田 欣，王克南，宁 蒙，邓士伟，李世洁

（1.国网济南供电公司，山东济南 250012；2.江苏智臻能源科技有限公司，江苏南京 211111）

非侵入式负荷监测技术通过安装在用户电力总进线处的辨识终端监测电流和电压数据，通过智能分解算法获取用户分项电器用电行为［1］。当前，国外主流的算法包括采用事件检测的算法提取负荷的有功和无功序列，通过对事件聚类再匹配或神经模糊分类的方式实现负荷的非侵入辨识［2］。一种将人工神经网络与开通暂态能量分析相结合，提高了非侵入式负荷辨识结果的识别精度和计算速度［3］。一种基于可信推理神经网络的家用电能监测仪的电器辨识算法，基于单个电器参数构建了参数构建方案，减轻了组合电器模式的学习负担［4］。国内对于该领域技术的研究，一种负荷在线分离算法能够快速准确地得到独立负荷数据，并提出在实际运行过程中针对独立用户自适应地构建用户专用负荷特征库，防止提前构建的负荷特征库与该用户实际使用负荷的特征不匹配的情况，从而可解决预建立特征数据库存在的普适性弱而造成的误判问题，提高辨识准确率［5］。还有利用人工神经网络的高级特征提取能力，最后以复合特征作为设备新的特征训练反向传播神经网络进行非侵入式负荷辨识［6］。

由于实际工况中电器负荷电器愈加智能化，运行模式愈加复杂化，现有负荷识别技术的辨识精度很难达到工程应用水平，故非侵入式负荷辨识技术亟需进行更加深入的研究。采用负荷辨识模块化的思路进行智能电表改造，将有效减少设备投资、方便后期维护扩展，能够突破电力网络“最后一公里”采集难题，获得的细粒度数据能实现对电力网络拓扑识别、故障定位等高级应用的支撑。

1 非侵入式负荷辨识与监测系统架构

1.1 负荷辨识终端监测系统架构

本文提出了多层协作的用电负荷辨识系统架构，系统架构如图1所示。

图1中，在终端层初步进行数据辨识，结合主站层复辨方案，有效提升负荷辨识能力：

（1）终端层：在用户电力总进线处安装一个采集终端或集成在电能表内，采集并分析用户总电流、电压等信号来辨识单个电器或同类别电器的启停时间和电能消耗。

（2）主站层：除了实现对终端上传数据的纠错、数据完整性检查和错误数据处理等清洗工作之外，在海量细粒度数据基础上，进一步分析、挖掘其高级应用功能，包含负荷二次辨识、拓扑识别、停电定位、责任研判、线损分析与阻抗估计［7］。

1.2 多层协作负荷辨识系统架构

在辨识系统监测架构基础上，进一步给出图2所示多层协作用电负荷辨识系统架构。

图2所示多层协作的用电负荷辨识系统架构，首先对用户用电负荷数据进行第一次辨识，采集用户总进线的电压和电流数据，通过同类负荷特征量匹配的辨识算法即可分解出用户用户的＜电器类型，启停时间，电能消耗＞三元用电序列。同时，定期将终端侧辨识数据上送至主站，主站对上送的辨识数据进行第二次辨识，使用包含全部样本的负荷特征库数据，采用半监督学习的K均值聚类的辨识方法。一次辨识将实现电器的初步辨识，其中有部分电器没有辨识出来或者部分电器仅仅辨识为大类电器，二次辨识会将一次辨识的异常电器去除、并细分未知电器，由此极大的提高辨识效果。

2 分项负荷特征库建立

2.1 终端层负荷特征库构建

为了系统性的建立用电设备的负荷模型，按用途对居民用电设备进行分类讨论，可分为电热类、空调类、洗衣机类、冰箱类、其他类。前期的实验数据作为终端负荷的特征库，也就是说终端辨识算法所匹配的终端负荷特征库是已经写入终端里的，通过实验室数据得到。

通过常规采集终端可获取多种电器单独运行的电量数据，从而可以计算得到单个电器稳态有功功率、稳态无功功率和谐波电流等基本的特征量。为了使终端负荷特征库的数据更加全面，针对一种电器，终端获取了不同品牌不同功率的电器，使得终端负荷特征库中涵盖了市面上绝大部分品牌功率各异的电器。

（1）电热类：电热类设备按加热原理可分为电阻加热类、电磁感应类、微波类。终端负荷特征库中存储了电热类负荷的有功功率，无功功率，电流三次谐波和最大运行时长。

（2）空调类：空调负荷属于交流电机类负荷，将空调分为定频和变频两类分别建模。终端负荷特征库中存储了空调类负荷的有功功率，无功功率，电流三次谐波和功率冲击系数。

（3）洗衣机类：洗衣机内部主要工作元件是电机，但由于洗衣机工作时的有功功率波动较大，所以将其作为一个单独模型进行分析。洗衣机最大的负荷特征为有功功率波动特性。

（4）冰箱类：家用冰箱的属于间歇性运行电器，按照24小时内的平均耗电量来计算，冰箱的日耗电量在0.5 kW·h至1 kW·h左右，冰箱可分为定频类和变频类。

（5）其他类：对于出现频率较低或很低的电器，具有未知特性的新型电器。

2.2 主站层负荷特征库构建

终端在本地辨识电器数据后会定期上送给主站端，主站端的数据库主要包含三种，第一种是终端能确定电器开始和结束时间，且能给定具体标签的电器辨识数据；第二种只能确定负荷大类特征的辨识数据，这些数据可按电器大类及功率分类；第三种是携带新型特征的电器辨识数据。

终端上传到主站的数据包括＜有功功率，无功功率，电流三次谐波，最大运行时长，有功波动，有功缓变，功率冲击，辨识标签＞的八维数据。若电器在终端数据库中不存在某负荷特征则置零。辨识标签为电器标签、大类电器标签或者未知。

3 多层协作非侵入式负荷辨识技术

3.1 终端侧辨识算法

如图5所示，终端层负荷辨识技术的主要步骤，其中辨识过程三个关键技术为事件检测、特征提取和负荷识别。其中负荷特征提取是负荷识别的基础，负荷识别是算法核心。

3.1.1 事件检测

事件检测是将采集到的有功功率（或视在功率）通过检侧功率的差值将时间序列分为稳定阶段和暂态阶段，因此特征量包括稳态特征量和暂态特征量。其依据是一定时间段内负荷特征量的变化情况，具体有规则判断和变点检测两种方法［8-9］。通过计算相邻时间点或时间段的负荷特征量变化，并将其与设定的阈值相比较，当变化值超过阈值时，即判定有事件发生。

3.1.2 特征提取与分析

将负荷辨识特征量定义为能够表征负荷辨识特征的计算值［10］。

（1）稳态功率增量。稳态功率特征主要有：稳态有功功率P和稳态无功功率Q，在正弦稳态情况下稳态功率计算式：

式中：P为有功功率，Q为无功功率，U为电压有效值，I为电流有效值，u（t）和 i（t）为电压和电流的瞬时值，t为时间，T为工频周期，n为参与积分的周期数量，φ＝φu-φi是电压与电流的相位差，cosφ为功率因数。

用电设备运行期间稳态功率的变化通过有功功率增量ΔP和无功功率增量ΔQ来表征。功率增量是通过对采集到的离散稳态功率Pi、Qi序列进行差运算得到，公式如下所示：

式中，i为功率序列的编号，j为所设的正整数。其中j值的选取有限，因为过大会抓取不到极短时间内的投切事件；过小会使得功率变化的过程抓取的不完整，且会大大降低程序的运算速度。负荷有功功率和无功功率特征图如图6所示［11］。

由图6可以看出，对于某些小功率电器来说，只靠功率P、Q负荷特征很难将功率相似的电器分解出来。且对与某些有功功率相近的电阻加热类电器，仅仅靠有功功率，无功功率很难准确分解。故本文增加了电流谐波作为负荷特征。

（2）三次谐波增量。非线性负荷在运行过程中会出现谐波分量，而3次谐波电流幅值相对其他频次谐波最大，这是由于3次谐波的谐波率更大。3次谐波电流增量的计算公式如下：

式中I3m是稳态电流3次谐波分量，m是稳态电流序列的编号，j是正整数，j值的选择有限制。

图7为经过FFT变换后某电器的谐波幅值图。

从图7可以看出，偶次谐波幅值明显小于奇次谐波幅值，因此，本文选择3次谐波作为负荷分类的另一维度特征。对于非线性电器如微波炉、电磁炉等等来说，运行期间3次谐波电流变化明显，尤其在启停的暂态过程中，非同类负荷的3次谐波幅值相差较大，故可将3次谐波电流增量作为其非侵入辨识的主要判定依据。

（3）负荷时间特性。不同用电设备的负荷时间特性大相径庭，按工作模式可将负荷分为持续运行负荷和间歇运行负荷，负荷时间特性与其工作模式是相对应的。

3.1.3 辨识算法

非侵入负荷辨识算法基于层次分类的准则对负荷样本进行多维度的特征量识别，通过同类负荷的特征量匹配达到负荷辨识的目的。单相用户的非侵入式负荷辨识算法具体步骤如下所示：

（1）通过采集终端对用户总进线处的电压、电流进行监测，获取负荷基本特征量［12］：有功功率序列Pm、无功功率序列Qm、三次谐波电流序列I3m。

（2）首先要对负荷样本进行有功功率波动性和有功功率缓变性检测，从而将波动类负荷、缓变类负荷、定频类负荷进行区分。

（3）提取负荷辨识特征量：有功功率增量序列ΔPm、无功功率增量序列ΔQm、电流三次谐波增量序列 ΔI3m。

（4）通过检测定频类负荷的暂态过程和负荷特征量的匹配完成负荷辨识。

（5）完成各类负荷辨识的同时可得到负荷运行期间的平均功率以及工作时长，进而求得该负荷的电能消耗，完成用户的分类能耗计量。

3.2 终端层负荷辨识流程

非侵入负荷辨识算法基于层次分类准则对负荷样本进行多维度的特征量识别，通过同类负荷的特征量匹配达到负荷辨识的目的。具体步骤为：

（1）通过采集终端对用户总进线处的电压、电流进行监测，获取负荷基本特征量：有功功率序列Pm、无功功率序列Qm、三次谐波电流序列I3m；

（2）首先要对负荷样本进行有功功率波动性和有功功率缓变性检测，从而将波动类负荷、缓变类负荷、定频类负荷进行区分；

（3）提取负荷辨识特征量，有功功率增量序列ΔPm、无功功率增量序列ΔQm、电流三次谐波增量序列 ΔI3m；

（4）通过检测定频类负荷的暂态过程和负荷特征量的匹配完成负荷辨识；

（5）完成各类负荷辨识的同时可得到负荷运行期间的平均功率以及工作时长，进而求得该负荷的电能消耗，完成用户的分类能耗计量。

3.3 主站侧辨识流程

主站侧主要实现三个功能：异常电器的去除、未知电器的辨识和大类电器的细分。因此，本文提出了一种基于K均值聚类［13］的主站侧辨识算法。对主站侧特征库做K均值聚类，离群点即是终端侧辨识的异常电器，予以去除。对未知电器和大类电器一同与主站侧特征库做K均值聚类，未知电器和大类电器则辨识为该簇的标签。若未知电器单独聚成一个簇，则说明出现了一个全新的电器，由人工干预确定这个电器的标签。

主站侧辨识算法的流程如下：

（1）建立K均值算法样本集。以终端上传能确定电器的具体标签的电器辨识数据作为样本集。

（2）确定K的取值。以样本集中的不同电器的个数作为K的取值。不同品牌，不同功率的同一种电器视为多个电器。

（3）异常电器去除。对样本集进行K均值聚类。离群点视为异常电器，删除。

（4）大类电器细分。大类电器样本和样本集一同参与聚类，大类电器细分后的电器标签即为所属簇的电器标签，并且将辨识出来的样本补充进样本集。归为离群点的大类电器样本保留，等待终端上传新的数据扩充样本集后再次做聚类细分辨识。

（5）未知电器细分。未知电器样本和样本集一同参与K均值聚类，未知电器辨识后的电器标签即为所属簇的电器标签。并且将辨识出来的样本补充进样本集。归为离群点的未知电器样本保留，等待终端上传新的数据扩充样本集后再次做聚类细分辨识。若未知电器单独聚成一个簇，说明出现了新型电器，需要人为干预确定此未知电器的标签。

4 新型智能电表研制及应用验证

电力物联网的发展对终端侧的精细数据提出了更高需求，将非侵入负荷辨识技术移植入智能电表能够突破电力网络“最后一公里”采集难题。但当前，相关智能电表的研究主要集中在电能表状态评估等整体运行态势方面［14］。

为验证本文所提出方法的效果，项目团队在OIML IR46国际建议［15-17］基础上重构了包含计量芯、管理芯、辨识芯（负荷辨识模块）的新型模块化电能表架构，整合融入非侵入式负荷辨识模块，如图8所示。负荷辨识模块通过高速SPI数据通道获取电能表计量芯采集的高频电压电流值，利用本文上述负荷辨识算法进行分离出用户内部各类家用电器类型和负荷值，并扩展DL645规约透传终端负荷辨识结果至主站，实现对新型未知电器的协作辨识及结果展示。

本文对于新型智能电表的验证方式包含两种：

方式一，搭建模拟实证平台进行验证。在典型厨电、空调电器复杂运行工况分析［18］基础上，搭建包含电水壶、空调、微波炉、电磁炉、空调等典型家用电器的实证环境，其中每种电器通过一个分项电能表进行电量计量，在总入口处安装上文所述的支持非侵入式负荷辨识功能的模块化电能表进行负荷辨识，如图9所示。

模拟真实用户的使用习惯，测试时长为1周，运行场景包括：10时-14时使用空调；12时-13时使用电饭锅；12时-12时10分使用微波炉；18时-19时使用洗衣机；20时-20时8分使用电水壶。每天启动关闭随机控制在1小时内，辨识结果如表1。

表1 非侵入式负荷辨识结果Tab.1 Results of non-intrusive load identification

由表1可以看出，空调、微波炉和洗衣机等具有明显的无功和电流谐波特征的电器，在终端辨识阶段就已经成功辨识出来。而一些电热设备，比如电饭锅和电水壶，几乎没有无功和电流谐波，仅仅具有有功负荷特征，在终端难以准确辨识出来；把相关负荷特征上传到主站之后，主站根据K均值算法成功辨识出电水壶，并校正了电饭锅的电量，有效验证了本文提出的多层协作的非侵入负荷辨识方法的有效性，验证了搭载多层协作负荷辨识算法的智能电表负荷辨识能力的可靠性。

方式二，现场安装终端及数据应用验证。在山东济南历城区孙村小区选取24户用户安装新型模块化智能电表，在电表获得的海量细粒度数据基础上进一步通过细粒度用电数据融合应用平台，实现电器成分分析、用电规律分析等高级应用。如图10所示为孙村小区实时用能监测界面。

由居民分项负荷曲线图可知，家用电器在早上6时30分左右有明显的厨房电器、电热类电器使用小高峰，初步推测用户的早起时间及行为规律；此外，家用电器在中午11时30分左右达到用电高峰，且以空调类电器、厨房电器类电器、电热类电器、其他类电器使用为主。由居民分项用电量堆叠图可知，早上、中午高峰时段的用电量以空调类、电热类电器为主。本文新型模块化智能电能表获得的分项细粒度数据能够有效支撑台区高级功能应用，使得海量细粒度数据获得增值。

5 结论

本文构建了多层协作负荷辨识系统架构，通过在用户电力入口处和主站端分别部署负荷辨识设备，建立终端侧和主站侧的负荷特征库，并通过事件检测、特征提取和辨识算法的过程，实现多层协作的非侵入式用户电力负荷辨识，解决了非侵入负荷辨识中出现的稳态特征有限、实际工况复杂等难点。此外，设计了负荷辨识模块化新型智能电表，并通过搭建包含多种典型电器的实证平台对智能电表的非侵入负荷辨识效果进行了验证，示例验证了多层协作负荷辨识算法及智能电表负荷辨识能力的有效性和可靠性。此外，选择了一定规模的用户进行新型智能电表安装应用，结合海量细粒度用电数据融合应用平台开发，进一步证明了辨识算法的有效性、新型智能电表功能的可靠性，以及海量细粒度数据对于台区高级增值应用服务的支撑性。