非侵入式負荷辨識技術研究及應用

0引言

黨的十九大指出,當前社會的主要矛盾已經(jīng)轉(zhuǎn)化為人民日益增長的美好生活需要和不平衡不充分的發(fā)展之間的矛盾。為響應國家號召,國網(wǎng)公司積極構建以客戶為中心的新型供電服務體系,于2018年初發(fā)布了《國家電網(wǎng)公司關于堅持以客戶為中心進一步提升優(yōu)質(zhì)服務水平的意見》(國家電網(wǎng)辦(2018)1號）,提出了"客戶服務能力在能源行業(yè)領先、客戶服務感知和服務滿意度在公共服務行業(yè)領先"的發(fā)展目標。

當前,國網(wǎng)公司用電客戶中居民用戶達4.1億戶,占總客戶數(shù)的88.9%。同時,隨著我國城鎮(zhèn)居民生活水平的提高,居民用戶負荷呈高速增長態(tài)勢,用電行為日趨復雜,居民用戶對精準精益用能的服務訴求不斷增長。智能電能表作為智能電網(wǎng)的基礎性、關鍵性資產(chǎn),既是用戶計量結算的依據(jù),又是用戶用電信息交互的窗口。通過開展智能電能表數(shù)據(jù)深化應用和智能量測體系建設,深度挖掘用電信息采集系統(tǒng)功能,可有效促進以客戶為中心的新型供電服務體系建成。

在上述背景下,計量專業(yè)積極開展負荷辨識電能表研發(fā)及應用,以期實現(xiàn)居民用電設備組成和能耗全時段精確辨識,為客戶提供節(jié)能診斷、用電安全隱患辨識、電器壽命預測、電器使用率統(tǒng)計等增值服務:同時,通過引導用戶科學合理用電,降低電網(wǎng)峰谷差,推動節(jié)能減排。

1電器負荷特征提取

居民電力負荷在運行以及開啟和關斷的過程中,因工作原理的不同而具有不同的運行特性和啟停特性,可以據(jù)此對居民電力負荷進行有效辨識分解,這構成了非侵入式辨識的基礎,負荷的運行特性和啟停特性被稱為"辨識特征量"。

在實際工作中,采樣數(shù)據(jù)都是離散值,所以采用的有功功率計算公式如下:

式中:m為有功功率序列p的計算時間窗口所含工頻周期數(shù)目:N為一個工頻周期包含的電流、電壓采樣點數(shù)目,N=f_s/50,f_s為電流、電壓的采樣頻率:u_k、i_k為離散的電壓和電流序列。

穩(wěn)態(tài)無功功率0的計算公式如下:

基于以上計算,可以實現(xiàn)基于本地裝置的用戶功率數(shù)據(jù)提取。

非侵入式負荷辨識技術非常依賴數(shù)據(jù),因此首先需要采集電器負荷數(shù)據(jù),建設負荷特征庫。家庭負荷種類繁多,工作模式迥異,采集得到的原始數(shù)據(jù)量相當龐大,需要對其進行特征提取,然后進行分類與管理。

根據(jù)居民負荷原始數(shù)據(jù),可從負荷功率特性、諧波特性、沖擊特性等多種角度進行數(shù)據(jù)特征分析。例如,電磁爐、微波爐的主要特征是諧波,圖1分別是4臺不同電磁爐的負荷特征數(shù)據(jù)。

分析圖1數(shù)據(jù)可以發(fā)現(xiàn),電磁爐直流分項可以忽略不計,諧波排序大致會出現(xiàn)奇次(4、5、6）—偶次(1、2、3）的排序,這些諧波分量均可以作為分類器的一個輸入特征向量。

2負荷辨識算法

負荷辨識算法的核心有兩個:一是事件檢測,幾乎全部現(xiàn)有算法均需要用事件檢測來區(qū)分負荷投切前后的穩(wěn)態(tài)和暫態(tài)區(qū)段,并在此基礎上執(zhí)行后續(xù)計算:二是分類器,即負荷識別模型,基于機器學習算法的分類器是最優(yōu)選擇。

事件檢測算法有很多,本文主要研究改進雙邊累積和(Cumulative Sum,CUsUM）檢測算法,主要改進點在于引進一個伸縮因子,以使CUSUM算法可以適應不同功率水平下的負荷事件檢測需求。原始CUSUM算法原理是,考慮采樣序列X=（x(k））,(k=1,2,…）,非參數(shù)化雙邊CUSUM的統(tǒng)計量g定義如下:

式中:μ₀為穩(wěn)態(tài)序列均值:β為噪聲。

式(3）和式(4）分別為正向變化統(tǒng)計量和反向變化統(tǒng)計量計算公式。

當g或g^-_k超過設定閾值時,認為序列發(fā)生正向變化或反向變化事件。在此基礎上,本項目增加自定義收縮系數(shù),其計算方法如下:

式中:co_i⁺  與co_i^-分別為降頻數(shù)據(jù)的第i點的正、反向自適應收縮系數(shù):g_i-1⁺、g_i-1^-分別為第i-1點的正向與負向統(tǒng)計函數(shù)值:β為噪聲水平:w決定負荷事件檢測中統(tǒng)計參數(shù)的收縮程度,根據(jù)具體測試結果確定。

經(jīng)過改進后,CUSUM算法的統(tǒng)計量即為:

式中:i與i-1分別為降頻數(shù)據(jù)的第i點與第i-1點的有功功率估計值,具體估計方法可以采用均值濾波或卡爾曼濾波:g_i⁺與g_i-1⁺分別為降頻數(shù)據(jù)的第i點與第i-1點的正向統(tǒng)計函數(shù)值:gi^-與g^-_i-1分別為降頻數(shù)據(jù)的第i點與第i-1點的負向統(tǒng)計函數(shù)值。

根據(jù)上述統(tǒng)計量,負荷事件判斷過程如下:正向統(tǒng)計函數(shù)值是否大于統(tǒng)計閾值,若是則為投入負荷事件:負向統(tǒng)計函數(shù)值是否大于統(tǒng)計閾值,若是則為切除負荷事件。

在實際測試過程中,數(shù)據(jù)異常、快速誤操作、拉弧沖擊電流等可能引起檢測錯誤的問題。例如,數(shù)據(jù)異常點會多檢測出一個負荷切除事件:快速誤操作會多檢測出一個電器:拉弧沖擊電流則比較復雜,可能會檢測出多個連續(xù)的負荷投入或切除事件。上述異常可能導致算法邏輯崩潰,因此還需要加強事件檢測算法的魯棒性,對檢測結果做適當修正。

修正邏輯為:

(1）若某負荷切除事件集合的左邊界小于某負荷投入事件的右邊界,且負荷切除事件后窗與某投入事件的前窗均值差大于設定閾值,則連接兩個事件,并修正為負荷投入事件:

(2）若某負荷切除事件集合是某負荷投入事件集合的真子集,則刪除該切除事件。

與現(xiàn)有的兩步方差法和CUsUM算法相比,本文所提方法對常規(guī)負荷事件檢測準確度有很大改善,對緩升型和沖擊型事件檢測精度有顯著提高,算法容錯性好。

3負荷分類器

采用支持向量機分類器,根據(jù)電器啟停時刻的電氣特征量變化對電器進行分類,實現(xiàn)電器種類辨識。以下簡單介紹sVM線性分類器的基本原理。

對于一組k維線性可分樣本X1,X2,…,Xm,存在一個超平面將這組樣本分為兩類,分類超平面由下式?jīng)Q定:

式中:x=（x1,x2,…,xk）為樣本屬性向量:w=（w1,w2,…,wk）為樣本第i個屬性值的權重:b為偏置。

式(7）對應的線性分類器判決函數(shù)為:

若f(x）>0,標記正類:若f(x）≤0,標記負類。根據(jù)已知標簽的訓練樣本,用經(jīng)典的感知機學習策略對式(8）中的w和b不斷進行優(yōu)化調(diào)整,可以獲得一個在訓練樣本上表現(xiàn)良好的線性分類器。

進一步地,若以分類間隔最大為優(yōu)化目標,通過優(yōu)化算法得到w和b的估計值,這樣的分類器即為sVM線性分類器,其泛化能力優(yōu)于普通線性分類器。在sVM線性分類器的基礎上,可以使用變換函數(shù)將樣本的屬性向量從原始空間映射到更高維度的特征空間,使樣本最終具有線性可分性。引入變換函數(shù)φ(·）后,由式(8）定義的判決函數(shù)變?yōu)?

優(yōu)化w和b需要計算高維空間的向量內(nèi)積,可以引入核函數(shù)方法避開這個問題。引入核函數(shù)K(·）后,式(9）可以變換為:

式中:xi稱為支持向量。

選擇在通常情況下性能較優(yōu)的高斯核函數(shù),也稱為徑向基核函數(shù)(RadialBasisFunction,RBF）,最后可得分類決策函數(shù)為:

式中:w和b為需要優(yōu)化求解的參數(shù):a為設定的超參數(shù)。

在訓練非線性+sV分類器時,若允許分類器在訓練樣本上存在一定的分類錯誤率,降低分類器在測試樣本上的泛化誤差,還需要加入一個正則化項C?；?sV分類可得到如圖2所示的分類結果,基于該結果可根據(jù)不同的采樣結果對負荷進行分類識別。

4實驗分析及現(xiàn)場應用

非侵入式負荷辨識電能表采用多芯模組的設計,采用計量核心、控制核心和負荷辨識核心構成三芯協(xié)同的硬件框架。

多芯模組的劃分主要以功能為導向。計量核心采用片上系統(tǒng)(+Myt│monChix,+oC）設計方案,負責將用戶側總線上的電壓和電流經(jīng)由互感器、調(diào)理電路和模數(shù)轉(zhuǎn)換器得到的波形數(shù)據(jù)準確采集,經(jīng)過必要的數(shù)據(jù)處理環(huán)節(jié)后按一定的周期和數(shù)據(jù)格式發(fā)送給負荷辨識芯:功能核心VCU負責計量芯、負荷辨識芯和采集主站之間的通信連接,發(fā)揮通信中轉(zhuǎn)站的作用,連接電能表各個功能并協(xié)同工作:負荷辨識芯,顧名思義負責基于原始電壓和電流波形數(shù)據(jù)進行非侵入式負荷辨識的功能實現(xiàn),實物電路板如圖3所示。

歷經(jīng)居民用電負荷辨識算法研究、用電負荷特征庫構建、電能表負荷分析模塊研發(fā)、主站及配套Axx功能模塊開發(fā)應用等階段,依托智能電能表和用電信息采集系統(tǒng),實現(xiàn)了居民用戶家庭電器組成和能耗全時段精確辨識。通過手機Axx推送精細化、多元化的全方位用能信息及衍生業(yè)務數(shù)據(jù),可為用戶提供精準精益的用能數(shù)據(jù)服務。負荷辨識電能表應用系統(tǒng)框架如圖4所示。

在云端,應用無監(jiān)督機器學習算法對長時間、廣域度、海量級居民用電負荷數(shù)據(jù)進行聚合分析,評估居民可中斷彈性負荷規(guī)模,為實施需求響應、提高電網(wǎng)運行經(jīng)濟性提供支撐。

某戶居民的負荷辨識結果如圖5所示。

若全面應用該技術,可以進一步了解用戶生活中的電器設備使用水平,進而實現(xiàn)全市范圍內(nèi)的負荷調(diào)度配置,助力國內(nèi)能源的合理利用和碳達峰、碳中和目標的實現(xiàn)。某市部分區(qū)域的負荷辨識聚合結果如圖6所示。

5結語

負荷辨識技術的研究和應用有利于研究社會電力的具體需求,可助力國家能源戰(zhàn)略的合理調(diào)配。本文在此背景下研究了電器特征及其提取方法,并基于電器特征信號提出了一種改進的負荷辨識算法,通過對負荷的提取辨識,研究了負荷分類模型和實現(xiàn)機制。

現(xiàn)場應用表明,本文所研究的負荷辨識方法可以準確有效地辨識出常用的特征負荷,在電力能源調(diào)度以及統(tǒng)籌決策中具有重要的現(xiàn)實意義。