图1 基于滑动窗的事件监测流程图
Fig.1 Flow chart of event monitoring based on sliding windows
LI Bin’ai,LI Fan,ZHOU Desheng,et al.Research on event monitoring and load feature extraction method based on residential electricity consumption data[J].Journal of Taiyuan University of Technology,2024,55(1):2-11.
随着全球温室效应加剧以及能源危机日益严重,为了节能降耗、提高能源利用效率,高级量测体系(advanced metering infrastructure,AMI)等应运而生[1]。作为AMI最重要的应用之一,负荷监测实现了对负荷的分解、归类,促进了用户精细化用能管理水平的提高[2]。电力负荷特征提取是配用电数据挖掘的基础[3],异常用户识别、需求侧管理、用电客户精细分类[4]等多种应用都建立在精确把握负荷特征的基础上。在大数据时代如何有效提取典型的负荷曲线成为亟需解决的问题。
20世纪80年代HART教授首次提出非侵入式负荷监测(non-intrusive load monitoring,NILM)[5],并基于事件监测[6]方法对用户电力入口处记录的总功率信息进行分解,进而获得用户用电设备能耗情况及用电规律。电网的智能化、信息化带来大量需要处理的电力设备负荷数据,从其中准确判别负荷状态、拟合运行曲线是电力负荷相关研究的基础,对提高负荷特征辨别的准确性具有重要意义。
处理大量用电设备的负荷数据后,需要提取出几种典型的负荷曲线,即负荷分类。目前负荷分类可通过人工神经网络方法[7-8]和聚类分析方法[2,6]进行。聚类分析一般采用基于划分的K-Means聚类、基于层次的层次聚类和基于模糊的高斯混合模型(gaussian mixture model,GMM)聚类等方法。文献[9-11]分别采用K-Means、K-Medoids、层次聚类算法实现商业、居民等典型电力用户的用电轨迹曲线分类与识别。文献[12]比较了各种经典聚类算法与集成聚类算法,表明基于划分的算法效率更胜一筹,但易陷入局部最优,层次聚类在精度方面的表现较为优越,但时间复杂度高。
层次聚类和划分聚类均属于硬划分,即把每个待辨识对象严格依靠距离关系划分至某个类别中,具有非此即彼的性质[13],并且处理大规模数据集时其缺陷会进一步放大。随着数据量爆发式增长,“硬分配”在精准区别负荷的不同工作状态方面力有未逮。为突破既有局限,提高负荷状态分类精细度,本文基于高斯混合模型(Gaussian mixture model,GMM)聚类构建负荷运行特征库的方法。GMM聚类算法按群集概率分配群集成员,属于“软分类”,其灵活的聚类方式使得“硬分类”的局限性大大降低,面向大规模数据集时能兼顾聚类效率以及聚类精度[14]。目前GMM已获得了广泛应用,但在负荷特征提取、用户行为识别上涉猎仍旧较少。
居民用户是非常典型的电力用户,其内负荷种类众多、性质各异。本文从提高聚类质量和聚类效率、节约运算成本的角度出发,以AMPds2数据集为算例,提出了一种根据事件监测和聚类方法精细化提取居民用户负荷特征的方法。首先介绍了基于滑动窗的事件监测方法以及K-Means、层次聚类、GMM等多种聚类算法原理,然后通过比较聚类效果得出GMM算法提取典型负荷特征效果最优,证明了通过事件监测及GMM算法提取负荷特征的可行性与优越性。
家用电器工作状态的改变称之为事件[15]。事件监测可以理解为对具有时序性的有功功率曲线的波动监测。利用事件监测方法记录电器的投切时间和完整运行过程曲线,以此分析家庭用电习惯以及各电器的运行特性。本节主要监测家用电器开启和关闭时(即电器投切时)引起的功率波动。故借鉴计算机网络中的滑动窗口协议(sliding window protocol)的思想[16],本节根据电器事件发生时有功功率数据的变化设计了一种基于滑动窗的事件监测算法。通过对各电器的有功功率数据不断取滑动窗,计算窗内功率序列的方差和投切前后的稳态运行功率差值,对投切事件进行监测。
本文提出的事件监测算法可分为两部分,一部分主要监测有功功率数据是否存在突变且为电器启动时刻并记录事件点发生位置,同时开始记录功率波动曲线;另一部分进一步判断功率数据的波动是否为电器关闭引起并结束记录功率波动曲线。基于滑动窗的事件监测方法流程如下:
首先对功率信号序列取滑动窗,在功率Pi处取窗口功率序列,记为S=[Pi-N,…,Pi,…,Pi+N],N为Pi两侧窗口长度,2N+1为滑动窗口总长度。由于事件发生时常常伴随着功率突变,当负荷投切位置包含在滑动窗内时,窗口功率序列值的波动较大,表现出较大的方差,对S计算其方差Svar作为功率突变的判断量。此外非电器投切时正常功率波动的大小与当前功率水平有关,可将αSmean作为功率是否突变的辅助参考以避免正常功率波动引起的误检测,Smean为窗口功率序列S的平均功率,α为阈值控制系数。在推荐取值范围[0,15]中通过网格搜索算法寻找最优系数,使事件监测更加准确,故本文取α=5.因此,通过计算滑动窗口功率序列的方差和均值的和S′=Svar+αSmean与阈值ΔS比较,可以判断窗口内是否发生功率突变。
同时开始记录电器运行时的功率波动,为接下来提取相应的负荷特征提供条件。
第二次检测是判断电器关闭事件。当检测到电器开启并记录功率曲线时,需要进一步判断电器何时停止运行以结束记录功率曲线。用滑动窗内监测到的下一个突变发生时刻S′=Svar+αSmean是否处于范围δ内,来判断该突变是切除事件还是电器工作时的功率波动。
本节设计的事件监测算法流程图如图1所示。
图1 基于滑动窗的事件监测流程图
Fig.1 Flow chart of event monitoring based on sliding windows
图2 高斯混合模型聚类算法流程图
Fig.2 Gaussian mixture model clustering flow chart
在电力用户画像方面,对负荷曲线进行聚类分析获取配电区域各种电力用户典型负荷曲线和负荷特征,是对该区域电力用户画像的基础。常见的聚类方法有K-Means、层次聚类、GMM聚类等等,要选取适合用于家庭电器负荷印记变化特征的方法。
基于划分的聚类算法是给定一个含有M个数据观测集,将其划分为K个相互独立的分簇,其实现过程是首先随机产生一个分簇结果,然后通过反复迭代的方式寻求总体距离最小,实现同类分簇内观察对象尽可能相似,不同分簇间观察对象差异性明显。其代表算法有:K-Means、MiniK-Means、FCM等。
常采用的距离度量有欧氏距离、马氏距离、名氏距离、切比雪夫距离、余弦相似度、Spearman相关系数等,其中欧氏距离运用较多。这类算法计算速度快,原理简单,但聚类个数难以确定,受初始质心影响较大,对异常值非常敏感,主要发现圆形或者球形簇,难以识别非球形的簇。
层次聚类算法即按照层次结构来对数据进行聚类,分为凝聚(自底向上)和分裂(自顶向下)两种方式。由于相似性度量的方法不同,层次聚类算法分为单连接、全连接、平均连接、质心连接、Ward法,其中平均连接和Ward法较为常见。基于层次的聚类算法质量较高,但算法复杂度、空间复杂度较高,不适用于大规模数据。
负荷状态特征库的形成依赖于GMM聚类,其中高斯混合模型是一个将事物分解为若干个基于高斯概率密度函数(正态分布曲线)形成的模型。对于一个样本来说,混合高斯分布得到的是其属于各个类的概率。求解高斯混合模型参数一般采用期望极大算法[17](expectation maximization algorithm,EM),其一般步骤如下。
Step 1:已知样本集D={x1,x2,…,xm},高斯混合成分个数k,即为聚类中心数,可定义高斯混合分布函数:
(1)
式中:P(·)为概率密度函数,p(x|μi,∑i)为高斯混合模型的第i个概率分布模型,μi和∑i分别为第i个高斯混合成分的均值向量和协方差矩阵,αi为混合系数,满足αi≥0且
Step 2:EM算法中的E步(Expectation-step,E-step),根据贝叶斯定理,求出后验分布概率:
(2)
式中:j=1,2,…,m;i=1,2,…,k.
Step 3:EM算法中的M步(maximization step,M-step),即在E步的基础上计算新一轮迭代的模型参数:
(3)
(4)
(5)
Step 4:重复Step 2和Step 3直至收敛或达到最大迭代轮数。
Step 5:将样本集D划分为k个簇C={C1,C2,…,Ck},每个样本簇标记λj按下式确定:
(6)
高斯混合模型聚类算法流程图如下:
GMM聚类算法对每个用电设备进行聚类分析,以有功功率作为工作状态划分的依据,最终形成对应用电设备的负荷状态特征库。
典型评价指标有平均轮廓宽度、DBI、误差平方和(sum of squared error,SSE)、Calinski-Harabasz指标(calinski-harabasz index,CHI)、贝叶斯信息准则(Bayesian information criterion,BIC)等等。
Calinski-Harabasz指标计算聚类集群群间距离和内间距离的比值,计算所得值越大表示聚类集群间差异越大,集群内部越紧密,即聚类效果更好。
平均轮廓宽度计算结果在-1和1之间,越接近1表明集群间距离越远,聚类越合理,越接近-1表明集群之间交集的程度愈深,聚类效果越不理想。
DBI分数定义为每个集群与其最相似的集群的平均相似度度量,其中相似度是集群内距离与集群间距离的比率。因此,距离较远且分散较少的集群将获得更好的分数。DBI计算如公式(7)所示。
(7)
式中:avg(Ci)为集群i内部数据到簇中心的平均距离;dcen(Ci,Cj)为集群i与集群j中心点间的距离。
对于最佳聚类个数确定,GMM聚类往往采用贝叶斯信息准则(Bayesian information criterion,BIC), BIC值越小,模型的质量越好。
BIC=kln(n)-2ln(L) .
(8)
式中:k为GMM的聚类数量;n为样本的数量;L为似然函数;kln(n)为惩罚项。
K-Means、MiniK-Means、层次聚类最常见的是根据聚类有效性指标获得,其中DBI指标更为简单且变化范围小,应用较多。因此文中所有涉及到GMM聚类的都采用BIC准则确定聚类个数,其他聚类则采用DBI指标。
加拿大学者Stephen Makonin发布的AMPds2数据集包含了本拿比市的一个家庭长达两年、颗粒度为1 min的电力、水和天然气的完整使用数据。这栋房屋总计具有199 m2的居住空间,包含地下室、娱乐间、独立车库和出租屋,屋主是一户带小孩的三口之家,租户是一位20岁左右的男性。该家庭2013年全年电量统计如图3所示。
图3 房屋全年能耗情况与环境温度
Fig.3 Annual energy consumption of the house and ambient temperature
从图3中可以看出该家庭每月用电量均在500 kW·h以上,在月平均温度低于10 ℃时月用电量较高,比月平均温度高于10 ℃时月用电量高出100至200 kW·h,可见该家庭中存在大功率用电设备。为接近我国国情,从AMPds2数据集中选择7个典型家庭用电设备:热泵(暖通空调)、干衣机、冰箱、电视、照明设备、洗衣机、洗碗机,基本包含国内家庭大功率用电设备种类。
利用前文所提方法设置具体窗口大小以及判断阈值,具体如表1所示。
表1 滑动窗大小及事件判断阈值
Table 1 Sliding window size and event judgment threshold
负荷种类窗口长度W/h事件发生阈值ΔS/W事件结束条件范围δend/min事件记录次数空调62 000(150,500)2 225干衣机82 000(0,300)442冰箱62 000(0,25)17 141电视81 500(0,125)740照明81 700(0,100)1 869洗衣机10500(0,100)360洗碗机202 000(0,125)188
本节对AMPds2数据集中的居民用户电器使用习惯进行分析。家庭中的电器多种多样,其运行特性也各不相同,有的电器运行时功率波动较小,而有的电器运行时并不平稳,功率波动剧烈,因此,在事件检测时需要考虑到电器不同的运行特性,所使用的事件检测算法应能对各种不同电器进行准确检测。本节对上述两类电器分别进行实验。
3.2.1稳定运行平稳电器的监测
对AMPds2数据集中的电器进行研究发现,厨房洗碗机、冰箱、烘干机、空调等电器的运行过程比较平稳,典型的完整投切运行过程如图4所示。可以看出这类电器投入运行后,稳定运行功率变化很小或几乎不变。
图4 稳定运行的家用电器投切完整运行有功功率曲线图
Fig.4 Active power curve for complete operation of domestic appliances switching
下面以空调为例说明事件检测算法检测空调投切过程。如图5所示,黑线为空调的功率波动曲线,红线为事件检测结果,红线上一个凸起代表一个监测到的事件。其它运行过程平稳的电器检测过程与空调类似,此处不再一一赘述。
图5 空调投切过程监测图
Fig.5 Monitoring diagram of air conditioner switching
可以看出,空调投入瞬间,事件监测算法均准确检测到了事件的发生;在空调运行过程中,没有出现误检的情况;在切除事件发生时,事件监测算法略有延迟。通过长时间对空调功率的监测发现该空调每一次运行过后存在短暂有功功率为0的情况(而空调长期的有功功率为37 W),故认为有功功率短暂为0 W的过程也包含在一次完整运行过程内,相应调整滑动窗事件结束条件范围使得0 W部分包含在一次投切事件内,故在图5显示的空调投切过程监测过程中,检测到切除空调事件发生的时刻较之实际情况略显迟滞。
3.2.2稳态运行不平稳电器的监测
洗衣机、电视机等家用电器,不仅在投切时存在功率突变,稳定运行时功率变化也非常剧烈,极易干扰事件检测,导致误检。研究算法对不平稳电器的适应性,图6为电视机运行过程的功率波形图。
图6 电视投切过程监测图
Fig.6 Switching process monitoring chart
图6中红线代表监测线,没有凸起的位置代表该处没有探测到事件发生。该电器稳定运行后其功率波动比较剧烈,功率波动最大超过100 W.从图中可以看出,事件探测算法在电器开启时刻监测到了事件,在电器关闭时刻也监测到了事件,在电器稳定运行时即使功率波动剧烈,也没有出现误检测。
只有在负荷投切时满足阈值,而在稳态运行时,功率虽然变化剧烈,但功率方差值较小且小于选定的阈值,因此,在电视机稳定运行时纵然功率波动较大,但不会发生误检,证明本文设计的事件检测算法能够排除电器稳态运行时功率短暂波动的干扰。
3.2.3监测结果分析
本节采用数据集中7种电器在2013年2月1日至7日内的用电信息进行验证,功率曲线如图7所示,当年2月2日、3日为周六周日。可以看出,除了周末和间歇性运行的电器外,该家庭工作日电器使用主要集中在15:00到次日1:00之间。
图7 家庭7 d负荷曲线
Fig.7 7-Day household load curve
对上述居民家中各电器有功功率信号采用事件监测算法对电器投切进行探测,探测到这7 d内7种电器共运行349次,并记录各次运行的电器种类和启停时间。对7 d的用电情况进行统计,得到表2所示用电信息。
表2 各电器用电信息
Table 2 Electricity consumption information of each appliance
电器运行次数/次运行时长启动时间空调49约55 min待机功率约40 W,工作日约每两小时运行一次干衣机5约60 min约15点和18点冰箱252约20 min约每小时运行一次,每天约36次电视1060～120 min不等待机功率22 W,短时间开启18点,长时间开启23点之后照明27不定每天开启两次,18～20点间和0点洗衣机4约80 min13点和18～20点间洗碗机2约140 min使用较少,不定
利用聚类算法对提取到的工作状态下的有功功率集进行挖掘,获取用电设备运行状态的特征信息,并以此判断用电设备的运行状态。
下面将GMM、K-Means、MiniK-means、层次聚类结果进行对比分析,通过可视化展示的方式直观比较,如图8所示(图中AC代表agglomerative clustering,为层次聚类)。
图8 GMM与其他聚类结果比较
Fig.8 Comparison of GMM and other clustering results
在图8(a)中,GMM聚类将空调工作过程分为五类,即待机状态功率约37 W、启动状态功率由37 W突变到1 800 W、平稳运行状态约1 800 W、大功率运行状态功率约2 400 W及关闭状态0 W,而K-Means聚类与其他聚类将关闭状态0 W与待机状态37 W归为一类,明显不符合实际;图8(b)中洗碗机被分为四类,即关闭状态功率0 W、待机状态功率约11 W、大功率工作状态功率约775 W和低功率工作状态功率约140 W,同样K-Means聚类与其他算法将洗碗机待机状态与关闭状态归为一类。K-Means与其他聚类在电视、冰箱、洗衣机上也存在类似现象,不再赘述。干衣机和照明设备工作状态之间的差异性较为明显,各种聚类算法的聚类结果完全相同,因此未给出可视化结果图。通过GMM聚类算法可总结电器运行特性如表3所示。
表3 电器运行状态编号以及相关特征
Table 3 Electrical operating status number and related characteristics
用电器名称状态数(k)状态编号采集数据量空调5046 9661877 18226 772360 81646 439干衣机30980 555110 88226 738冰箱50546 948184 8772327 469334 71744 164电视4015 2601879 323216 333370 809照明30853 948142 8012101 426洗衣机50970 229112 930211 64233 0364338洗碗机40961 166114 450218 40534 154
负荷分类的最终目的是后续的各种应用场景,例如负荷分解、需求响应等等。因此本节将不同聚类方法所得家用电器工作状态的标签传递给文献[17]设计的基于深度学习的非侵入式负荷监测与分解模型中,在相同的训练集下比较不同标签对分解精度的影响,采用平均绝对误差(MAE)评价指标的测试结果如表4所示。
表4 不同聚类算法对比
Table 4 Comparison of different clustering algorithms
eMAE空调干衣机冰箱电视照明洗衣机洗碗机K-Means11.002.3918.9619.6710.437.759.46层次10.302.2117.2319.1910.147.128.59Mini K-Means10.492.3018.4920.159.697.959.15GMM7.311.3510.169.578.744.444.75
拟合MAE计算公式如下:
(9)
式中:
为t时刻的功率分解值,yt为t时刻的功率实际值,T为时长。eMAE越小,说明模型精度越高。
表5中可看出,GMM聚类形成的负荷状态特征库,在最终负荷监测精度上有明显优势,电视、冰箱的负荷监测精度提升较高,可见更精细化的负荷状态特征有利于提升负荷监测的性能。
本文提出一种基于居民用电数据的事件监测与负荷特征提取方法。首先对大规模侵入式负荷测量数据采用基于滑动窗的事件监测算法提取每个电器单次运行时的有功功率波动,该过程可大大减少用电设备非工作状态功率数据量。进一步比较分析多种聚类算法,得出GMM聚类划分电器运行状态更精细。本文提出的算法获取负荷状态特征具有以下优势:
1) 基于我国国情考虑,选取了AMPds2数据集中符合我国国情的典型用电设备,洗碗机、干衣机在家庭中的需求越来越高,热泵(暖通空调)在国内主要应用于工商业楼宇等设施。
2) 相比于其他聚类方法,GMM更加灵活,面对同一电器功率接近但状态迥异的情况,可实现更精准分类且与电器运行状态贴合度更高。
实际应用中会面临侵入式用电设备功率数据不足的问题,如何利用少量的数据达到NILM的精度要求以及进一步验证模型是否适用于国内家庭用电情况将成为下一步研究目标。
[1] 张永生,巢清尘,陈迎,等.中国碳中和:引领全球气候治理和绿色转型[J].国际经济评论,2021(3):1-18.
ZHANG Y S,CHAO Q C,CHEN Y,et al.China’s carbon neutrality:leading the global climate governance and green transition[J].International Economic Review,2021(3):1-18.
[2] 程祥,李林芝,吴浩,等.非侵入式负荷监测与分解研究综述[J].电网技术,2016,40(10):3108-3117.
CHENG X,LI L Z,WU H,et al.A review of non-invasive load monitoring and decomposition research[J].Power System Technology,2016,40(10):3108-3117.
[3] 田世明,王蓓蓓,张晶.智能电网条件下的需求响应关键技术[J].中国电机工程学报,2014,34(22):3576-3589.
TIAN S M,WANG B B,ZHANG J.Key technologies for demand response in smart grid[J].Proceedings of the CSEE,2014,34(22):3576-3589.
[4] 张铁峰,顾明迪.电力用户负荷模式提取技术及应用综述[J].电网技术,2016,40(3):804-811.
ZHANG T F,GU M D.Overview of power user load pattern extraction technology and its application[J].Power System Technology,2016,40(3):804-811.
[5] HART G W.Nonintrusive appliance load monitoring[J].Proceedings of the IEEE,1992,80(12):1870-1891.
[6] 周东国,张恒,周洪,等.基于状态特征聚类的非侵入式负荷事件检测方法[J].电工技术学报,2020,35(21):4565-4575.
ZHOU D G,ZHANG H,ZHOU H,et al.Non-intrusive load event detection method based on state feature clustering[J].Transactions of China Electrotechnical Society,2020,35(21):4565-4575.
[7] 刘洋,许立雄.适用于海量负荷数据分类的高性能反向传播神经网络算法[J].电力系统自动化,2018,42(1):96-105.
LIU Y,XU L X.High performance back propagation neural network algorithm for massive load data classification[J].Automation of Electric Power Systems,2018,42(1):96-105.
[8] SARAIVA F D,BERNARDES W M S,ASADA E N,et al.A framework for classification of non-linear loads in smart grids using artificial neural networks and multi-agent systems[J].Neurocomputing,2015(170):328-338.
[9] 卜凡鹏,陈俊艺,张琪祁,等.一种基于双层迭代聚类分析的负荷模式可控精细化识别方法[J].电网技术,2018,42(3):903-913.
BU F P,CHEN J Y,ZHANG Q Q,et al.A controllable and refined recognition method for load patterns based on two-layer iterative clustering analysis[J].Power System Technology,2018,42(3):903-913.
[10] 彭显刚,赖家文,陈奕.基于聚类分析的客户用电模式智能识别方法[J].电力系统保护与控制,2014,42(19):68-73.
PENG X G,LAI J W,CHEN Y.Intelligent identification method of customer power consumption mode based on cluster analysis[J].Power System Protection and Control,2014,42(19):68-73.
[11] 宋易阳,李存斌,祁之强.基于云模型和模糊聚类的电力负荷模式提取方法[J].电网技术,2014,38(12):3378-3383.
SONG Y Y,LI C B,QI Z Q.Electric load pattern extraction method based on cloud model and fuzzy clustering[J].Power System Technology,2014,38(12):3378-3383.
[12] 张斌,庄池杰,胡军,等.结合降维技术的电力负荷曲线集成聚类算法[J].中国电机工程学报,2015,35(15):3741-3749.
ZHANG B,ZHUANG C J,HU J,et al.Integrated clustering algorithm for power load curve combined with dimensionality reduction technology[J].Proceedings of the CSEE,2015,35(15):3741-3749.
[13] LI K H,MA Z J,ROBINSON D,et al.Identification of typical building daily electricity usage profiles using Gaussian mixture model-based clustering and hierarchical clustering[J].Applied Energy,2018,231:331-342.
[14] 张美霞,李丽,杨秀,等.基于高斯混合模型聚类和多维尺度分析的负荷分类方法[J].电网技术,2020,44(11):4283-4296.
ZHANG M X,LI L,YANG X,et al.Load classification based on Gaussian mixture model clustering and multidimensional scale analysis[J].Power System Technology,2020,44(11):4283-4296.
[15] 于超,覃智君,阳育德.基于启停状态识别改进因子隐马尔可夫模型的非侵入式负荷分解[J].电网技术,2021,45(11):4540-4550.
YU C,TAN Z J,YANG Y D.Non-intrusive load disaggregation with improved factorial hidden markov model considering ON-OFF status recognition[J].Power System Technology,2012,45(11):4540-4550.
[16] LE H D,MAI V V,NGUYEN C T,et al.Design and analysis of sliding window ARQ protocols with rate adaptation for burst transmission over FSO turbulence channels[J].Journal of Optical Communications and Networking,2019,11(5):151-163.
[17] 杨秀,李安,孙改平,等.基于改进GMM-CNN-GRU混合的非侵入式负荷监测方法研究[J].电力系统保护与控制,2022,50(14):65-75.
YANG X,LI A,SUN G P,et al.Non-invasive load monitoring based on an improved GMM-CNN-GRU combination[J].Power System Protection and Control,2022,50(14):65-75.