摘要：随着用电设备的种类和数量增多，用电量也大大增加，设备故障也时有发生，为了实现电力负荷预测和设备故障诊断，分项计量技术得到了广泛应用。本文介绍了负荷检测的意义，电力负荷特征提取的方法，以及电力设备识别的算法。
关键词：非侵入式负荷检测；分项计量技术；负荷印记；负荷识别；居民用电
1.引言
电力系统中所有电力用户的用电设备所消耗的电功率的总和就是电力系统的负荷。电力负荷是电力系统中的重要组成部分，负荷大小是影响电网安全稳定运行的重要因素。还可以对能耗数据来实现设备老化、故障预警的功能，对我们的生产和生活有非常重要的作用。
2.电力负荷监测的意义
2.1对用户而言
对用户而言可以帮助用户了解用电情况以及各个用电设备的用电情况，提高用户的节能意识、促进科学合理用电；检修诊断用电设备，得到稳定的用电保障；优化用电行为达到省电能和电费的目的。
1）分项计量技术可以帮助居民了解用电情况，提高节能意识，可约用电。英国牛津大学ECI（Environmental Change Institute）再无分时电价激励下，用户若能明确得到总功率瞬时值，便可节能5~15%，均值约为9.2%，向用户实时反馈准确的用电信息具有具有最大的节能效益，均值达到12%，通过这些数据可知明确用电情况可以提高居民节能意识。[1]
2）能够根据用电设备的用电情况，可以判断电气设备是否工作在正常状态下来帮助用户快速准确的监测，诊断和清理电气故障，将老化设备非正常工作设备进行检修及清除，有利于提高用电质量和稳定的保障。
3）主要涉及调整电器运行参数设置（如改变热水器温度和空调温度）和调整电器运行使用模式（如错开用电高峰）等；[1]
2.2对电网而言
电力分量技术对电力公司准确预测电力负荷、科学制定电网调度方案，提高电力系统的稳定性有重要意义。
1）预测电力负荷对变电所，发电站和电力系统有重要意义，可以提高电力系统在发电，输电，配电的运行效率。根据预测电力负荷总量的时间分布图和负荷曲线，发电厂安排合理的日发电计划，确定电力系统的运行方式，建立优先发电制度，促进可再生能源的消纳，纳入规划风能，太阳能，生物质能等可再生能源优先发电，从而降低火力发电，减少煤炭等非可再生能源使用，减少能源开支，提高能源利用率。
2）优化区域输电系统，建立常规电源发电计划灵活调动机制，各区域电网内共享调峰和备用资源，从而提高电网灵活性。
3）电力公司可合理科学的制定电价，分配资金，为电力系统实施分段电价和分时电价等提供了衡量标准；同时可以更全面的评估电力公司的能效项目，提高电力资产的利用率。[2]
4）对电网保护和维修有重要意义。通过对电力负荷的监测，对处于过负荷，低电压，过电流状态下，能实现预警和电力系统的保护。对长期处于非稳定状态下工作的大型设备，可进行定期检修。对出现故障的电路进行分析，能准确快速的进行故障排查和故障定位，为快速恢复供电提供了有力保障。
5）确定主变压器，发电机组等设备检修计划以及制定变电所，发电厂扩建新建规划依据。也是合理、有计划引导种类用户的用电时间的依据。
3.故障诊断和分项计量技术
基于电气设备的监测和诊断的重要性，在20世纪60年代-70年代一些发达国家开始了对故障诊断技术的研究，80年代-90年代，传感技术，计算机技术和光线高新技术的发展和应用，使电力设备故障诊断技术得到迅速发展。我国在20世纪70年代就有了相关研究，由于技术不完善，并没有得到推广；但随着用电设备数量迅速增加，故障率偏高，使故障诊断技术开发才迫在眉睫。[3]而故障诊断的基础是对电气设备的监测及识别。分项计量技术是对单个用电设备所消耗的电能单独计量。分项计量技术为电气设备故障诊断提供有效途径。
分项计量技术技术目前分为两种：侵入式电力负荷监测（intrusive residential load monitoring，ILM）和侵入式电力负荷监测（non-intrusive residential load monitoring，NILM）；侵入式电力负荷监测：给所有用电设备加装电力计量装置和通信装置；精度高，但是工程复杂，工程成本大；非侵入式电力负荷监测：仅在用户入口安装传感器，通过采集和分析用户用电数据来监测每个和每类电器的用电功率和工作状态。容易施工，工程成本低，但是算法复杂，精准度较低；
在20世纪80年代，George Hart最早正式提出非侵入式的电力负荷监测系统，即在负荷入口处监测稳态功率变化，进行负荷分解.[4]非侵入式电力负荷监测系统由于其经济投入小，应用价值高，自提出以来，便引起广泛关注。基于该理论美国电力科学研究院在系统研究的基础上开发了一套非侵入式负荷监测系统，该系统先进行功率变化的边缘检测，在复功率平面进行聚类、匹配，最后进行用电设备的识别。但是稳态分析不能准确的识别出多台设备同时投入/退出，随着软、硬件设备的发展，可利用稳态和暂态特征共同进行负荷识别。
4.引言
不同类型的用电器会有不同的用电数据特征，用电数据即用电设备在运行过程中产生的电流、电压以及谐波等实时数据，通常把能可靠标志电器用电状态的负荷特征称为负荷印记。负荷印记是实现非侵入式电力负荷监测的基本依据。特征提取，将从整条线路中采集到的电力数据进行分解，通过分解数据判断单个用电设备的运行状态（包括设备启动停止、不同档位的状态及异常工作状态）、运行时间 ，这个过程是负荷识别即分类决策，通过分类决策从而得到单个用电设备的使用情况（实时耗电量）或者进行故障分析。实现分项计量技术，归结为特征提取与分类决策。[1]
5.负荷印记
通常把能可靠标志电器用电状态的负荷特征称为负荷印记。电气设备的特征可以从以下方面入手：电流、有功功率和无功功率，功率因数的大小，工作状态（启/停二状态设备，有限多状态设备、连续变状态设备）等。
6.单设备的特征提取
在动态信号中蕴涵着设备的状态变化和故障特征等丰富信息，但是信号源很难真实反映出信号和系统的特征。上图中的尖峰值会对我们的设备识别造成很大的误差影响，要对其进行分析处理，得到用电设备的负荷印记。
处理方法常有：时域分析，频域分析，时频域分析方法（包括短时傅里叶变换，小波变换，Wigner-Ville分布、S变换，Hilbert-Huang变换等）；
时域分析的特点：信号的时间顺序可直观的反应设备运行状态，设备投入运行的与设备的特征有着对应关系，获得有效的突变信息，包括瞬时无功功率理论，动态测度理论、数学形态学方法、分形理论等。[5]
频域分析的特点：系统状态变化，一定会引起频率结构的变化。频域分析能很好地把各种频率成分与各种设备特性联系起来，能更清楚地发现系统的动态数据及变化规律。缺点：实时性差；存在频率泄漏和栅格效应等问题。
时频域分析特点：兼有时域和频域的分析特点具有良好的局部化性质。小波分析首先利用多分辨率特性对过程信号做噪声处理，实现信噪分离，对信号进行小波分解，可以利用门限值等形式对所分解的小波系数进行处理后，对信号进行小波重构。不足在于为满足提取精度和小波变换实时性，需要根据实际情况构造使用需求的特殊小波基；[6]S变换是小波变换和傅里叶变换的拓展和延伸，具有良好的时频域局部化特性，而且结果更加直观，改变了小比变换窗宽固定的缺陷。Hilbert-Huang变换具有分辨能力强、自适应分解、物理意义清晰、形式简洁的优点；[5]
7.模型的一般概念
除了特征提取外，算法的选择是影响负荷识别正确率的关键。
神经网络在模式识别，信号处理，优化组合有着优势。神经网络与小波分析结合，将小波函数作为传递函数构成神经网络，或者将变换作为前馈神经网络的输入前置处理工具，用小波变换的多分辨率特性对过程状态信号进行处理，实现信噪分离，并提取加工误差大的状态特性，作为神经网络的输入。
粒子群算法能够优化各种函数，能够寻找全局最优点，具有较高的收敛速度。运用粒子群算法非常简单地可以实现对的单个设备单个用电状态下的特征提取。[6]
文献[1],提出了运用机器学习的算法实现基于稳态电流谐波特性的查表式电流模型匹配方式，实现设备识别。文献[7]考虑家用负荷暂态特征，提出一种利用家用负荷开、关时的暂态功率特征贴近度来匹配家用负荷的方法，原理简单易于识别，但只能实现对大功率电器的识别，且要求采样频率很高。文献[8]–[9]对负荷开关时高频电磁干扰信息提取，以主成分零度空间分析方法进行负荷识别； 以电器的有功和无功功率作为负荷特征训练人工神经网络，实现负荷识别。文献[10] 提出了一种基于小波变换，通过训练决策树和最近邻分类器提高了分类的准确率。
8.算法及分析
实现设备识别文献[1]的利用稳态功率阶跃特征实现负荷事件检测，本文进行事件处理方法根据连续5s内取数据Pmax与Pmin差值满足|P|<=40W，则选定这5s，取平均值得到该时间段的代表功率；如果|P|>40W，则时间往后走一秒在进行比对，直到满足条件为止用来筛选稳态数据。当5s内的|P|>40W表明有事件可能发生了，再进行小波分析。
再将取出来的数据进行Pi-P（i+1）<=40计算，将相邻的满足条件的进行均值计算，得到P，不满足的则保留Pi和P（i+1）数据;
基于用电设备有功、无功的稳态数据(已获得单个用电设备的不同状态下的电功率的前提下)。
有功功率是保持用电设备正常运行所需的电功率，也就是将电能转换成其他形式的能量（机械能，光能、热能）的电功率。无功功率是用于电路内部电场与磁场的交换，并用来在电气设备中建立和维持磁场的电功率。它不对外作功，而转换为其他形式的能量。凡是有电磁线圈的电气设备，要建立磁场就要消耗无功。所以某一时刻的功率的消耗是各个用电设备消耗的加和， P=+e，Q=+e（e代表噪声或误差）。
引入最小二乘法来判断某用电器与总用电功率的相关性，来识别这一时刻的用电设备；
下面展开对最小二乘法应用的介绍。
Y=aX，X为输入变量，Y为输出变量，a为相关系数；
代表用电设备N的有功功率， 代表用电设备N的无功功率， 代表了用电设备N的j的特征数据； 是1*n的矩阵， 代表j所代表物理量的特征数据所有用电设备的总和。
这些数据是从数据库得出，对于用电器有多个档位，则在加一列为 ，m代表用电设备N在m状态下，j特征量的数据，而其它用电设备没有则在对应位置加入无关项“-”（“-”不等于0）；
约束条件：必须满足N<=j才可得到相应的a；即数学思想中的，n个方程才能求解n个未知数。
组成j的集合，就是测得用电设备的在某个状态下的周波下的电流、电压、电功率以及谐波的电流电压等数据。根据可能存在的用电设备得出j的取量。
理想情况下，以两个用电设备A,B为例运行一段时间，a=，即A没有投入运行，B投入运行了；
在文献[1]中，设置了一个布尔型变量 代表了用电设备i在时刻t的工作状态。 代表i在t时刻处于第 种工作状态。 在t时刻的取值是一定的，若用电设备i在t处于m，则向量 中S（i）=m，对应 =1。根据周波参考电压下，每个用电设备的周波功率和工作状态，建立了 来表示周波下的特征数据，依据负荷周波 （P、Q）在状态空间 中对所有可能总负荷工作状态完成初选，获得可行状态搜索的过程是通过查表实现的。根据总负荷所含用电设备在每种工作状态下的稳定电流谐波参数矩阵完成电流弄湿最优匹配，从而得到总功率分解和工作状态识别的结果。
9.小结
首先用电设备的登记并提取单个设备在不同状态下的数据，根据时频域分析+机器学习，进行信噪分离，得到单个设备各个状态下的特征量，组成特征数据库即状态空间。再将总数据分解出单个设备的特征数据数据，实现最优化匹配。流程图如下：
图3-1 流程图
参考文献
[1]刘博，非侵入式电力负荷监测与分解技术。
[2]雷冬梅，非侵入式电路故障诊断及家用电器用电状况在线监测
[3]电力设备状态监测与故障分析 王致杰 徐余法 刘三明 上海交通大学出版社
[4]HART G W．Nonintrusive applianceload monitoring [J]．ProceedingsoftheIEEE,１９９２,８０(１２):１８７０Ｇ１８９１．
[5]Hilbert-Huang变换及其在电力系统中的应用 刘志刚 科学出版社 2016.1
[6]精通MATLAB智能算法/温正 清华大学出版社 2015 ISBN 978-7-302-38742-8
[7]高云，杨洪耕.基于暂态特征贴近度匹配的家用负荷识别[J]电力系统自动化，2013，37（9）：54-59
[8]GUZEL T,USTUNEL E．Principalcomponentsnullspace analysisbased nonＧintrusive load monitoring [C]// IEEE ElectricalPower& EnergyConference,October２６Ｇ２８,２０１５,London,UK:４２０Ｇ４２３．
[9]BIANSOONGNERNS,PLANGKLANGB.Nonintrusiveload monitoring (NILM )using an artificial neural network inembeddedsystem withlowsamplingrate[C]//International ConferenceonElectricalEngineering/Electronics,Computer,TelecommunicationsandInformation Technology,June２８Ｇ July１,２０１６,Thailand:１Ｇ４．
[10] GILLISJ M,MORSI W G．NonＧintrusiveload monitoring usingsemiＧsupervisedmachinelearningandwaveletdesign[J/OL]．IEEE TransactionsonSmartGrid[２０１７Ｇ０６Ｇ１５]．DOI: １０．１１０９/TSG．２０１６．２５３２８８５．
论文作者:禹颖1,仝艺章2,尹龙威3
论文发表刊物:《电力设备》2018年第10期
论文发表时间:2018/7/30
标签：负荷论文; 设备论文; 电力论文; 特征论文; 状态论文; 功率论文; 数据论文; 《电力设备》2018年第10期论文;