基于人工神经网络的非侵入式居民用电负荷识别方法

耿赫男，刘 莉，庞新富

（沈阳工程学院a.研究生部；b.学术委员会；c.自动化学院，辽宁 沈阳 110136）

伴随着智能用电的快速发展，为了监测用户的用电细节信息，现有采用多功能表方案和智能插座方案。前者实施难度较大，增加了大量的人力成本，并且面临着安装空间不足的问题；后者采用智能插座，即“侵入式”监测方案，但该方案的实施难度仍然较大，一方面因为需要入户安装，进入用户隐私空间，从而引起用户反感；另一方面由于用户可以自由控制所安装的传统监测设备的运行状态，从而导致采集到的运行数据不连续、不完整，从监测数据中挖掘出的用户用电行为信息便失去参考意义。因此，开展对用户用电细节信息的研究具有重要的实际意义［1］。

非侵入式负荷识别可以有效解决上述问题。通过在用户入口处安装一个负荷监测装置，从监测到的用户用电信息中识别出各电器的用电信息来获取家用电器能耗等信息［2］。对于负荷识别问题，通常采用数学优化求解。文献［3］利用启发式算法求解基于稳态电流的分解模型，但其考虑的用电设备种类较少，负荷分解偏差较大。文献［4］采用的模型虽然考虑了用电设备功率接近的情况，但识别精度不高。数学优化算法总体上存在着求解效率低的问题。文献［5］只对负荷识别的算法进行了探索，并没有利用识别的结果展开面向用户和电网公司的应用。

针对数学优化算法求解效率低的问题，同时也为解决非侵入式负荷识别结果的有效利用问题，本文提出利用人工神经网络来进行非侵入式负荷识别，并探讨了非侵入式负荷识别在实际中的进一步应用。

1 基于人工神经网络的非侵入式负荷识别方法

1.1 人工神经网络设计

人工神经网络是通过模拟人类大脑神经处理信息的方式，进行信息并行处理的网络系统。其优点是通过多输入多输出实现数据的并行处理，典型结构如图1所示。

图1 人工神经网络典型结构

图1中各参数的数学关系满足下式：

式中，p为输入向量；a为输出向量；W为权值矩阵；b为偏差向量；f为传递函数。

1.1.1 人工神经网络结构

神经网络的结构有很多种，前馈神经（Back Propagation，BP）网络和径向基神经（Radical Basis Function，RBF）网络是目前技术最为成熟、应用最为广泛的两种网络［6-7］。最常见的BP神经网络的典型结构包括输入层、输出层与隐藏层。

输入层采用负荷特征量作为神经网络的输入，如电压、电流、有功功率等；输出层采用家用电器的工作模式作为输出，且神经元的个数与其工作模式有关；隐藏层神经元个数的选取没有固定方法，但是通常需要优化隐藏层神经元数目，以避免出现过度拟合的问题，常用的隐藏层神经元个数选取经验公式如下：

式中，n为隐藏层神经元数目；N为训练集个数；d为输入维数。

本文将隐藏层神经元个数确定为10。

1.1.2 人工神经网络训练

1）传递函数的选择

在神经网络的训练过程中，对训练所用传递函数的选择至关重要。本文采用Sigmoid函数的对数函数：log-sigmoid（logsig）。logsig函数单调连续，可以将一个实数映射到（0,1）的区间上，其图像如图2所示。

图2 log-sigmoid函数图像

2）训练函数的选择

本文选择MATLAB神经网络工具箱中的trainbfg函数，即BFGS-拟牛顿法，它的计算量比牛顿法小。BFGS-拟牛顿算法被认为是目前最好的拟牛顿算法，因此采用此算法完成神经网络的训练。

1.2 非侵入式负荷识别模型设计

按照上述方法，对建立的神经网络进行训练，得到如图3所示的结果（以洗碗机为例）。

训练好神经网络以后，需要考察所训练神经网络的分类效果。为了直观地表示所训练神经网络的分类效果，本文在神经网络训练结束后，画出训练神经网络的混淆矩阵。

混淆矩阵（Confusion Matrix）在机器学习领域是用来评价算法精度的一种可视化工具，用来对算法的分类结果和实际的分类结果进行对比。通俗来讲，就是对机器学习算法的运行精确度进行评价。

图3 神经网络训练结果

图4所示是对用于识别洗碗机的神经网络进行训练后得到的混淆矩阵。其中，第一行第一列的39241表示有39 241个实际属于第一类的数据被正确归为第一类；而第一行第二列的3表示有3个实际属于第二类的数据被错误归为第一类，即对角线上的元素为实现了正确分类的数据量，非对角线上的元素则相反。

从图4可以看出，本文所建立的模型分类效果良好，能够实现用电设备工作模式的精确识别。

图4 神经网络混淆矩阵

2 算例分析

2.1 非侵入式负荷识别结果

对洗碗机的运行信息（电压、电流、有功功率、无功功率等）和家庭总负荷信息进行监测，监测设备采样的时间间隔为1 min，并在此基础上开展了非侵入式负荷识别的仿真分析工作。

图5所示为某日的总负荷监测信息。

图5 总负荷监测结果

图6所示为利用本文提出的非侵入式负荷识别模型从总负荷中识别出的洗碗机日负荷曲线。

图6 洗碗机负荷识别结果

为了比较负荷识别的结果，绘制出洗碗机当天的实际监测数据，如图7所示。

图7 洗碗机负荷监测结果

在图6中，准确识别出洗碗机工作状态的监测点占总监测点数量的比值，可以作为识别准确率的判定方法，由此计算出本模型针对洗碗机的识别准确率为97.4%。

从对负荷识别结果与实际监测结果进行的比较中也可以看出：本文建立的模型可以有效识别出用电设备的工作时间与电流较大时的工作状态，但对于电流较小时的工作状态识别效果不佳。

2.2 非侵入式居民负荷识别的高级应用

基于本文提出的非侵入式居民负荷识别方法，可以实现用户用电负荷的准确分解，从而采集到电力用户高清晰度的用电细节信息，使电网公司能够向电力用户提供过去从未有过的智能用电方面的高级应用，提升节能效果，改善用户体验。

2.2.1 用户用电行为分析

利用本文提出的非侵入式负荷识别方法得到各家用电器的运行状态，根据负荷识别的结果，掌握1 d之中各家用电器的运行情况。

根据仿真结果统计得到各电器在1 d内的用电信息，根据式（3）对各家用电器的用电量进行统计，得出的各家用电器用电量如图8所示。

式中：WAk为电器A在第k次运行期间的耗电量；Pi-1和ti-1分别为用电设备工作中前一测量点的功率和时间；Pi和ti为第i个测量点的功率和时间；N表示在用电设备运行期间测量点的个数。

图8 各类别家用电器用电量

从图8中可以看出：干衣机和暖通空调作为家庭中的大功率家用电器，尽管使用次数少，但用电量比较大；电冰箱的功率较小，但几乎全天都处于运行状态，用电量也比较大，超过了1 kW·h。电网公司可以据此对不同用户家中同类的家用电器能耗进行比较分析，从而判断出用户家中的用电设备是否存在异常的用电行为。

2.2.2 分项电费计算

基于负荷用电细节信息，电网公司可以根据用电设备的不同类型和电力的不同用途实现分项统计耗电量与分项电费计算，为用户优化能耗，提高用户电费支出的透明度。通过为用户提供电费分项统计明细，提高了用户电费支出的透明度，如图9所示（电费按0.5元/kWh计算）。

图9 日用电量分项计价结果

2.2.3 节能增效服务

通过向用户提供用电总量信息反馈所引起的用户行为变化能够实现5%～15%的能耗节约［9］，但能耗节约的最大值受制于缺少用电细节信息。

基于负荷分解的个性化能效服务可促成平均14%的家庭能耗削减［10］。因此，本文给出了一种将技术型节能增效方案与管理型节能增效方案相结合的持续节能方案。

技术型节能增效方案可以帮助企业了解和解决低功耗设备、改善绝缘材料、校正功率因数等基本问题；管理型节能增效方案可以通过自动化和管理规章优化系统能源使用，可将其应用于楼宇管理、能源管理、电机控制、照明控制等领域。

3 结 论

1）针对数学优化算法在进行负荷识别时的不足，提出了一种新的非侵入式负荷识别方法，并通过仿真证明了本方法的有效性；

2）本文所提出的模型在识别工作电流较大的电器时准确率高，在识别处于小电流工作状态电器时的准确率有待提高；

3）针对本文得到的非侵入式负荷识别的仿真结果，进一步探讨了非侵入式负荷识别在用户用电行为分析、分项电费计算及节能增效服务方面的应用，为非侵入式负荷识别的应用指明了方向。