即為待識別負(fù)荷；I(t)為采集的實際混合電流信號；e(t)為噪聲信號。

因此利用電流疊加原理分離電力總回路中穩(wěn)態(tài)過程的影響。采取的事件波形分離的過程如下所示：

首先，事件檢測機制檢測出事件，截取完整的暫態(tài)過程波形，獲得暫態(tài)過程的持續(xù)周期T；獲取兩側(cè)穩(wěn)態(tài)過程中與暫態(tài)過程相同時長的穩(wěn)態(tài)過程波形，然后計算比較暫態(tài)兩邊穩(wěn)態(tài)電流有效值。

然后，使用暫態(tài)過程波形和有效值較大的穩(wěn)態(tài)過程波形分別減去有效值較小的穩(wěn)態(tài)過程波形，得到暫態(tài)過程分離波形和穩(wěn)態(tài)過程分離波形。

這樣就得到單獨的負(fù)荷狀態(tài)變化時的穩(wěn)態(tài)和暫態(tài)過程波形數(shù)據(jù)，消除了主回路中正常運行負(fù)荷的擾動。最后分別對暫態(tài)和穩(wěn)態(tài)過程波形提取特征。

1.2 負(fù)荷特征提取

利用傅里葉變換對負(fù)荷穩(wěn)態(tài)過程周期電流進(jìn)行諧波分解，提取諧波幅值較大的諧波次數(shù)作為負(fù)荷特征，以降低噪聲干擾，獲得負(fù)荷區(qū)分度較好的穩(wěn)態(tài)特征。使用DFT對離散的負(fù)荷周期電流提取諧波特征方法如公式(5)所示。

(5)

其中，i(n)為周期電流采樣點n的電流，Nk為每個周期采樣點個數(shù)，k為諧波次數(shù)，D(k)為復(fù)數(shù)形式的DFT諧波系數(shù)。

將D(k)乘以歸一化系數(shù)1/Nk，并利用歐拉公式將其整理成實數(shù)表達(dá)形式：

(6)

(7)

(8)

其中ak為D′(k)的實部，bk為D′(k)的虛部。

當(dāng)電流波形滿足公式(9)時，稱為半波對稱，即一個周期電流波形沿時間軸平移半個周期后與原波形相對于時間軸鏡像對稱，偶次諧波為0。

(9)

常見的電器設(shè)備的電流波形均能近似滿足半波對稱條件。圖2展示了5種電器穩(wěn)態(tài)工作時的基波和第2～第13次諧波幅值，可以看出奇次諧波幅值更加突出，偶次諧波幾乎為0。因此本文選擇基波和第3、5、7、9、11、13次電流諧波作為穩(wěn)態(tài)頻域特征。

為全面反映暫態(tài)波形特性，本文選擇9種統(tǒng)計特征量作為暫態(tài)波形的特征。NILM系統(tǒng)最終需要運行在嵌入式設(shè)備中，為降低模型運算開銷，提升模型效果，需要進(jìn)行特征選擇，去除冗余特征。9種暫態(tài)特征如下所示：

Ip：峰值，取暫態(tài)波形絕對值的最大值。

Ipp：峰峰值，暫態(tài)波形最大值與最小值的差值。

Imean：平均值，所有暫態(tài)過程樣本點的平均值。

Imean′：絕對平均值，所有暫態(tài)過程樣本點絕對值的平均值。

Irms：有效值，具體數(shù)值由公式(1)計算。

I：穩(wěn)態(tài)有效值，暫態(tài)發(fā)生前后穩(wěn)態(tài)電流波形有效值的差值。

Fform：波形因數(shù)，數(shù)值為Irms/Imean′。

Fcrest：波峰因數(shù)，數(shù)值為Ip/Irms。

Rpta：峰均比，數(shù)值為Ipp/Irms。

本文采用卡方檢驗法對暫態(tài)特征進(jìn)行選擇，通過公式(10)計算出每個特征的卡方值?？ǚ街翟酱螅砻魈卣髋c預(yù)測結(jié)果的相關(guān)性越大。因此應(yīng)該優(yōu)先選擇卡方值大的特征?？ǚ綑z驗中卡方的計算公式為：

(10)

其中n為樣本總數(shù)，k為樣本類別數(shù)，Aij為觀測值，Eij為期望值。

2 非侵入式負(fù)荷識別模型

kNN算法的工作機制是通過給定的測試樣本，基于某種距離度量找出訓(xùn)練集中與其最靠近的k個訓(xùn)練樣本，然后基于這k個“鄰居”的信息進(jìn)行預(yù)測，通常選擇這k個樣本中出現(xiàn)最多的類別標(biāo)簽作為預(yù)測結(jié)果。具體過程如下：

1)對于待測樣本X，計算X與訓(xùn)練集D中所有樣本xi的距離。

2)對計算的距離按遞增次序排序，在訓(xùn)練集D中選取與當(dāng)前待測樣本X距離最小的k個點，含有這k個點的X的鄰域記作Nk(X)。最后在Nk(X)中根據(jù)多數(shù)表決規(guī)則決定X的類別cX，分類表決函數(shù)如式(11)所示。

(11)

其中L為所有樣本類別集合；class(cxi)為訓(xùn)練樣本xi的類別；I(V=class(cxi))是一個指標(biāo)函數(shù)，當(dāng)其值為真時返回1，否則返回0，即計算選出的k個近鄰數(shù)據(jù)中多數(shù)屬于某個類，則判斷待測樣本為該類。

2.1 改進(jìn)的基于距離權(quán)重統(tǒng)計方法的kNN算法

由于在提取負(fù)荷設(shè)備運行的電氣參數(shù)特征時，往往會因為主回路的噪聲擾動和硬件設(shè)備的精度等問題，導(dǎo)致采集的特征信號存在差異，即同一種負(fù)荷設(shè)備的狀態(tài)變化的特征數(shù)據(jù)存在擾動。當(dāng)2種負(fù)荷特征相近時，利用傳統(tǒng)的kNN模型，可能出現(xiàn)訓(xùn)練集中較多的其他類別的負(fù)荷特征進(jìn)入k最近鄰范圍，而同一種類型負(fù)荷特征進(jìn)入k最近鄰范圍的較少，導(dǎo)致分類結(jié)果錯誤。因此將基于距離權(quán)重的統(tǒng)計方法應(yīng)用在kNN算法中，可以彌補數(shù)據(jù)采集過程中引起的誤差擾動導(dǎo)致的負(fù)荷識別錯誤問題。具體改進(jìn)過程如下：

首先計算出待測樣本與訓(xùn)練樣本之間的距離，并按照距離遞增排序選擇前k個樣本，按照公式(12)計算k個樣本的距離權(quán)重Wi：

(12)

其中，di為待測樣本與第i個近鄰的距離；d1為k近鄰中最近的距離；dk為k近鄰中最遠(yuǎn)的距離。

然后對公式(11)的分類表決函數(shù)添加權(quán)重因子Wi，對計算得到的距離權(quán)重按照類別進(jìn)行歸類疊加，選擇疊加距離權(quán)重最大的類別，即為分類結(jié)果。其分類表決函數(shù)為：

(13)

2.2 基于余弦相似度的類別判斷機制

在真實環(huán)境中，總會存在特征集以外的負(fù)荷設(shè)備，視為陌生設(shè)備。如果陌生設(shè)備在回路中運行，事件檢測機制也會檢測到，kNN算法模型總會將樣本進(jìn)行分類，因此添加負(fù)荷類別判斷機制，用于判斷并識別陌生設(shè)備。將改進(jìn)kNN算法與相似度判斷機制相結(jié)合，實現(xiàn)具有識別陌生設(shè)備的負(fù)荷識別方案。負(fù)荷識別算法總體流程如圖3所示。

基于距離權(quán)重統(tǒng)計方法的kNN算法與余弦相似度判斷機制結(jié)合的負(fù)荷識別工作流程如下：

1)首先提取待分類樣本特征向量。

2)計算特征集中所有已知類別樣本到當(dāng)前待分類樣本之間的距離。

3)選擇與當(dāng)前樣本距離最近的k個點并代入權(quán)重因子(公式(12))，計算每一點所占權(quán)重，并統(tǒng)計出每一負(fù)荷類別疊加權(quán)重。

4)由分類表決函數(shù)(公式(13))選擇出疊加權(quán)重最大的類別，然后使用余弦相似度判斷機制進(jìn)行判斷。

5)計算待分類樣本特征向量與分類結(jié)果所屬類別特征庫中的樣本中心點的相似程度，其中類別樣本中心點為所有同種類別樣本的均值點。相似程度由余弦相似度表示，余弦相似度計算公式為：

(14)

其中A為待分類樣本特征向量，B為分類結(jié)果樣本中心值向量。

6)若兩者余弦相似度大于σ，則認(rèn)為分類正確，輸出分類結(jié)果；若余弦相似度小于σ，則認(rèn)為分類錯誤，視為陌生設(shè)備，輸出分類結(jié)果為其他。

3 算例分析

本文選擇LED燈、飲水機、取暖器、電動車充電器和微波爐等5種用電設(shè)備作為實驗對象。其中飲水機和取暖器為線性大功率設(shè)備；LED燈和電動車充電器為非線性設(shè)備，二者功率相近均屬于小功率電器；微波爐屬于非線性大功率設(shè)備。

3.1 數(shù)據(jù)采集及預(yù)處理

按照圖4所示示意圖搭建實驗采集平臺，采用基于DL-CT27C2.0電流互感器的電氣參數(shù)采集模塊采集數(shù)據(jù)，以6.4 kHz采樣頻率實時采集回路電流。實驗設(shè)備分別接通至電路總回路中隨機啟停若干次，并根據(jù)事件檢測機制檢測回路中由設(shè)備狀態(tài)變化引起的電流突變事件，根據(jù)圖1所示流程提取事件暫穩(wěn)態(tài)波形，并分別提取暫態(tài)時域特征和穩(wěn)態(tài)頻域特征。

實驗電器設(shè)備信息與采集的對應(yīng)事件特征樣本數(shù)量如表1所示。對采集的事件特征數(shù)據(jù)做歸一化處理，采用min-max標(biāo)準(zhǔn)化方法將數(shù)據(jù)進(jìn)行線性變換，使結(jié)果映射在[0,1]區(qū)間上，轉(zhuǎn)換函數(shù)如下：

表1 實驗設(shè)備信息與對應(yīng)事件特征樣本數(shù)量

(15)

其中X為原始數(shù)據(jù)，Xmax、Xmin分別為數(shù)據(jù)最大值和最小值。

根據(jù)采集的數(shù)據(jù)按照公式(10)計算每個暫態(tài)特征量對應(yīng)的卡方值，如表2所示。選擇前4種卡方值最大的特征即Ipp、Imean′、Irms、I作為暫態(tài)特征量。

表2 暫態(tài)特征量對應(yīng)卡方值

本文算例中功率最小電器LED燈的額定功率Pmin=100 W,在220 V電壓下的額定電流為Imin=0.45 A?？紤]到正常電路正常工作設(shè)備的功率變化擾動，為負(fù)荷投切域值留出一定的裕度，參考文獻(xiàn)[22]中功率閾值可取0.25Pmin～0.8Pmin，本文取電流閾值δ=0.6Imin=0.27 A，事件結(jié)束閾值γ取0.01 A。由經(jīng)驗設(shè)置基于余弦相似度的分類結(jié)果判斷機制閾值σ=0.9。

3.2 實驗結(jié)果與分析

為驗證不同距離度量公式對kNN算法識別準(zhǔn)確率的影響，本文選擇歐式距離(Euclidean Distance,deuc)、曼哈頓距離(Manhattan Distance,dman)和切比雪夫距離(Chebyshev Distance,dche)進(jìn)行對比實驗，3種距離計算公式分別為：

(16)

(17)

(18)

實驗比較了3種距離度量方式在改進(jìn)的加權(quán)kNN算法中使用暫穩(wěn)態(tài)特征時負(fù)荷識別的準(zhǔn)確率。選擇表1中的LED燈、飲水機、取暖器和電動車充電器4種電器所有事件樣本特征作為數(shù)據(jù)集進(jìn)行驗證，按每種用電設(shè)備特征樣本數(shù)量等比例劃分訓(xùn)練集和測試集，其中訓(xùn)練集占比30%。

如圖5所示，使用切比雪夫距離的加權(quán)kNN算法識別準(zhǔn)確率明顯偏低，且受k值影響較明顯；使用曼哈頓距離時，負(fù)荷識別準(zhǔn)確率與使用歐式距離相近，但當(dāng)k值較小或較大時，負(fù)荷識別準(zhǔn)確率偏低。因此本文選擇加權(quán)的歐式距離作為改進(jìn)kNN算法的距離度量公式。

3.2.1 不同負(fù)荷識別方案對比

為驗證本文提出的改進(jìn)的kNN算法和暫穩(wěn)態(tài)特征結(jié)合方案對負(fù)荷識別性能的提升，使用實驗環(huán)境中采集的特征數(shù)據(jù)集進(jìn)行測試。將表1中所示LED燈、飲水機、取暖器和電動車充電器4種電器所有事件樣本特征作為數(shù)據(jù)集。按每種用電設(shè)備特征樣本數(shù)量等比例劃分訓(xùn)練集和測試集，其中訓(xùn)練集占比30%。

實驗比較了暫穩(wěn)態(tài)特征與單獨使用暫態(tài)特征或穩(wěn)態(tài)特征時負(fù)荷識別的準(zhǔn)確率。如圖6所示，當(dāng)使用暫穩(wěn)態(tài)結(jié)合特征作為負(fù)荷識別的特征時，傳統(tǒng)kNN算法和改進(jìn)kNN算法負(fù)荷識別準(zhǔn)確率均優(yōu)于單獨使用暫態(tài)特征或穩(wěn)態(tài)特征的情況，因此本文提出的暫穩(wěn)態(tài)特征結(jié)合方案可以有效提高負(fù)荷識別準(zhǔn)確率。

實驗對比了暫穩(wěn)態(tài)特征結(jié)合時傳統(tǒng)kNN算法與改進(jìn)kNN算法在不同k值下對負(fù)荷識別準(zhǔn)確率的影響。從圖6可以看出，k值的選擇對改進(jìn)kNN算法的準(zhǔn)確率并未造成明顯影響，而傳統(tǒng)kNN算法受k值的影響明顯，因此改進(jìn)kNN算法穩(wěn)定性比傳統(tǒng)kNN更好，魯棒性更強；在識別準(zhǔn)確率方面，改進(jìn)kNN算法無論使用暫穩(wěn)態(tài)結(jié)合特征還是單獨使用暫態(tài)特征或穩(wěn)態(tài)特征，其識別準(zhǔn)確率都要高于傳統(tǒng)kNN算法，因此改進(jìn)kNN算法可以明顯提升負(fù)荷識別準(zhǔn)確率。

3.2.2 多場景負(fù)荷識別

為驗證提出的負(fù)荷識別模型的泛化性能，設(shè)計了多種設(shè)備組合場景，包括單項負(fù)荷設(shè)備運行場景、陌生設(shè)備接入場景和多個設(shè)備組合運行場景。

實驗對象包含LED燈、飲水機、取暖器、電動車充電器和微波爐等5種電器設(shè)備。將微波爐視為陌生設(shè)備，其事件樣本特征不加入訓(xùn)練集。實驗采集各電器單獨工作時的數(shù)據(jù)和各種設(shè)備組合工作時的事件樣本特征，實驗數(shù)據(jù)信息如表1所示，其中“充電器+取暖器”為在充電器正常工作，取暖器開關(guān)操作；同樣“取暖器+LED燈”和“取暖器+充電器+LED燈”分別為取暖器正常工作時和取暖器、充電器均正常工作時，LED燈開關(guān)操作。

分別使用傳統(tǒng)kNN算法與改進(jìn)kNN算法進(jìn)行測試，模型參數(shù)k設(shè)置為10。其中LED燈、飲水機、取暖器、電動車充電器4種已知標(biāo)簽樣本數(shù)據(jù)作為訓(xùn)練集，訓(xùn)練集占4種已知標(biāo)簽樣本30%，其余樣本作為測試集。

測試結(jié)果如表3所示。改進(jìn)kNN算法在各種場景下均比傳統(tǒng)kNN算法具備更高的識別準(zhǔn)確率。其中在單項設(shè)備識別上，改進(jìn)kNN算法對電動車充電器的識別準(zhǔn)確率提升達(dá)5.38個百分點，其他3種電器也有較明顯的提升；陌生設(shè)備(微波爐)的識別是將其識別為其他標(biāo)簽，傳統(tǒng)kNN算法和改進(jìn)kNN算法都能達(dá)到很高的準(zhǔn)確率，改進(jìn)kNN算法識別準(zhǔn)確率高達(dá)98.18%，表明提出的負(fù)荷識別方案可以有效地識別陌生設(shè)備；對于多種設(shè)備組合運行的場景，改進(jìn)kNN算法識別準(zhǔn)確率略高于kNN算法，但均能達(dá)到較高的水平，表明本文提出的負(fù)荷識別方案對多設(shè)備同時運行時的場景也能做到很高的設(shè)備識別準(zhǔn)確率。

表3 不同場景下傳統(tǒng)kNN算法與改進(jìn)kNN算法對比

綜合考慮多種應(yīng)用場景，改進(jìn)kNN算法負(fù)荷識別總準(zhǔn)確率達(dá)到97.63%，比kNN算法識別準(zhǔn)確率高3.38個百分點，性能提升明顯。

3.2.3 不同負(fù)荷識別算法對比

選擇SVM模型、BP神經(jīng)網(wǎng)絡(luò)和LSTM神經(jīng)網(wǎng)絡(luò)3種算法模型與本文提出的改進(jìn)kNN算法進(jìn)行比較。

kNN模型參數(shù)k值設(shè)置為10；為解決SVM模型的非線性分類問題，引入RBF徑向基函數(shù)，懲罰系數(shù)C設(shè)置為2.0，核函數(shù)參數(shù)gamma設(shè)置為1；BP神經(jīng)網(wǎng)絡(luò)模型如圖7所示，優(yōu)化器為Adam，損失函數(shù)為Logistic Loss。

LSTM神經(jīng)網(wǎng)絡(luò)模型如圖8所示，優(yōu)化器為Adam，損失函數(shù)為稀疏函數(shù)交叉熵(Sparse Categorical Cross Entropy, SCCE)。為避免LSTM模型訓(xùn)練時出現(xiàn)過擬合現(xiàn)象，在每層LSTM后面添加Dropout層，Dropout機制可以使神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中，以一定的概率隨機丟棄神經(jīng)元，可以有效防止過擬合發(fā)生，丟棄率設(shè)置為0.2。同時對損失函數(shù)引入L2范數(shù)，采用L2正則化方法避免模型過擬合，L2正則化系數(shù)λ設(shè)置為0.1。

采用表1中前4種負(fù)荷特征樣本作為數(shù)據(jù)集，其中訓(xùn)練集占比均為30%。測試結(jié)果如表4所示，4種算法負(fù)荷識別準(zhǔn)確率均在96%以上?？梢钥闯霾煌姆诸愃惴▽ψR別準(zhǔn)確率的影響較小，即本文提出的基于暫穩(wěn)態(tài)特征結(jié)合的方案在數(shù)據(jù)上具有較好的區(qū)分度。

表4 不同模型負(fù)荷識別性能對比

改進(jìn)kNN算法識別準(zhǔn)確率為98.18%，略高于LSTM算法的98.08%，但是LSTM算法模型的訓(xùn)練需要大量時間。改進(jìn)kNN算法預(yù)測耗時比SVM和BP神經(jīng)網(wǎng)絡(luò)長，但是SVM和BP神經(jīng)網(wǎng)絡(luò)模型需要預(yù)訓(xùn)練，且模型移植至嵌入式設(shè)備時較為復(fù)雜。改進(jìn)基于距離權(quán)重統(tǒng)計方法的kNN算法不需要預(yù)訓(xùn)練，且算法原理簡單，能更好地部署至嵌入式設(shè)備中。綜合來看改進(jìn)kNN算法能更好地實現(xiàn)負(fù)荷識別任務(wù)。

4 結(jié)束語

針對非侵入式負(fù)荷監(jiān)測系統(tǒng)在實際應(yīng)用中低成本高準(zhǔn)確率的要求，本文提出一種基于改進(jìn)kNN算法和暫穩(wěn)態(tài)特征的非侵入式負(fù)荷監(jiān)測方法。

首先，通過增加距離權(quán)重的方式改進(jìn)傳統(tǒng)kNN算法，彌補了數(shù)據(jù)采集過程中引起的誤差擾動導(dǎo)致的負(fù)荷識別錯誤問題。實驗結(jié)果表明，改進(jìn)的kNN算法相較于傳統(tǒng)kNN算法對k值設(shè)置不敏感，具有較高的魯棒性，改進(jìn)kNN算法負(fù)荷識別準(zhǔn)確率比傳統(tǒng)kNN算法高3.38個百分點，識別準(zhǔn)確率更高。其次，分別提取暫態(tài)時域統(tǒng)計特征和穩(wěn)態(tài)頻域諧波特征，使用暫穩(wěn)態(tài)特征結(jié)合方式進(jìn)行負(fù)荷識別。實驗表明，使用暫穩(wěn)態(tài)特征融合進(jìn)行負(fù)荷識別，準(zhǔn)確率優(yōu)于單獨使用暫態(tài)特征或穩(wěn)態(tài)特征的情況。本文提出的負(fù)荷識別方案在實驗環(huán)境下的多種應(yīng)用場景下均能保證較高負(fù)荷識別準(zhǔn)確率，不僅能實現(xiàn)單項負(fù)荷識別，還能夠?qū)崿F(xiàn)陌生設(shè)備的辨識以及多種負(fù)荷同時運行場景下的負(fù)荷識別。最后使用SVM、BP神經(jīng)網(wǎng)絡(luò)和LSTM神經(jīng)網(wǎng)絡(luò)3種算法模型與改進(jìn)的kNN算法進(jìn)行對比。改進(jìn)kNN算法負(fù)荷識別準(zhǔn)確率僅略低于LSTM，但kNN不需要預(yù)訓(xùn)練，結(jié)構(gòu)簡單更易實現(xiàn)，能更好地部署至嵌入式設(shè)備中。

綜合考慮，本文提出的基于改進(jìn)kNN算法和暫穩(wěn)態(tài)特征的非侵入式負(fù)荷監(jiān)測方法在實際應(yīng)用中更具有優(yōu)勢。