基于顏色編碼與諧波特征融合的非侵入式負(fù)荷識別方法

宰州鵬 趙 升,2 朱翔鷗 張正江 董凡琦

基于顏色編碼與諧波特征融合的非侵入式負(fù)荷識別方法

宰州鵬1趙 升1,2朱翔鷗1張正江1董凡琦1

（1. 溫州大學(xué)電氣與電子工程學(xué)院，浙江 溫州 325035；2. 溫州大學(xué)樂清工業(yè)研究院，浙江 樂清 325600）

非侵入式負(fù)荷識別（NILM）作為分析用戶用電行為的主要途徑，對開展能耗監(jiān)測、實現(xiàn)用電安全評估具有重要意義。針對原始電壓-電流（V-I）軌跡特征辨識準(zhǔn)確度不高的問題，本文提出一種基于V-I軌跡特征的顏色編碼和負(fù)荷高次諧波特征相融合的識別方法。首先，將高頻采樣數(shù)據(jù)經(jīng)過數(shù)據(jù)預(yù)處理，提取出負(fù)荷的V-I軌跡和高次諧波特征，并利用顏色編碼技術(shù)將瞬時無功功率、功率因數(shù)與電流序列分布的數(shù)值特征分別映射到彩色圖像RGB的三個通道像素矩陣中。然后，引入高次諧波特征與RGB三通道像素矩陣相融合，形成混合彩色圖像。最后，運(yùn)用AlexNet網(wǎng)絡(luò)的遷移學(xué)習(xí)對負(fù)荷進(jìn)行訓(xùn)練和分類，通過PLAID數(shù)據(jù)集與實測數(shù)據(jù)進(jìn)行驗證，所述負(fù)荷識別方法辨識準(zhǔn)確率達(dá)到95%以上，模型具有良好的泛化能力，可用于家庭及類似場合的用電安全管理。

非侵入式負(fù)荷識別（NILM）；AlexNet網(wǎng)絡(luò)；V-I軌跡；彩色編碼；融合特征

0 引言

近年來，隨著電氣化設(shè)備的高度普及，電氣火災(zāi)的發(fā)生概率不斷提高{傅軍棟, 2018 #68}{傅軍棟, 2018 #68}{傅軍棟, 2018 #68}{傅軍棟, 2018 #68}。對于電氣火災(zāi)的防護(hù)主要是通過現(xiàn)有的硬件設(shè)施（如各類煙霧報警器等）感應(yīng)到相關(guān)的物理現(xiàn)象，再依靠人工的方式來避免火災(zāi)的發(fā)生[1-2]。非侵入式負(fù)荷識別（non-intrusive load monitoring, NILM）可以實時監(jiān)控用戶側(cè)用電設(shè)備的類型、工作狀態(tài)和能耗情況等，判斷出相關(guān)用電設(shè)備存在的安全隱患，排查危險設(shè)備，從而為居民安全用電提供重要參考[3-4]。

NILM主要由數(shù)據(jù)采集、特征提取、負(fù)荷識別三大模塊組成[5]。其中，系統(tǒng)識別的準(zhǔn)確度主要取決于特征的提取與識別算法的選取。特征提取是指從采集的電氣信號{傅軍棟, 2018 #68}{傅軍棟, 2018 #68}{傅軍棟, 2018 #68}{傅軍棟, 2018 #68}中提取出有價值的負(fù)荷特征，以區(qū)分不同類別的電器設(shè)備。家用電器的負(fù)荷特征可分為穩(wěn)態(tài)特征和暫態(tài)特征，穩(wěn)態(tài)特征通常包括電流波形、穩(wěn)態(tài)諧波、有功功率、V-I軌跡等，而暫態(tài)特征一般為電器設(shè)備處于啟停瞬間或者狀態(tài)切換的瞬時特征，需要高頻率采樣裝置對其進(jìn)行捕獲，對硬件要求較高[6]。識別算法主要有優(yōu)化識別和模式識別兩類方法。優(yōu)化識別通常以距離衡量相似度選擇出最佳負(fù)荷類型，例如整數(shù)規(guī)劃[7]、粒子群優(yōu)化算法[8]等，當(dāng)設(shè)備較少時，該類方法可獲得較高準(zhǔn)確率，但隨著設(shè)備數(shù)增加，計算復(fù)雜度呈指數(shù)級上升，求解效率降低。模式識別根據(jù)是否需要標(biāo)識負(fù)荷數(shù)據(jù)，可分為監(jiān)督式和非監(jiān)督式，由于非監(jiān)督式方法識別準(zhǔn)確度不高，穩(wěn)定性得不到保障，因此監(jiān)督式方法成為研究人員針對負(fù)荷識別的首選方法[9]。

文獻(xiàn)[10]針對傳統(tǒng)非侵入式負(fù)荷監(jiān)測通用性的不足，提出一種基于Siamese網(wǎng)絡(luò)的非侵入式自適應(yīng)負(fù)荷識別模型，該模型同時使用V-I軌跡和有功功率作為負(fù)荷特征，并通過動態(tài)地向特征庫中添加新特征，可以實現(xiàn)對未知負(fù)荷的識別。文獻(xiàn)[11]提出一種基于卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network, CNN）與長短期記憶網(wǎng)絡(luò)（long short term memory, LSTM）相結(jié)合的seq2seq的非侵入式負(fù)荷分解算法，通過CNN提取功率時間曲線的特征，采用LSTM層進(jìn)行電器識別，與因子隱馬爾可夫模型（factorial hidden Markov models, FHMM）、組合優(yōu)化（combinatorial optimization, CO）和傳統(tǒng)seq2seq算法相比，負(fù)荷分解準(zhǔn)確率有明顯提升。文獻(xiàn)[12]通過平滑和插值算法提取V-I軌跡，在分析軌跡特征的物理意義上提出十個V-I軌跡特征，利用支持向量機(jī)多分類算法進(jìn)行負(fù)荷識別，并通過實驗驗證了算法的有效性。由于V-I軌跡不同于標(biāo)準(zhǔn)曲線，有限的量化特征并不能對其進(jìn)行全面的描述[13]。因此，DU Liang等[14]提出將二維V-I軌跡利用歸一化方法映射為二值灰色圖像，可大大降低計算量。但是二值圖像只能傳遞軌跡的形狀信息，為了體現(xiàn)設(shè)備之間功率數(shù)值的差異，LIU Yanchi等[15]利用HSV（hue, saturation, value）顏色空間將V-I軌跡編碼為彩色圖像，增強(qiáng)了識別算法的準(zhǔn)確率。與其相似地，郇嘉嘉等[16]通過構(gòu)造電流、電壓和相位3個像素矩陣，將數(shù)值特征嵌入灰色V-I軌跡中，從而進(jìn)行疊加形成彩色V-I圖像，并采用AlexNet算法對彩色圖像進(jìn)行深度特征提取，進(jìn)一步提高了負(fù)荷識別的準(zhǔn)確度，但是該方法需要對V-I軌跡進(jìn)行高度像素化，使其難以反映電流波形存在的高次諧波特征。

針對上述問題，本文提出一種基于V-I軌跡特征的顏色編碼與負(fù)荷諧波特征融合的識別方法。該方法對V-I彩色圖像的R（red）、G（green）、B（blue）三通道像素矩陣進(jìn)行改進(jìn)，融合高次諧波電流幅值的二進(jìn)制數(shù)，組成混合彩色圖像，彌補(bǔ)上述高度像素化帶來的諧波特征損失。然后，利用基于AlexNet的遷移學(xué)習(xí)進(jìn)行負(fù)荷識別，將預(yù)先訓(xùn)練好的網(wǎng)絡(luò)參數(shù)應(yīng)用在本文新樣本的訓(xùn)練及測試中。最后，通過公共數(shù)據(jù)集PLAID和實驗室測量數(shù)據(jù)進(jìn)行算例分析，結(jié)果表明，混合彩色圖像可以有效區(qū)分V-I軌跡相似且無功功率、功率因數(shù)、電流序列分布等數(shù)值差異較小的電器設(shè)備，相對于傳統(tǒng)的V-I軌跡圖像識別方法有明顯提升。

1 基于顏色編碼與諧波特征的融合算法

1.1 負(fù)荷特征分析

在非侵入式負(fù)荷識別算法中，V-I軌跡是區(qū)分不同負(fù)荷類型的常用特征，但提取軌跡形狀參數(shù)的過程較為繁雜，且選擇的參數(shù)種類和數(shù)量對后續(xù)模型訓(xùn)練的泛化能力有決定性影響。對此，V-I圖像編碼技術(shù)的應(yīng)用能夠帶來更好的識別效果。二值V-I灰色圖像的建立避免了傳統(tǒng)軌跡形狀參數(shù)提取的復(fù)雜過程，但無法體現(xiàn)各負(fù)荷實際有功功率或無功功率的數(shù)值差異。而彩色V-I圖像的提出可有效融入各負(fù)荷的穩(wěn)態(tài)或暫態(tài)特征信息，從軌跡顏色能夠區(qū)分出各負(fù)荷之間相關(guān)特征的數(shù)值差異[17]。但對于設(shè)備工作原理相似且有功、無功功率等數(shù)值大小差異較小的情況，彩色V-I圖像難以進(jìn)行有效區(qū)分。例如吹風(fēng)機(jī)與加熱器，兩種負(fù)荷的彩色V-I圖像如圖1所示，無論是軌跡形狀還是顏色分布，兩種負(fù)荷的彩色V-I圖像基本一致，很難做到對這二者的準(zhǔn)確分類。

圖1 兩種負(fù)荷的彩色V-I圖像

由于上述V-I軌跡無法體現(xiàn)出各負(fù)荷頻域特征信息，本文對吹風(fēng)機(jī)和加熱器兩種設(shè)備進(jìn)行頻域分析，利用快速傅里葉變換（fast Fourier transform, FFT）得到電流信號的基波及各次諧波幅值。因為基波相對于各次諧波來說幅值較大，所以為了清晰觀察兩種負(fù)荷的諧波分布情況，取其2～15次諧波幅值進(jìn)行比較，兩種負(fù)荷各次諧波幅值對比如圖2所示。由圖2可知，兩者在奇次諧波幅值方面差異較大，其中加熱器的3次與5次諧波分量要大于吹風(fēng)機(jī)，而吹風(fēng)機(jī)的7、9、11、13、15次諧波明顯大于加熱器。該差異存在的原因是吹風(fēng)機(jī)內(nèi)部有直流電機(jī)，相對于加熱器來說，其高次諧波分量較大[18-19]。

圖2 兩種負(fù)荷各次諧波幅值對比

根據(jù)上述諧波幅值的差異，可有效解決彩色V-I圖像無法準(zhǔn)確分類軌跡形狀和顏色分布相似的相關(guān)負(fù)荷的問題。為了避免因諧波特征的融入而使分類模型復(fù)雜化[20]，可將諧波特征融入彩色V-I圖像中，形成混合彩色圖像，這樣既可提高負(fù)荷識別的準(zhǔn)確率，也可避免因諧波融入而改變分類模型的結(jié)構(gòu)。

1.2 混合彩色圖像構(gòu)建

本文利用顏色編碼技術(shù)將原V-I軌跡映射到可設(shè)定分辨率的二維矩陣，其中映射特征為負(fù)荷的瞬時無功功率、功率因數(shù)及電流序列分布值，從而構(gòu)造由R、G、B三個像素通道疊加而成的彩色V-I軌跡圖像，可避免V-I軌跡原始形狀信息的計算量。根據(jù)諧波特征差異，選取基波、3次、5次、7次、9次和11次諧波電流幅值與彩色V-I圖像進(jìn)行融合形成混合彩色圖像，可有效彌補(bǔ)電流諧波特征的缺失，提高上述情況負(fù)荷識別的準(zhǔn)確率?；旌喜噬珗D像構(gòu)建方法具體如下。

2）利用FFT算法將電流波形信號轉(zhuǎn)換為頻域信號，得到各次諧波的幅值如式（1）所示。

3）由于高次諧波幅值相對較小，對各次諧波幅值進(jìn)行相同整數(shù)倍放大取整，并轉(zhuǎn)換為位的二進(jìn)制數(shù)。

7）構(gòu)建功率因數(shù)矩陣。依據(jù)上述功率表達(dá)式，V-I軌跡的形狀等信息無法體現(xiàn)出負(fù)荷功率方面數(shù)值的差異，因此本文將功率因數(shù)的大小嵌入G通道中，可通過G通道顏色的深淺判斷各負(fù)荷有功功率的等級。

8）構(gòu)建電流序列分布矩陣。根據(jù)文獻(xiàn)[22]所用隨機(jī)森林特征選擇算法對負(fù)荷穩(wěn)態(tài)運(yùn)行時電流信號時域特性進(jìn)行排序，本文選取其特征重要性最高的特征表達(dá)式作為B通道的嵌入值，從一定程度上體現(xiàn)了電流時間序列的分布情況，并利用對數(shù)函數(shù)將計算值映射至(0, 1)內(nèi)。

9）將負(fù)荷電流信號的基波和3次諧波幅值、5次和7次諧波幅值、9次和11次諧波幅值的二進(jìn)制數(shù)按列排列分別填入矩陣、、的前四列和后四列中。

10）將矩陣、、分別與R通道、G通道及B通道的像素矩陣進(jìn)行合并，例如混合矩陣的1～列為矩陣，+1列～+8列為矩陣。

11）將三個混合像素矩陣進(jìn)行疊加得到混合彩色圖像。

依據(jù)上述方法，對某負(fù)荷穩(wěn)定運(yùn)行時的混合彩色圖像進(jìn)行構(gòu)建，過程如圖3所示。為了清晰反映三個混合像素矩陣的合并效果，分別利用灰度圖對其進(jìn)行可視化。從圖3可以看到，與合并的混合灰度圖像中，V-I軌跡被充分保留，且軌跡灰度的深淺能夠反映出一周期內(nèi)該負(fù)荷瞬時無功功率的變化，同時最右端的黑色色塊分布也反映出該負(fù)荷的基波與3次諧波電流幅值的大小。以此類推，與合并的混合灰度圖像可反映出該負(fù)荷功率因數(shù)的變化及5次和7次諧波幅值大小，而與合并的混合灰度圖像可反映出該負(fù)荷電流序列分布情況及9次和11次諧波幅值大小。最后，三個混合像素通道的疊加形成的混合彩色圖像，其軌跡顏色變化包含上述三個混合灰度圖像所反映的負(fù)荷特征信息，最右端的彩色色塊可反映出該負(fù)荷基波和3、5、7、9、11次諧波幅值大小的情況。當(dāng)不同負(fù)荷進(jìn)行混合彩色圖像識別時，通過最右端彩色色塊的顏色分布可有效彌補(bǔ)上述彩色V-I圖像識別類似吹風(fēng)機(jī)和加熱器等電器準(zhǔn)確率不高的不足。

圖3 混合彩色圖像構(gòu)建過程

2 神經(jīng)網(wǎng)絡(luò)模型的遷移學(xué)習(xí)

混合彩色圖像的使用使負(fù)荷特征細(xì)節(jié)信息有所增加，適合采用卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)特征提取，從而提高識別準(zhǔn)確率，但細(xì)節(jié)信息的增多加大了運(yùn)算復(fù)雜度。因此，為了兼顧負(fù)荷辨識的準(zhǔn)確率與模型訓(xùn)練速度，本文將AlexNet網(wǎng)絡(luò)作為深度學(xué)習(xí)模型進(jìn)行遷移學(xué)習(xí)。

AlexNet網(wǎng)絡(luò)架構(gòu)見表1，包含5個卷積層和3個全連接層，其中卷積層1、2、5都添加了最大池化層，從而避免過度擬合。線性整流函數(shù)ReLU被用作每個卷積層和全連接層的激活函數(shù)。此外，前兩個全連接層各有4 096個神經(jīng)元，且最后一個全連接層有1 000個神經(jīng)元。最后一個全連接層的輸出被傳遞給一個softmax函數(shù)，該函數(shù)產(chǎn)生1 000種對象的分類分布。

表1 AlexNet網(wǎng)絡(luò)架構(gòu)

由AlexNet結(jié)構(gòu)可知，全連接層之前的網(wǎng)絡(luò)結(jié)構(gòu)可被看作一個特征提取器，圖片經(jīng)過該特征提取器后生成一定維度的特征向量，該特征提取器具有極高的泛化能力。為了利用AlexNet這一能力，本文在深度學(xué)習(xí)模型的幫助下應(yīng)用遷移學(xué)習(xí)，其做法是將原網(wǎng)絡(luò)的特征提取器部分保留，刪去與預(yù)訓(xùn)練樣本有關(guān)的分類器。因為絕大多數(shù)情況下，預(yù)訓(xùn)練樣本與當(dāng)前訓(xùn)練樣本類別數(shù)不同，因此需要重新訓(xùn)練分類器，將新的分類器與預(yù)訓(xùn)練網(wǎng)絡(luò)的特征提取器連接得到新的網(wǎng)絡(luò)結(jié)構(gòu)，再利用當(dāng)前樣本對新網(wǎng)絡(luò)進(jìn)行訓(xùn)練即得到微調(diào)后的AlexNet，詳細(xì)過程如下。

1）從預(yù)訓(xùn)練的AlexNet中剔除最后一個全連接層，得到一個新的網(wǎng)絡(luò)。

2）構(gòu)建一個新的全連接層，神經(jīng)元個數(shù)為本文負(fù)荷類別個數(shù)，并將新全連接層轉(zhuǎn)移放置到新網(wǎng)絡(luò)最后一層。

3）輸入經(jīng)過處理的混合彩色圖像訓(xùn)練集。圖像大小應(yīng)調(diào)整為與AlexNet 的輸入神經(jīng)元相同。

4）訓(xùn)練新網(wǎng)絡(luò)直到滿足停止標(biāo)準(zhǔn)。初始學(xué)習(xí)率配置為一個較小的值，以減慢傳輸層中的學(xué)習(xí)速度。同時，增加新全連接層的學(xué)習(xí)率。

雖然AlexNet最初被設(shè)計用于識別ImageNet數(shù)據(jù)集，但是其學(xué)習(xí)到的高級抽象特征仍可用于輔助識別不同類型設(shè)備的混合彩色圖像。故采用遷移學(xué)習(xí)的方法將預(yù)先訓(xùn)練好的網(wǎng)絡(luò)參數(shù)進(jìn)行復(fù)用，以加快算法的收斂速度。

3 實驗測試與分析

3.1 實驗環(huán)境

本文基于Matlab平臺對原始AlexNet神經(jīng)網(wǎng)絡(luò)進(jìn)行遷移學(xué)習(xí)，并通過PLAID公共數(shù)據(jù)集和實驗室實測數(shù)據(jù)進(jìn)行驗證。硬件平臺為Intel(R) Core(TM) i7—10700 CPU 2.90GHz，8GB RAM。數(shù)據(jù)集PLAID包含在高采樣頻率（30?kHz）下采集65個不同地點(diǎn)、11種家用電器類型的1 793條電壓和電流記錄。為了驗證識別算法的準(zhǔn)確性與有效性，在實驗室環(huán)境下采集熱水壺、烘干機(jī)、手槍鉆和吹風(fēng)機(jī)4類用電設(shè)備的數(shù)據(jù)，并將四類設(shè)備進(jìn)行兩兩組合得到六類混合設(shè)備，共830組電壓和電流數(shù)據(jù)，采樣頻率為25kHz。

為評估算法的識別能力，本文采用混淆矩陣和準(zhǔn)確率兩種指標(biāo)進(jìn)行評價。準(zhǔn)確率表示正確分類的樣本數(shù)與測試總樣本數(shù)之比，即

式中：為正確分類的樣本數(shù)；為測試總樣本數(shù)。

3.2 PLAID數(shù)據(jù)集測試結(jié)果

由于PLAID數(shù)據(jù)集中不同類型家用電器的樣本數(shù)量存在較大差異，不平衡數(shù)據(jù)集會導(dǎo)致少類樣本的識別精度降低，因此本文采用SMOTE（synthetic minority oversampling technique）算法進(jìn)行過采樣，以增加少類樣本的數(shù)量。經(jīng)擴(kuò)充后的樣本數(shù)據(jù)集包含2 587條數(shù)據(jù)，從中隨機(jī)選取220個樣本作為測試集，其余作為訓(xùn)練集。根據(jù)本文混合圖像的生成方法，對PLAID數(shù)據(jù)集中的穩(wěn)態(tài)電流、電壓數(shù)據(jù)進(jìn)行處理，11種設(shè)備對應(yīng)的混合彩色圖像如圖4所示。從圖4可以觀察到，吹風(fēng)機(jī)、加熱器等設(shè)備的彩色V-I映射軌跡在形狀和顏色分布上區(qū)分度較小，但最右端彩色色塊所表示的諧波幅值卻存在較大差別。

圖4 11種設(shè)備對應(yīng)的混合彩色圖像

依據(jù)AlexNet網(wǎng)絡(luò)的輸入層大小為227×227×3，需將上述構(gòu)建好的混合彩色圖像大小進(jìn)行調(diào)整以匹配網(wǎng)絡(luò)的輸入維度。AlexNet網(wǎng)絡(luò)的遷移學(xué)習(xí)，構(gòu)建新的全連接層神經(jīng)元個數(shù)為11，設(shè)置初始學(xué)習(xí)率為0.001，訓(xùn)練次數(shù)為20，丟棄率為0.2，批次處理數(shù)量為25，代入劃分后的訓(xùn)練集進(jìn)行網(wǎng)絡(luò)訓(xùn)練，AlexNet網(wǎng)絡(luò)的訓(xùn)練過程如圖5所示。從圖5可以明顯觀察到，隨著迭代次數(shù)的增加，損失函數(shù)值逐步減小，訓(xùn)練準(zhǔn)確率不斷增大，當(dāng)?shù)螖?shù)達(dá)到500次時，兩者的變化趨勢都已趨于穩(wěn)定。

圖5 AlexNet網(wǎng)絡(luò)的訓(xùn)練過程

由于在實測過程中訓(xùn)練集與測試集采用隨機(jī)分配的方式，訓(xùn)練模型的準(zhǔn)確率會有所波動，因此本文重復(fù)多次模型訓(xùn)練與測試過程。多次重復(fù)訓(xùn)練模型的測試結(jié)果對比如圖6所示，從多次測試結(jié)果來看，采用混合彩色圖像方法識別負(fù)荷的準(zhǔn)確率波動較小，基本維持在92%以上，最高準(zhǔn)確率可達(dá)到95.5%。為了清晰反映各類負(fù)荷的識別效果，利用混淆矩陣對測試結(jié)果進(jìn)行可視化，PLAID數(shù)據(jù)集測試結(jié)果繪制的混淆矩陣如圖7所示。標(biāo)簽對應(yīng)的設(shè)備類型依次為：1為白熾燈、2為便攜式計算機(jī)、3為冰箱、4為吹風(fēng)機(jī)、5為風(fēng)扇、6為加熱器、7為空調(diào)、8為微波爐、9為吸塵器、10為洗衣機(jī)、11為熒光燈。混淆矩陣的每一列之和表示測試集中相應(yīng)設(shè)備的測試樣本數(shù)，每一行之和表示被識別為該類設(shè)備的樣本數(shù)，其中對角線上綠色框內(nèi)數(shù)字表示被正確識別的樣本數(shù)，而黃色框內(nèi)數(shù)字表示被誤判的樣本數(shù)。從混淆矩陣能夠清晰看出，本文所提識別算法準(zhǔn)確率達(dá)到了95.5%，其中冰箱和洗衣機(jī)的識別率低于平均識別率，原因是這兩類電器存在多種運(yùn)行狀態(tài)，不同狀態(tài)下的V-I軌跡和諧波有較大差異，容易被誤判為其他類型電器；此外，對于吹風(fēng)機(jī)與加熱器這類易產(chǎn)生混淆誤判的電器設(shè)備，識別率明顯得到了提高。

圖6 多次重復(fù)訓(xùn)練模型的測試結(jié)果對比

圖7 PLAID數(shù)據(jù)集測試結(jié)果繪制的混淆矩陣

為了進(jìn)一步說明本文方法的優(yōu)越性，引入文獻(xiàn)[19, 23-24]的負(fù)荷特征和分類模型進(jìn)行識別準(zhǔn)確率對比，具體結(jié)果見表2。在PLAID數(shù)據(jù)集上，本文方法相比于其他三種負(fù)荷識別算法的識別準(zhǔn)確率分別提高了22.5%、4.6%和2.3%，尤其是在減小冰箱、洗衣機(jī)和空調(diào)等多模式切換運(yùn)行設(shè)備的誤判率方面有著顯著優(yōu)勢。本文所提算法在負(fù)荷特征方面將諧波特征與彩色V-I圖像相融合生成的混合彩色圖像，不僅涵蓋了文獻(xiàn)[19, 23-24]所用算法的全部特征信息，還進(jìn)一步豐富了更多的負(fù)荷特征；在分類模型的選擇方面，AlexNet網(wǎng)絡(luò)的圖像識別性能要優(yōu)于使用簡單CNN進(jìn)行圖像識別，而AlexNet的遷移學(xué)習(xí)，相比于LeNet-5和BP兩種神經(jīng)網(wǎng)絡(luò)的分工合作，在網(wǎng)絡(luò)構(gòu)建復(fù)雜度方面有所降低。因此，結(jié)合以上兩方面的改進(jìn)，本文方法的負(fù)荷識別效果要優(yōu)于其他三種方法。

表2 與不同負(fù)荷識別算法的結(jié)果對比

3.3 實測數(shù)據(jù)結(jié)果

根據(jù)1.1節(jié)負(fù)荷特征分析可知，彩色V-I圖像對于設(shè)備工作原理相似且有功、無功功率等數(shù)值大小差異較小的情況，難以進(jìn)行有效區(qū)分。而混合彩色圖像中諧波特征的融入可有效提高該情況下負(fù)荷識別的準(zhǔn)確率。為了驗證該方法的有效性，本文將未融入諧波特征的彩色V-I圖像與之進(jìn)行對比。在實驗室環(huán)境下采集熱水壺、烘干機(jī)、手槍鉆和吹風(fēng)機(jī)的單一設(shè)備電流、電壓數(shù)據(jù)，以及任意兩兩設(shè)備同時運(yùn)行的混合電流、電壓數(shù)據(jù)。除手槍鉆以外，其余三種電器都為加熱類設(shè)備，且設(shè)備混合運(yùn)行會出現(xiàn)功率等特征數(shù)值大小相似的情況，單憑彩色V-I圖像進(jìn)行識別，容易出現(xiàn)誤判的情況。同時，將設(shè)備兩兩進(jìn)行混合運(yùn)行與單一設(shè)備數(shù)據(jù)共同代入上述網(wǎng)絡(luò)模型進(jìn)行測試，能夠驗證識別算法能否有效區(qū)分單一設(shè)備運(yùn)行和混合設(shè)備運(yùn)行的情況。

考慮到不平衡數(shù)據(jù)集的影響，實際采集時確保各類單一和混合設(shè)備數(shù)據(jù)樣本數(shù)量達(dá)到平衡，且測試環(huán)境和相關(guān)網(wǎng)絡(luò)模型參數(shù)同上述PLAID數(shù)據(jù)集一致。每種類型隨機(jī)取20個測試樣本數(shù)據(jù)，分別代入彩色V-I圖像和混合彩色圖像兩種算法模型進(jìn)行測試比較，分類結(jié)果見表3。本文所提混合彩色圖像明顯比彩色V-I圖像有更好的識別效果。當(dāng)未融入諧波特征時，彩色V-I圖像作為負(fù)荷特征，吹風(fēng)機(jī)容易被誤判為熱水壺，且兩者分別與烘干機(jī)進(jìn)行混合運(yùn)行，也會出現(xiàn)彼此誤判情況。而采用融入諧波特征后的混合彩色圖像作為負(fù)荷特征，可以發(fā)現(xiàn)該類誤判情況的發(fā)生得到了有效改善，由此表明融入諧波特征后的混合彩色圖像相比于彩色V-I圖像的優(yōu)勢所在。

表3 實驗室實測數(shù)據(jù)兩種方法測試結(jié)果對比

4 結(jié)論

本文提出了一種基于顏色編碼與諧波特征融合的非侵入式負(fù)荷識別方法，該方法將諧波特征幅值進(jìn)行二進(jìn)制轉(zhuǎn)換并與彩色V-I圖像進(jìn)行融合得到混合彩色圖像，最后利用遷移學(xué)習(xí)對AlexNet網(wǎng)絡(luò)進(jìn)行改進(jìn)，通過PLAID數(shù)據(jù)集和實驗室實測數(shù)據(jù)對本文方法進(jìn)行了驗證，并得出以下結(jié)論：

1）針對吹風(fēng)機(jī)和熱水壺這種V-I軌跡相似且功率差異不大的設(shè)備，融合諧波特征相比于未融合諧波特征具有更好的識別效果。

2）本文方法與其他方法進(jìn)行對比分析，測試結(jié)果說明，相比于灰色V-I軌跡與其他負(fù)荷特征的融合，混合彩色圖像進(jìn)一步豐富了負(fù)荷的特征信息，提高了負(fù)荷識別的準(zhǔn)確度。

3）本文方法對于多狀態(tài)運(yùn)行負(fù)荷的識別效果有待改進(jìn)，混合彩色圖像的生成方法除了融入諧波特征以外，可進(jìn)一步融入其他可區(qū)分性更高的負(fù)荷特征。

[1] 鄭曉芳, 黃鹿鳴, 傅軍棟. 基于元胞自動機(jī)的建筑火災(zāi)預(yù)測與疏散系統(tǒng)[J]. 華東交通大學(xué)學(xué)報, 2020, 37(2): 122-128.

[2] 徐揚(yáng), 張紫濤. 基于遺傳模擬退火算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的中長期電力負(fù)荷預(yù)測[J]. 電氣技術(shù), 2021, 22(9): 70-76.

[3] 周東國, 張恒, 周洪, 等. 基于狀態(tài)特征聚類的非侵入式負(fù)荷事件檢測方法[J]. 電工技術(shù)學(xué)報, 2020, 35(21): 4565-4575.

[4] 雷怡琴, 孫兆龍, 葉志浩, 等. 電力系統(tǒng)負(fù)荷非侵入式監(jiān)測方法研究[J]. 電工技術(shù)學(xué)報, 2021, 36(11): 2288-2297.

[5] 朱德省, 尹建豐, 周琨荔. 非侵入式電力負(fù)荷的辨識和監(jiān)測[J]. 電測與儀表, 2015, 52(增刊1): 133- 138.

[6] 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.

[7] BHOTTO M Z A, MAKONIN S, BAJIC I V. Load disaggregation based on aided linear integer pro- gramming[J]. IEEE Transactions on Circuits and Systems II: Express Briefs, 2017, 64(7): 792-796.

[8] 王玲, 李俐, 朱翔鷗, 等. 基于粒子群算法的強(qiáng)迫風(fēng)冷散熱器多目標(biāo)優(yōu)化[J]. 電氣技術(shù), 2022, 23(2): 20-25.

[9] 李蔥. 基于深度學(xué)習(xí)優(yōu)化的非侵入式負(fù)荷監(jiān)控算法研究[D]. 武漢: 華中科技大學(xué), 2017.

[10] YU Miao, WANG Bingnan, LU Lingxia, et al. Non- intrusive adaptive load identification based on Siamese network[J]. IEEE Access, 2022, 10: 11564-11573.

[11] 岳建任, 宋亞奇, 楊丹旭, 等. 基于seq2seq模型的非侵入式負(fù)荷分解算法[J/OL]. 電測與儀表, http:// kns.cnki.net./kcms/detail/23.1202.TH.20210705.1100.005.html.

[12] 楊云瑞, 黃宇魁, 陳文浩. 基于V-I軌跡特征的非侵入式負(fù)荷監(jiān)測算法[J]. 計算機(jī)與數(shù)字工程, 2020, 48(10): 2353-2358.

[13] 陳小閩. 非侵入式負(fù)荷分解技術(shù)及應(yīng)用研究[D]. 廣州: 華南理工大學(xué), 2018.

[14] DU Liang, HE Dawei, HARLEY R G, et al. Electric load classification by binary voltage-current trajectory mapping[J]. IEEE Transactions on Smart Grid, 2016, 7(1): 358-365.

[15] LIU Yanchi, WANG Xue, YOU Wei. Non-intrusive load monitoring by voltage-current trajectory enabled transfer learning[J]. IEEE Transactions on Smart Grid, 2019, 10(5): 5609-5619.

[16] 郇嘉嘉, 汪超群, 洪海峰, 等. 基于圖像編碼與深度學(xué)習(xí)的非侵入式負(fù)荷識別方法[J]. 科學(xué)技術(shù)與工程, 2021, 21(21): 8901-8908.

[17] 崔昊楊, 蔡杰, 陳磊, 等. 基于顏色編碼的非侵入式負(fù)荷細(xì)粒度識別方法[J]. 電網(wǎng)技術(shù), 2022, 46(4): 1557-1565.

[18] 郭鴻浩, 曹睿, 林欣欣, 等. 非理想磁鏈永磁同步電機(jī)轉(zhuǎn)矩脈動抑制[J]. 電機(jī)與控制學(xué)報, 2022, 26(2): 63-71.

[19] 裘星, 尹仕紅, 張之涵, 等. 基于V-I軌跡與高次諧波特征的非侵入式負(fù)荷識別方法[J]. 電力工程技術(shù), 2021, 40(6): 34-42.

[20] 郇嘉嘉, 汪超群, 洪海峰, 等. 基于雙通道多特征融合的電力負(fù)荷智能感知方法[J]. 科學(xué)技術(shù)與工程, 2021, 21(13): 5360-5368.

[21] LIN Y H，TSAI M S. An advanced home energy management system facilitated by nonintrusive load monitoring with automated multiobjective power scheduling[J]. IEEE Transactions on Smart Grid, 2015, 6(4): 1839-1851.

[22] 安琪, 王占彬, 安國慶, 等. 基于隨機(jī)森林-遺傳算法-極限學(xué)習(xí)機(jī)的非侵入式負(fù)荷識別方法[J]. 科學(xué)技術(shù)與工程, 2022, 22(5): 1929-1935.

[23] ZHENG Z, CHEN H N, LUO X W. A supervised event-based non-intrusive load monitoring for non- linear appliances[J]. Sustainability, 2018, 10(4): 1001- 1028.

[24] 王守相, 郭陸陽, 陳海文, 等. 基于特征融合與深度學(xué)習(xí)的非侵入式負(fù)荷辨識算法[J]. 電力系統(tǒng)自動化, 2020, 44(9): 103-110.

Non-intrusive load monitoring based on color coding and harmonic feature fusion

ZAI Zhoupeng1ZHAO Sheng1,2ZHU Xiang’ou1ZHANG Zhengjiang1DONG Fanqi1

(1. School of Electrical and Electronic Engineering, Wenzhou University, Wenzhou, Zhejiang 325035; 2. Technology Institute of Wenzhou University in Yueqing, Yueqing, Zhejiang 325600)

Non-intrusive load monitoring (NILM), as the main way to analyze user’s electricity consumption behavior, is of great significance to carry out energy consumption monitoring and realize electricity safety assessment. Aiming at the problem that the identification accuracy of the original voltage-current (V-I) trajectory features is not high, a recognition method based on the color coding of V-I trajectory features and the fusion of load high-order harmonic features is proposed in this paper. First, the high-frequency sampling data is preprocessed to extract the V-I trajectory and high-order harmonic characteristics of the load, and the numerical characteristics of instantaneous reactive power, power factor and current sequence distribution are mapped to the three channel pixel matrix of RGB color image by using color coding technology. Then, the high-order harmonic features are introduced and fused with three channel pixel matrix to form a mixed color image. Finally, the transfer learning of AlexNet network is used to train and classify the loads, which is verified by the PLAID data set and the measured data. The identification accuracy of the proposed load identification method is more than 95%, and the model has good generalization ability, which can be used for electricity safety management in home and similar occasions.

non-intrusive load monitoring (NILM); AlexNet network; V-I trajectory; color coding; fusion feature

國家自然科學(xué)基金（52077158）

浙江省重點(diǎn)研發(fā)計劃（2014NM005）

2022-08-10

2022-08-30

宰州鵬（1999—），男，江蘇揚(yáng)州人，碩士研究生，主要研究方向為電器智能化、非侵入式負(fù)荷監(jiān)測。