毕善钰，戚梦逸，俞海猛

（南瑞集团（国网电力科学研究院）有限公司，江苏 南京 211106）

随着电力系统计量自动化与智能化水平的提高，用电侧数据变得更加容易获取[1-3]。用电侧数据蕴含丰富的用户用电信息，具有较大的数据挖掘价值[4-5]，是当前电网公司实现价值的重要增长点[6-8]。但由于电网用户的广泛性，用电侧的数据量庞大，如何从海量的用电数据中挖掘有价值的信息变得至关重要。负荷识别与用电行为分析是用户侧数据的主要应用领域，可实现用户用电情况的可视化展示，优化用户用电计划，从而实现节能环保[9-12]。基于此，文中应用DBN模型进行用户侧数据挖掘。在实现负荷精准识别的基础上，分析用户用电行为，为优化用电计划提供指导。

1 智能用电行为分析架构

将深度置信网络的人工智能技术应用于家庭用户用电行为分析，构建其系统架构，如图1所示[13-16]。基于人工智能技术的用电行为分析架构主要包括离线训练与在线分析两个部分。

图1 基于人工智能技术的用电行为分析架构

1）离线训练：利用负荷关口历史数据，通过事件检测识别家庭电器的开启事件与关闭事件，提取负荷电气量特征；通过DBN模型训练，实现负荷特征库的构建。

2）在线分析：利用负荷关口实时数据，通过事件检测与特征提取，将负荷特征集作为已完成训练并满足精度要求的DBN网络输入数据，从而得到负荷识别结果，进一步实现负荷用电时间、用电量、用电成本分析等用电行为分析功能。

2 负荷识别技术

家庭负荷识别技术包括事件检测、特征提取和特征库的构建3个方面。

2.1 事件检测

负荷识别的基础是对电器运行的有功功率进行稳态分析、事件检测，进而判断设备的类型。以变频空调运行的有功功率为例，其包含变频空调开启与关闭事件，如图2所示。事件发生前后电器稳定运行状态分别称为前、后稳态，见2图中深色部分。

事件检测的基本原理是根据前后稳态的功率差值进行判断的。如图2（a）所示，负荷开启事件中，前、后稳态有功功率差值为120 W，根据该值可以初步判定设备类型，因差值为正值，故判断为开启事件。如图2（b）所示，负荷关闭事件中，前后稳态的有功功率差值为-1 050 W，则判断为关闭事件。

图2 变频空调事件检测原理

在事件检测原理的基础上，文中采用基于功率滑动窗口的事件检测方法，其主要包括功率突变检测与启停事件检测。

1）功率突变检测

功率突变检测的目的是初步判断是否发生功率突变情况，并确定功率发生突变的时间点，判断是否发生功率突变的依据是，功率序列的方差与平均值是否大于阈值。

对于如下所示的功率序列：

式中，Pt为检测点t所采集的功率序列；Pt为检测点t的功率；N为检测点左右两侧的窗口长度；Pt-n为检测点t左侧第n个点的功率；Pt+n为检测点t右侧第n个点的功率。

计算功率序列的功率平均值，如下式：

计算功率序列的方差，如下式：

式中，St为检测点t功率序列Pt的方差。

判断是否发生功率突变的依据，如下所示：

式中，λ为功率突变判断阈值控制参数。

2）启停事件检测

启停事件检测是在发生功率突变的基础上，进一步判断是否发生负荷启停事件或负荷正常的功率波动。判断是否发生启停事件的依据是功率突变点前后稳态功率差值是否大于阈值。

考虑负荷稳态运行时功率存在微小波动，文中以功率突变点前M个点的功率平均值作为功率突变前的稳态功率，计算方法如下：

式中，PB为功率突变点前的稳态功率。

以功率突变点后M个点的功率平均值作为功率突变后的稳态功率，计算方法如下：

判断是否启停事件的依据，如下：

式中，Pθ为启停事件判断功率阈值。

2.2 特征提取

负荷运行的电气特征包括暂态特征与稳态特征，提取暂态特征对于数据采集系统的采集频率、存储空间、计算速度的要求极高，不适用于家庭负荷识别场景[17]。因此，文中提取负荷的稳态特征。

文中提取的负荷稳态特征包括稳态功率与稳态电流谐波值。在事件检测的基础上，以负荷启动前后的功率差值作为负荷运行的稳态功率，以负荷启动前后的电流差值作为负荷运行的稳态电流，并计算负荷电流的谐波总畸变率（Total Harmonics Distortion，THD）。

2.3 构建特征库

构建负荷特征库的目的是实现负荷特征参数与负荷类型的映射关系。文中利用DBN模型自动学习负荷特征参数与负荷类型的映射关系，DBN模型的训练流程如图1左侧所示。

3 用户用电行为分析

在家庭负荷识别的基础上，文中进行用户用电行为分析，分类统计负荷用电时间、用电量与用电费用。

3.1 负荷用电时间统计

在事件检测到负荷开启与关闭事件时，并进行负荷识别后，记录该类型负荷的累计开启与关闭次数。在记录该类型负荷的用电时间包括用电时间序列与总用电时间。

负荷总用电时间计算，如下：

式中，Ti为 i类型负荷的总用电时间；TOff，i，g为 i类型负荷第 g 次用电的关闭时间；TOn，i，g为 i类型负荷第g次用电的开启时间。

3.2 负荷用电量统计

按不同类别负荷分别计算负荷的用电量，负荷电量计算如下：

式中，Ei为 i类型负荷的总用电量；Pi，g为 i类型负荷第g次用电功率。其计算方式如下：

式中，PB，i，g为 i类型负荷第 g次用电启动事件前负荷总功率；PA，i，g为i类型负荷第g次用电启动事件后负荷总功率。

3.3 负荷用电费用统计

可以结合实时电价或分时电价计算不同负荷的用电费用。计算方法如下：

式中，Ci为i类型负荷的总用电费用；cg为第g次用电。

4 算例分析

文中实验仿真环境：处理器为Intel Core i7-8550，CPU主频为1.99 GHz，内存为16 GB，所使用软件平台Python 3.5。以某居民用电数据进行仿真数据，采用上述事件检测方法对该居民家中的用电情况进行检测。共采集到765次负荷启停事件，提取每次负荷启停事件的前后稳态功率差值及根据每次负荷启停事件的前后电流差值计算谐波THD[18]。以功率差值与谐波THD作为负荷特征数据集，将其按训练集与测试集4：1的比例进行DBN模型训练。

1）负荷识别结果分析

为对比所提出算法的有效性与正确性，将常见的人工智能算法的负荷识别性能与提出算法进行对比分析。进行对比分析的其他人工智能算法包括支持向量机（Support Vector Machine，SVM）与BP神经网络（Back-Propagation Neural Network，BP-NN）。负荷识别结果如表1所示。

表1 不同算法的负荷识别准确率

由表1可知，文中所提出基于DBN的负荷识别算法的负荷识别准确率均在95%以上。对于任意类型负荷，相比于SVM、BP算法，DBN算法的负荷识别准确率较高。由此可见，所提出基于DBN的负荷识别算法具有较高的负荷识别准确率，为实现用电行为分析提供良好基础。

2）用户用电行为分析

利用文中所提出的负荷识别及用电行为分析方法，对该居民某一天共24 h进行用电实时检测分析，统计该居民用户的用电行为，计算各种负荷的用电情况，如表2所示。根据分时电价计算各类型负荷的用电费用占比，如图3所示。

表2 各类型负荷的用电情况

图3 各类型负荷用电费用占比

由表2与图3可知，用电量及用电费用加大的负荷为空调、电脑、电磁炉、电视机与待机电器，其用电量均大于2 kWh，用电费用占比均＞8%。空调功率较大，用电较长，用电费用占比将近50%；电磁炉虽然用电时长较短但功率较大，因此用电费用占比较大；电脑、电视机与待机负荷虽功率较小但用电时长较长，因此为实现节能环保，对于空调负荷可以设置运行于智能模式或定时模式，减小其用电功率或运行时长；对于电脑与电视机长时间未使用时，可以关机或待机；对于待机电器，其平均功率约为100 W，功率较大，用电费用占比将近10%，因此需要引起重视，优化用电安排。

5 结论

文中从离线训练与在线分析两个方面构建了基于人工智能技术的用户行为分析架构，提出了基于DBN的负荷识别方法与用电行为分析方法。通过仿真算例表明，文中所提出的方法负荷识别准确率均大于95%，相比于传统智能算法具有更高的准确性，能够在线实现精准负荷的识别。通过用电行为分析表明，该用户空调、电视机等负荷用电费用较高，且待机负荷功率较大并具有良好的节能优化空间，需要结合用电分析结果制定合理的用电计划。