陈张平， 李 真， 施永涛， 郑小青， 屈雷涛

（杭州电子科技大学自动化学院，杭州 310018）

0 引 言

当前，智能用电是连接电网侧与用户侧实现智能电网“网-荷”交互服务体系的重要组成部分，对整个电网的高效、经济的运行和未来电网建设与规划产生具有较大影响［1］。用户用电负荷监测是实现智能用电的首要环节，负荷监测技术通过对用户总负荷数据采样与分析，监测用户每一种电器的详细运行状态，以获得电能消耗情况和用电行为等数据信息。

目前，常用的监测方法过于依赖大量历史数据及强计算能力设备，NILM平台搭建成本较高，且识别准确率不够稳定，难以应对现实中的强干扰。为解决上述问题，本设计基于高频电信号采集装置，搭建网络数据传输平台，利用孤立森林检测法来标定电气事件起止时间，减少噪声，提高事件检测准确率；对所获取的事件进行时频域特征提取，并采取数据降维方法进一步减少事件识别所需的特征量，在减少计算压力的同时提高不同类别负荷区分度，从而间接增加识别准确率；利用LSTM网络进行训练和负荷识别，该网络针对序列信号特征识别具有显著优势；最后将结果通过GUI界面进行可视化［2-3］。

1 方案设计

非侵入式负荷在线监测系统的整体实现思路为：通过高比例互感器，利用高采集频率电信号采集装置，从总电路中获取负荷运行时所产生的电信号波形。采集到用户的电信号数据后，通过网络数据传输平台传入云服务器进行数据存储，并通过数据分析模块中的事件检测、特征提取、事件识别单元，最终识别所运行的电气设备，并将结果展示于可视化界面［4］。总体方案结构图如图1所示。

图1 在线监测系统总体方案结构示意图

2 系统硬件设计

本设计所需的NILM采集装置需要有高频的数据采集模块、高效率的数据传输模块以及高精准数据解析模块。系统硬件结构示意图如图2所示［5］。图中，数据采集模块需要配置1个高频采样模组，且为了提高采集装置的适用性，其采集频率可以在一定范围内改变（0.1～20 kHz），同时加装强抗干扰组件，令采集到的波形信号具有更高的稳压精度和良好的动态特性，减少数据受噪声影响程度。为了安全考虑，配置一个高比例（（2 000～4 000）∶1）［6］）的电信号互感器，避免因误触造成的触电。

图2 系统硬件结构示意图

数据传输模块需要配置网络传输模组，提高对采集数据的传输速率，减少线材成本，将采集到的电信号数据通过无线传输至数据接收机。同时，为了保证数据传输有效性，建立确定的私有通信协议，且可通过网络指令实时修改串口参数（包括波特率、起始位、检验位、终止位等）［7-8］。

除了能实现直采电流、电压、剩余电流数据外，还添加数据解析单元，从而获得对应时刻的功率因数、负荷率、电压波动、电流/电压谐波参数，为之后的数据挖掘打下坚实基础。

3 系统软件设计

3.1 事件检测

3.1.1 改进孤立森林算法

改进孤立森林算法是在原有孤立森林算法上改进异常值定义以及最终对是否异常的判定，原本的孤立森林算法通过循环足够多的次数进行数据点深度收敛，结合指数函数来获取一个点的异常程度，这样的会导致算法进程慢，还会产生一个是否收敛的判别问题，本设计将每次形成孤立数的深度倒数作为异常值，同时在执行程序有限次后，将每次相同数的异常值累加形成最后的异常值指标。相较于原本算法的指标，本设计程序执行时间大大缩短，且将原来判断是否收敛的问题转化为发散程度的问题，避免了判断的问题［9］。

步骤1将电流的200个样本作为样本集，包括采样点，即时间信息、电流幅值等信息。

步骤2设置合适长度的前、后窗口用于提取数据，前窗口为变长度窗口，用于提取前窗口内单个数据样本；后窗口为固定长度窗口，用于提取固定长度的数据样本即前窗正常推进时设置为1个单位；检测到异常时，长度应设置为小于第2次事件投切来临的区间长度，同时应考虑存在电网波动，原则上高于4个单位，本例设置为6个单位，后窗作为采集稳态数据的窗口，长度应该大于前窗长度，同时长度应设置为小于第2次事件投切来临的区间长度。

步骤3将前窗中被选中的数据样本与后窗数据样本集混合，通过采用改进孤立森林算法判断出异常的点，具体步骤为：

Step1提取前窗和后窗中每个电流数据样本的幅值，去除时间信息后混合。

Step2在单次执行程序中，多次在最大、最小幅值之间取随机值并记录下随机值，直到最大幅值与随机数，或者最小幅值与随机数之间、或者随机数之间只存在1个幅值样本，记为孤立出一个点，此时生成了的随机数的个数作为前窗中被选中的数据样本在后窗数据内的划分深度，取划分深度的倒数作为异常值，表征前窗中被选中的数据样本较于后窗数据的异常程度，实现示例见图3。第1步将所得前后窗数据混合得到数据集，并将数据集中的最大最小值确定为随机取点的区间边界；第2步在所确定区间内随机取点，如图中，中点1被边界与随机取点“孤立”，则得到点1的划分深度为1；第3步同样在所确定区间内随机取点，如fi中点2被第1次随机取的点与第2次随机取的点“孤立”，则得到点2的划分深度为2，重复上述步骤直到划分的点达到设定值停止，并将划分深度的倒数作为异常值记录至异常表中。

图3 孤立森林单次执行任务示意图

Step3设定合适孤立点数即停止该次程序。

Step4执行该程序有限次，将有限次被孤立出相同的点的异常值相加得到异常值排序表。

Step5根据异常值排序表，标记异常点。

Step6若前窗数据未被标记成异常点，则前窗保持一个单位长度，否则前窗变为设定长度，将其中的单个数据样本依次加入后窗重复进行STEP1～STEP6操作直至前窗内最后一个数据样本被检测完。

步骤4根据从前窗依次加入后窗的数据被标记为异常点的个数判断是否发生电器投切事件。

步骤5当窗口未检测到事件投切，则前窗长度变为1个单位长度，同时前窗后窗向前移动1个单位，当已经检测出投切事件时，则不再记录此时前窗及以前的数据，向前形成1个设定长度的后窗以及1个单位长度的前窗进行动态检测。

3.1.2 基于改进孤立森林的事件检测算法

本设计事件检测采用滑动前后窗口模式，首先设置合适长度的前窗口与后窗口用于提取数据，将前窗中被选中个数据样本与后窗个数据样本集混合，通过采用改进孤立森林算法判断出异常的点，根据从前窗数据中逐个加入后窗的数据点被标记为异常点的个数判断是否发生电器投切事件，当窗口未检测到事件投切，则前窗长度变为1个单位长度，同时前窗后窗同时向前移动1个单位，当已经检测出投切事件时，则不再记录此时前窗及以前的数据，向前形成1个设定长度的后窗以及1个单位长度的前窗进行动态检测［10］。算法流程如图4所示。

图4 基于改进孤立森林的事件检测算法流程

3.2 特征提取

如图5所示，本设计通过事件检测算法获取一定长度的负荷启动前的稳态电流瞬时信息、负荷启动时电流瞬时信息以及启动后的稳态电流瞬时信息。假设第i个启停事件的负荷启动前的稳态电流瞬时信息为负荷启动时的稳态电流瞬时信息为负荷启动后的稳态电流瞬时信息为。运用快速离散傅里叶算法将这两个时域的稳态电流瞬时信息转化成频域的信息，

图5 特征提取示意图

式中：N表示每段瞬态信息所包含的所有点数。

基于电信号的线性叠加性，将启动后稳态瞬时信息频域幅值序列减去启动前稳态瞬时信息频域幅值序列得到单负荷特征序列作为第i次负荷启停时的频域特征。

同时将负荷启动时瞬时电流信息取一定周期T进行瞬时电流有效化，得到有效电流序列作为时域特征：

3.3 负荷识别

从本设计所提取到的负荷启停特征来看，不管是时域特征STi还是频域特征SFi都是一维序列，所以本设计采用针对长序列特征识别适用性强的长短期记忆网络（Long Short-Term Memory，LSTM）作为主识别网络。

传统的循环神经网络（Recurrent Neural Network，RNN）在处理特征值为序列的问题时具有优势，但是存在当神经层大量增加时会出现梯度消失和梯度爆炸的问题，所以对于长序列问题的处理有一定的局限性，LSTM是一种具有记忆功能的特殊循环神经网络，通过引入记忆单元以及遗忘门，选择性遗忘一些当下信息，同时又记住以往的一些信息克服梯度消失和梯度爆炸的问题。

为了充分利用所提取的时频域信息，分别针对时频域特征搭建LSTM网络，并将两者的最终输出特征通过一个全连接层来进行特征融合，提高了不同类别负荷的类间距离，缩小类内距离，从而提高负荷识别成功率［11］。最终所搭建的网络结构图如图6所示。

在建设生态文明已成为全球共识，旅游业也壮大的时代背景下，洞庭湖区发展选择旅游业发展路子，是明智之举。洞庭湖的发展价值有多方面体现，湿地旅游业一定是发展中污染最小、且收益主要来自文化，是深远的。而建设生态经济区旅游业，必须始终坚持生态优先。洞庭湖资源丰富多样，价值很大，而此文的思考却是其很微小的一个方面，甚至还存在研究不够全面，逻辑些微欠缺的问题。湖区发展首先要集合力量，推动旅游业的建设发展；落实关键要抓项目，建设最终都要落到具体的项目上，是最重要最有效力的支撑；最后发展的终极目的在于提高人民群众的生活水平和幸福指数。

图6 识别网络结构图

4 系统测试与分析

4.1 电信号数据接收与存储

将所需硬件设备搭建完成后，首先对数据传输平台进行调试：①配置好高频电信号采集装置的设备号、采集数据类型、默认地址、网络接收IP、数据传输目标IP、数据传输协议等。②实现数据接收软件，并根据传输数据的设备号来进行数据区分，同时为了后期获取各种不同电器的特征数据库，数据接收软件可以根据所输入的电器名字来进行自动分类存储。如图7所示，是数据接收与存储的效果展示。

图7 数据接收与存储效果展示

4.2 基于改进孤立森林的事件检测算法的实现

在获取到足够多的不同负荷正常运行启停的电信号数据后，利用这些数据实现事件检测算法，下面以电吹风为例说明算法实现过程：

以检测单电器启停、状态转换识别为例，采用Matlab软件进行算法实现。吹风机共依次进行停机至冷风一档、冷风一档至冷风二挡、冷风二挡至热风二挡、热风二挡至热风一档、热风一档至停机5个状态。

步骤1将采集到的电流瞬时值转化为有效值。

步骤2设置正常推进时前窗长度设置为1个单位；检测到异常时，长度应设置为小于第2次事件投切来临的区间长度，同时应考虑存在电网波动，原则上高于4个单位，本例设置为6个单位，后窗作为采集稳态数据的窗口，长度应该大于前窗长度，同时长度应设置为小于第2次事件投切来临的区间长度，本例设置为30个单位。

步骤3将前窗中被选中的数据样本与后窗数据样本集混合，通过采用改进孤立森林算法判断出异常的点。

步骤4根据从前窗依次加入后窗的数据被标记为异常点的个数判断是否发生电器投切事件，本例以6个单位的后窗中的5个数据都被标记为异常点则表示发生电器投切事件为例。

图8 事件检测效果（吹风机样例）图

最后，对比算法检测结果与人眼检测结果，本设计所采用的算法针对实验中所采用的八类电器而言，事件检测成功率分别为：吸尘器99.6%，微波炉99.3%，挂烫机99.8%，电磁炉99.1%，电饭锅99.0%，电热水壶99.8%，电风扇99.2%，电吹风99.0%。

4.3 时频域特征提取及负荷特征样本库建立

为了提高识别算法的准确度，需要建立常用负荷数据库。本设计选取了8类常用电器：吸尘器、微波炉、挂烫机、电磁炉、电饭锅、电热水壶、电风扇、电吹风，通过采集它们正常使用时的电信号数据，并利用事件检测算法获取每种电器至少1 000次的启动、停止事件，即得到包含8 000段启停事件的总样本库，之后，根据本设计前文所述的时频域特征提取方法，对应提取到8 000段启停事件的频域特征SFi（i=1，2，…，8 000）和8 000段启停事件的时域特征STi（i=1，2，…，8 000）［12］，将这16 000个特征样本库作为本设计负荷识别的数据库。

4.4 基于LSTM网络的负荷识别算法实现

在获取到样本库后，利用TensorFlow框架，基于图6搭建LSTM网络及最终全连接层，将样本库中的90%的样本作为训练集输入到本设计网络中进行训练，并将剩下的10%的样本作为测试集输入到训练好的模型中进行测试，最终测试集的负荷识别准确率高达98.7%，满足在线负荷识别的精度要求。此外，还选取了7种电器（上文中吸尘器和电风扇比较相近，不做比较）与RNN网络进行精度及收敛速度进行比较［13］，最终结果如图9、10所示。结果证明，LSTM网络不仅有着更高的识别精度，同时其收敛效果优于RNN网络。

图9 LSTM网络与RNN网络预测结果对比

图10 LSTM网络与RNN网络收敛速度对比图

4.5 非侵入式负荷在线监测系统的实现及可视化界面搭建

在实现上述步骤后，最后便是将上述内容进行整合，实现负荷在线检测系统。非侵入式负荷在线监测系统的工作步骤为：通过电信号数据接收软件，从网络中不断获取高频采集器所发送过来的数据包并进行解包及数据读取，之后利用事件检测软件来进行判断是否产生了电器启停；若否，则丢弃所得数据；若是，则将所获数据传入特征提取软件中进行时频域特征解析，之后将所得特征传入训练好的网络模型中进行电器预测，并将结果通过GUI界面进行可视化［14］。

5 结 语

本文结合高频电信号采集器、网络传输平台搭建了非侵入式负荷在线监测系统，该系统的应用场景为电网公司可在不进入用户生活空间的前提下，仅通过电网总线提取到的电信号便可以监测用户的电器使用情况，同时该系统也可以为用户提供更详细的电器使用情况，提高用户的节能意识。从实验结果看出，所实现的基于改进孤立森林的事件检测算法效果很好，检测成功率达99%；此外，充分利用了所采集到的高频电信号数据，相比于常见的仅利用时域特征的算法，同时利用了时频域特征，在提高负荷类间区分度的前提下，算法的训练时间也没有显著增加。最终测试表明，所采用的深度学习网络结构的负荷识别准确率达98%，且识别时间很短，可以实现实时在线监测［15］。