基于云端协同的家用电器负荷辨识能力提升技术研究

严永辉，李新家，王淑云，邓士伟，黄时

（1.江苏方天电力技术有限公司，南京211100；2.江苏智臻能源科技有限公司，南京211111）

0 引言

随着智能电网的加速发展及智能终端的更新换代，电力需求侧管理逐步受到电力公司的重视，负荷辨识技术随之应运而生［1—3］。传统上，居民用电信息以电费形式告知客户，客户仅能了解到自身一段时期的总用电量，而负荷辨识技术能将能源消耗数据分解到单个电器的水平，用户可以基于自身更加详细的用电信息从而制定节能策略。此外，通过负荷辨识技术分析居民各类电器的使用情况可以更加准确的预测电力需求，应用管理手段避免能源网络过载或停电同样是负荷辨识存在的意义之一［4—6］。

传统的负荷监测方法采用介入式设计原理，在用户侧对每个用电设备安装采集装置从而进行设备状态监测，其固有形态必然导致成本高，方案难以大规模推广。非介入式负荷监测（non-intrusive load monitoring，NILM）相较于介入式技术仅需在入户侧安装一台智能终端，且在不入户的情况下做到负荷辨识，因此成为现阶段负荷辨识的主要实现方式［7—9］。

近年来，基于终端的负荷辨识技术重点在于构建负荷特征库后的特征辨识［10—12］，有学者提出了一种高频采集模式下的非侵入式负荷在线监测方法，基于构建的负荷种类库通过贝叶斯分类模型实现负荷种类判断。也有学者提出通过有功和无功功率、动态时间弯曲（DTW）算法、K近邻算法与核Fisher判别算法进行负荷识别［13—14］。当前的NILM方法主要通过2种方法构建数据库，第一是通过预先试验，对常用的电器进行录波；第二是依赖于公共数据集。2种方法对于预先得到数据的质量均有很高的要求，且只能得到常用的家用电器，而对各个用户的个性化电器无从下手。随着家用电器种类越来越多，相似原理的电器其暂态的“启停”特性类似，终端由于内存限制，无法大量存储数据特征，导致电器辨识成功率越来越低。

因此，为克服终端辨识存在的不确定电器无法辨识的现象，本文提出云端协同的优化方式，利用云端大量数据存储的优势协助终端完成负荷辨识。该方法以现有的终端负荷辨识体系为基础，对于不确定电器基于CUSUM事件检测算法提取事件特征并上送云端，云端依据历史特征数据基于最邻近原则分类从而实现负荷辨识，云端完成辨识后将个性化信息回馈终端，辅助终端实现实时辨识。

1 终端负荷辨识技术

1.1 数据量测

基于非侵入式终端的数据量测是进行负荷辨识的第一步，通过部署在特定区域的终端设备实现。数据采集主要考虑2个因素：采样频率和数据源基础。

高频采集的典型参数有电流周波、谐波、电磁干扰等，能够较为全面地捕获电器设备特征参数，同时采集设备的成本相对较高，且对数据的传输和存储提出了较高的要求。本文采用的终端设备采样频率为6 400 Hz，通过先进的分布式计算架构可以获取到较多的数据源基础，包括3次谐波、2次谐波、有功功率、无功功率等。

1.2 基于CUSUM事件检测方法研究

CUSUM算法是一种变化检测方法，它可以检测到统计过程均值的变化。CUSUM理论基础是序贯分析原理中的序贯概率比检验理论，算法原理是：如果从某点开始有异常出现，则序列的概率分布会发生改变。整个数列的均值或者方差也发生变化，可判定从该点起为异常。CUSUM设计思想是对样本数据信息加以累积，将过程的小偏移累积起来，达到放大的效果，从而提高检测过程中对小偏移的灵敏度。

以有功功率序列P为例，以m大小的滑动窗口连续检测事件，首先以式（1）计算[ ]i,i+m-1窗口内有功功率平均值Pav为

然后，基于式（2）生成有功检测序列ZP，其第i个分量为

图1 原始功率信号Fig.1 Original power signal

图2 基于CUSUM算法后的事件检测信号Fig.2 Event detection signal based on CUSUM algorithm

1.3 数据量测基于K最邻近的负荷辨识

各户家用电器种类相对是固定的，各种类波形类似，所提取的暂态特征近似，因此终端负荷辨识方式是提前构造一般电器的基础特征库。由于终端缓存的数据有限，因此常常只能判断秒级数据特征，例如电器的启停功率变化、谐波变化、无功变化等如表1所示。为保证算法的一般性，并降低运算量，首先海量获取不同家用电器一般波形，将独立运行的负荷特征作为先验知识体系。

将不同类特征构建基于K最邻近法（K-nearest neighbor，KNN）的分类模型，KNN算法属于监督学习算法，训练需要有监督信息，通过欧式距离计算公式，依据多数原则，将未知数据特征样本归类至距离最近的聚类中心，其基本训练步骤如下。

假设有一组历史电器特征样本集合定义为S。其中S由n个电器特征样本组成，每个电器特征样本由9个属性变量及1个标志量构成，9个属性变量如表1所示，其数据表达式为

式中：Fij为第i个电器第j个特征；Li为第i个电器标签，属性变量如表1所示，即为电器种类；i取1,2,…,n；j取1,2,…,9。

表1 终端特征库Table 1 Terminal feature database

生成特征样本集合后，再各个特征空间内形成测试样本，表示为Y={F1,F2,…,F9}，预测时，首先在训练样本集S集合中找到与测试样本Y欧式距离最近的k个近邻，然后找到k个样本的标志量（电器分类）集合L={L1,L2,…,Lk}，最后按照少数服从多数原则判断预测电器结果。

由此先验预测知识在终端处构建各类电器的空间阈值，写入终端后，终端进行实时对电器进行辨识，总体算法流程如图3所示。

图3 负荷辨识算法流程图Fig.3 Flowchart of load identification algorithm

2 云端协同负荷辨识技术

基于终端采集数据的负荷辨识技术，一方面由于相似电器数量过多，仅凭负荷启停事件检测无法实现相似电器的准确辨识；另一方面，由于终端的内存有限，无法提供足够长时的电器特征量，终端难以凭借自身的硬件条件进行学习，导致终端负荷辨识技术存在瓶颈。图4给出了电饭锅、电烤箱、电水壶、电热水器4类相似电器的功率波形，4种电器都属于电热类电器，其特点是随着电器的启停，有功功率进行瞬时的变化，无功、谐波等变化不明显，然而电热类的有功功率大小类似，仅仅依靠短时的启停有功功率大小变化这一特征难以对电器进行准确辨识，因此本章突破终端限制，增加个人用电行为习惯等特征进行辅助辨识。

图4 4种典型相似电器功率波形图Fig.4 Four typical similar electrical power waveforms

2.1 基于云端协同负荷辨识技术的基本架构

协同设计的前提是利用双方的各自优势，否则便是无端增加了设备的成本。由于终端内存的限制，导致终端无法基于长时特征进行负荷辨识，云端虽然无法辨识每个用户特征，但是可以基于这些特征进行海量数据的计算，二者相辅相成。

图5为云端协同负荷辨识基本架构图，图中可见终端模块一共包含4个关键部分：数据采样模块、特征上送模块、数据上送模块、任务时间管理模块，可完成与云端的主要电器特征上送。

图5 云端协同负荷辨识基本架构图Fig.5 Basic architecture diagram of load identification by cloud collaborative

云端利用分布式数据库可以结合用户历史数据完成长时的特征计算，例如，每月电器的开启次数等，平时此电器的开启时间等。云端基于更加海量的特征进行综合辨识从而确定用户的电器种类，并将更加详细的特征描述（例如某用户习惯19:00开一台1 800 W的热水壶）回传终端，辅助终端辨识。

2.2 云端特征库构建

云端协同的基本原理即为终端无法辨识电器通过特征上送从而在云端构建海量特征库辅助辨识。本文构造云端特征库一共包含3类特征，第一类为电器基础固有特征如启动时有功、无功、3次谐波、2次谐波变化，连续启停次数等；第2类为电器的时间特征，如开启时间、关断时间、运行时间；第3类长时统计特征，如表示波动程度的变异系数（coefficient of variation，CV），表示窗口内电器状态变换次数的状态系数，其计算如式（4）至式（6）所示。本文云端特征库具体构建的特征如表2所示。

假设窗口信号为X={x1,x2,…,xm}，xi为X的第i个量测信号，m为窗口大小。其变异系数CV为

式中：σ为样本数据标准差；μ为样本数据平均值。

为计算状态，设定突变阈值为H，基于差分算法计算其计算流程如下：①遍历窗口信号内x1至xm，并分别计算其差分序列D，其中D={x2-x1,x3-x2,…,xm-xm-1}；②统计数值正负变换点，并计算2个区域的差值绝对值是否大于阈值H；③统计突破阈值的次数为状态系数。

表2 云端特征库典型特征表Table 2 Typical feature table of cloud feature database

2.3 基于云端特征库的负荷辨识协同

典型的基于云端特征库的负荷辨识流程包括构造终端负荷特征库、常规负荷辨识、暂态特征上送云端、构造云端负荷特征库、基于KNN算法进行云端负荷辨识几个重要环节，从而实现终端无法确认的电器在云端实现电器的精细化识别。完成云端识别后，用户终端再一次遇到此种电器依旧需要借助云端，无法实现在线的短时辨识。因此云端辨识后反馈终端此电器的特异性特征，例如具体的有功阶跃，常开的时间等，从而此用户在一般终端特征库中更新自身特异性的特征库，从而实现此电器的特异性识别，其云端协同的流程如图6所示。

随着电器类型激增，云端协同不仅可以保证所有用户大类基本电器辨识的准确度，而且对用户的特异性电器存在良好的辨识度，解决了辨识精细化的问题。

图6 基于云端特征库的负荷辨识流程图Fig.6 Flowchart of load identification based on cloud feature database

3 算例

在南京“文馨苑”台区安装非介入式负荷监测智能终端，利用终端采集的细粒度数据为基础进行云端协同负荷辨识。以2栋801户为例，终端实时捕获到2种典型电器功率波形如图7和图8所示。

图7 电脑有功功率波形Fig.7 Active power waveform of computer

图8 电视机有功功率波形Fig.8 Active power waveform of television

由于这2种典型电器工作原理近似，基本都属于屏幕的功耗，因此各种特征波形图非常相似，功率大小均在70 W左右，其余特征并不明显，终端无法根据窗口时间内特征进行辨别，因此需要更高维度的特征信息上送云端。

将负荷特征上送云端后，云端根据获取的特征，云端对于此用户的历史特征数据进行统计，并在时间特征中存在明显差异如表3所示。

表3 801用户电视机和电脑时间特征对比Table 3 Comparison of time characteristics of television and computer in room 801

显然，此用户在使用电脑和使用电视的频次和时间是不同的，因此基于KNN进行云端2次负荷辨识并将其特异性特征反馈终端。例如上午开了此类电器大概率为电脑非电视，为其构造此用户的特异性电器特征库。

完成训练后，在线测试现场801户电脑与电视机用电情况，结合录波数据与用户反馈，1个月内整体算法抓取此类电器124次，辨识正确次数83次，辨识成功率67%。检查发现此用户的周末用电习惯与工作日有明显区分。因此，终端补充更详细的2类时间特征（周末和工作日），离线测试，改正后辨识正确次数高达113次，辨识成功率为91%。

综合整个“文馨苑”台区，电热类为常见不易区分电器，终端辨识及云端负荷协同辨识结果对照如表4。

表4 负荷辨识结果对照表Table 4 Comparison table of load identification results

由表4可知，由于相似电器种类繁多，各类电器工作原理差异并不大，因此导致终端在基于一般性和特殊性上存在技术性的难点使得辨识成功率不足以支撑用户的需求。本文云端协同的构思在满足终端一般性的要求下，结合了各个用户的特异性使得辨识成功率大幅度提升。

4 结束语

（1）基于CUSUM事件检测方法挖掘电气数据的变化，实现了用户电器启停的相关特征提取。

（2）云端基于固有、事件、统计特征进行负荷辨识，并将辨识结果反馈终端，从而建立用户的个性化特征库辅助辨识。

（3）所提方法除了能提高用户电器辨识率外还可以对波形相似的电器进行识别，提升辨识的细粒度。

在实际用户测试中，受电器波形的特异性以及各种电器叠加的影响，所提算法的识别准确率未能达到100%。因此在后续的研究中，将考虑提取高频特征，提高算法的鲁棒性。