0引言

黨的十九大指出,當(dāng)前社會(huì)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(yīng)國家號(hào)召,國網(wǎng)公司積極構(gòu)建以客戶為中心的新型供電服務(wù)體系,于2018年初發(fā)布了《國家電網(wǎng)公司關(guān)于堅(jiān)持以客戶為中心進(jìn)一步提升優(yōu)質(zhì)服務(wù)水平的意見》(國家電網(wǎng)辦(2018)1號(hào)）,提出了"客戶服務(wù)能力在能源行業(yè)領(lǐng)先、客戶服務(wù)感知和服務(wù)滿意度在公共服務(wù)行業(yè)領(lǐng)先"的發(fā)展目標(biāo)。

當(dāng)前,國網(wǎng)公司用電客戶中居民用戶達(dá)4.1億戶,占總客戶數(shù)的88.9%。同時(shí),隨著我國城鎮(zhèn)居民生活水平的提高,居民用戶負(fù)荷呈高速增長態(tài)勢,用電行為日趨復(fù)雜,居民用戶對(duì)精準(zhǔn)精益用能的服務(wù)訴求不斷增長。智能電能表作為智能電網(wǎng)的基礎(chǔ)性、關(guān)鍵性資產(chǎn),既是用戶計(jì)量結(jié)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(yīng)用和智能量測體系建設(shè),深度挖掘用電信息采集系統(tǒng)功能,可有效促進(jìn)以客戶為中心的新型供電服務(wù)體系建成。

在上述背景下,計(jì)量專業(yè)積極開展負(fù)荷辨識(shí)電能表研發(fā)及應(yīng)用,以期實(shí)現(xiàn)居民用電設(shè)備組成和能耗全時(shí)段精確辨識(shí),為客戶提供節(jié)能診斷、用電安全隱患辨識(shí)、電器壽命預(yù)測、電器使用率統(tǒng)計(jì)等增值服務(wù):同時(shí),通過引導(dǎo)用戶科學(xué)合理用電,降低電網(wǎng)峰谷差,推動(dòng)節(jié)能減排。

1電器負(fù)荷特征提取

居民電力負(fù)荷在運(yùn)行以及開啟和關(guān)斷的過程中,因工作原理的不同而具有不同的運(yùn)行特性和啟停特性,可以據(jù)此對(duì)居民電力負(fù)荷進(jìn)行有效辨識(shí)分解,這構(gòu)成了非侵入式辨識(shí)的基礎(chǔ),負(fù)荷的運(yùn)行特性和啟停特性被稱為"辨識(shí)特征量"。

在實(shí)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(jì)算公式如下:

式中:m為有功功率序列p的計(jì)算時(shí)間窗口所含工頻周期數(shù)目:N為一個(gè)工頻周期包含的電流、電壓采樣點(diǎn)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(jì)算公式如下:

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

非侵入式負(fù)荷辨識(shí)技術(shù)非常依賴數(shù)據(jù),因此首先需要采集電器負(fù)荷數(shù)據(jù),建設(shè)負(fù)荷特征庫。家庭負(fù)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(dāng)龐大,需要對(duì)其進(jìn)行特征提取,然后進(jìn)行分類與管理。

根據(jù)居民負(fù)荷原始數(shù)據(jù),可從負(fù)荷功率特性、諧波特性、沖擊特性等多種角度進(jìn)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(tái)不同電磁爐的負(fù)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(xiàng)可以忽略不計(jì),諧波排序大致會(huì)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(gè)輸入特征向量。

2負(fù)荷辨識(shí)算法

負(fù)荷辨識(shí)算法的核心有兩個(gè):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(fù)荷投切前后的穩(wěn)態(tài)和暫態(tài)區(qū)段,并在此基礎(chǔ)上執(zhí)行后續(xù)計(jì)算:二是分類器,即負(fù)荷識(shí)別模型,基于機(jī)器學(xué)習(xí)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(jìn)雙邊累積和(Cumulative Sum,CUsUM）檢測算法,主要改進(jìn)點(diǎn)在于引進(jìn)一個(gè)伸縮因子,以使CUSUM算法可以適應(yīng)不同功率水平下的負(fù)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(jì)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(jì)量和反向變化統(tǒng)計(jì)量計(jì)算公式。

當(dāng)g或g^-_k超過設(shè)定閾值時(shí),認(rèn)為序列發(fā)生正向變化或反向變化事件。在此基礎(chǔ)上,本項(xiàng)目增加自定義收縮系數(shù),其計(jì)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(diǎn)的正、反向自適應(yīng)收縮系數(shù):g_i-1⁺、g_i-1^-分別為第i-1點(diǎn)的正向與負(fù)向統(tǒng)計(jì)函數(shù)值:β為噪聲水平:w決定負(fù)荷事件檢測中統(tǒng)計(jì)參數(shù)的收縮程度,根據(jù)具體測試結(jié)果確定。

經(jīng)過改進(jìn)后,CUSUM算法的統(tǒng)計(jì)量即為:

式中:i與i-1分別為降頻數(shù)據(jù)的第i點(diǎn)與第i-1點(diǎn)的有功功率估計(jì)值,具體估計(jì)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(diǎn)與第i-1點(diǎn)的正向統(tǒng)計(jì)函數(shù)值:gi^-與g^-_i-1分別為降頻數(shù)據(jù)的第i點(diǎn)與第i-1點(diǎn)的負(fù)向統(tǒng)計(jì)函數(shù)值。

根據(jù)上述統(tǒng)計(jì)量,負(fù)荷事件判斷過程如下:正向統(tǒng)計(jì)函數(shù)值是否大于統(tǒng)計(jì)閾值,若是則為投入負(fù)荷事件:負(fù)向統(tǒng)計(jì)函數(shù)值是否大于統(tǒng)計(jì)閾值,若是則為切除負(fù)荷事件。

在實(shí)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(cuò)誤的問題。例如,數(shù)據(jù)異常點(diǎn)會(huì)多檢測出一個(gè)負(fù)荷切除事件:快速誤操作會(huì)多檢測出一個(gè)電器:拉弧沖擊電流則比較復(fù)雜,可能會(huì)檢測出多個(gè)連續(xù)的負(fù)荷投入或切除事件。上述異?？赡軐?dǎo)致算法邏輯崩潰,因此還需要加強(qiáng)事件檢測算法的魯棒性,對(duì)檢測結(jié)果做適當(dāng)修正。

修正邏輯為:

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

(2）若某負(fù)荷切除事件集合是某負(fù)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(duì)常規(guī)負(fù)荷事件檢測準(zhǔn)確度有很大改善,對(duì)緩升型和沖擊型事件檢測精度有顯著提高,算法容錯(cuò)性好。

3負(fù)荷分類器

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

對(duì)于一組k維線性可分樣本X1,X2,…,Xm,存在一個(gè)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(gè)屬性值的權(quán)重:b為偏置。

式(7）對(duì)應(yīng)的線性分類器判決函數(shù)為:

若f(x）>0,標(biāo)記正類:若f(x）≤0,標(biāo)記負(fù)類。根據(jù)已知標(biāo)簽的訓(xùn)練樣本,用經(jīng)典的感知機(jī)學(xué)習(xí)策略對(duì)式(8）中的w和b不斷進(jìn)行優(yōu)化調(diào)整,可以獲得一個(gè)在訓(xùn)練樣本上表現(xiàn)良好的線性分類器。

進(jìn)一步地,若以分類間隔最大為優(yōu)化目標(biāo),通過優(yōu)化算法得到w和b的估計(jì)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(chǔ)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(jì)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(gè)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(shè)定的超參數(shù)。

在訓(xùn)練非線性+sV分類器時(shí),若允許分類器在訓(xùn)練樣本上存在一定的分類錯(cuò)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(gè)正則化項(xiàng)C?；?sV分類可得到如圖2所示的分類結(jié)果,基于該結(jié)果可根據(jù)不同的采樣結(jié)果對(duì)負(fù)荷進(jìn)行分類識(shí)別。

4實(shí)驗(yàn)分析及現(xiàn)場應(yīng)用

非侵入式負(fù)荷辨識(shí)電能表采用多芯模組的設(shè)計(jì),采用計(jì)量核心、控制核心和負(fù)荷辨識(shí)核心構(gòu)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(dǎo)向。計(jì)量核心采用片上系統(tǒng)(+Myt│monChix,+oC）設(shè)計(jì)方案,負(fù)責(zé)將用戶側(cè)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(zhǔn)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(fù)荷辨識(shí)芯:功能核心VCU負(fù)責(zé)計(jì)量芯、負(fù)荷辨識(shí)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(gè)功能并協(xié)同工作:負(fù)荷辨識(shí)芯,顧名思義負(fù)責(zé)基于原始電壓和電流波形數(shù)據(jù)進(jìn)行非侵入式負(fù)荷辨識(shí)的功能實(shí)現(xiàn),實(shí)物電路板如圖3所示。

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

在云端,應(yīng)用無監(jiān)督機(jī)器學(xué)習(xí)算法對(duì)長時(shí)間、廣域度、海量級(jí)居民用電負(fù)荷數(shù)據(jù)進(jìn)行聚合分析,評(píng)估居民可中斷彈性負(fù)荷規(guī)模,為實(shí)施需求響應(yīng)、提高電網(wǎng)運(yùn)行經(jīng)濟(jì)性提供支撐。

某戶居民的負(fù)荷辨識(shí)結(jié)果如圖5所示。

若全面應(yīng)用該技術(shù),可以進(jìn)一步了解用戶生活中的電器設(shè)備使用水平,進(jìn)而實(shí)現(xiàn)全市范圍內(nèi)的負(fù)荷調(diào)度配置,助力國內(nèi)能源的合理利用和碳達(dá)峰、碳中和目標(biāo)的實(shí)現(xiàn)。某市部分區(qū)域的負(fù)荷辨識(shí)聚合結(jié)果如圖6所示。

5結(jié)語

負(fù)荷辨識(shí)技術(shù)的研究和應(yīng)用有利于研究社會(huì)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(hào)提出了一種改進(jìn)的負(fù)荷辨識(shí)算法,通過對(duì)負(fù)荷的提取辨識(shí),研究了負(fù)荷分類模型和實(shí)現(xiàn)機(jī)制。

現(xiàn)場應(yīng)用表明,本文所研究的負(fù)荷辨識(shí)方法可以準(zhǔn)確有效地辨識(shí)出常用的特征負(fù)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(shí)意義。