朱 启 成

(安徽工贸职业技术学院 计算机信息工程系，安徽 淮南 232007)

本文针对非入侵式挖掘方法进行研究，尤其是针对电力负荷辨识这一环节，相关专家提出了很多方法进行解决，如谐波分析、傅里叶变换(FT)、小波分析(WT)等[2-3]。这些方法虽然都能在一定程度上辨别出不同电器用电情况，但是一旦面对电器过多、负荷数据较为混乱，就会出现识别不准确或识别不出来的现象，导致无法实现数据挖掘的目的。为此，本文针对电力负荷辨识这一环节，提出一种基于神经网络的开放性云平台非侵入式负载数据协同挖掘方法。该方法分为4步：首先，进行非入侵式数据采集，包括负荷独立运行数据和负荷混合运行数据；然后，对采集的两种数据进行处理；再提取负荷独立运行数据特征；最后，利用神经网络算法，结合独立负荷特征，实现特征匹配，完成负荷组成成分和电器用电状态的识别[4]。

1 材料与方法

1.1 实验材料与数据

1.1.1 模拟实验平台

模拟实验平台主要由电源负荷插线板(27W MAX，公牛集团股份有限公司)、电压电流传感器(NB-AV1C1-G4MB，宁波亿思达传感器有限公司)、NI数据采集卡(PCI8620，北京阿尔泰科技发展有限公司)、开关电源、导线以及计算机(天逸510Pro，联想集团)等多个部分组成(图1)。

图1 模拟实验平台

1.1.2 实验所需用电设备及数据

本仿真实验所需数据来自16种电气设备一个月的用电数据情况，采集的用电参数见表1。

表1 16种电气设备及用电参数

1.2 实验方法

1.2.1 非侵入式负载数据协同挖掘方法

活性炭纤维具有大比表面积(1000～3000m2/g)和丰富的微孔，微孔体积占总孔体积的90%以上，其在空气中对有机气体的吸附能力比颗粒活性炭高几倍至几十倍，吸附速率快100～1000倍，同时耐酸、碱，耐高温，可再生循环使用，是近年来应用较多的一种吸附剂。

数据挖掘是指从大量的数据中自动搜索隐藏于其中的特殊的关系性，其任务有关联分析、聚类分析、分类分析、异常分析、特异群组分析和演变分析等。在现代科技社会，人们生产、生活中离不开各种带能电气设备的应用，而这些设备每天都会产生大量的负载数据。本文对这些数据进行挖掘，有利于帮助用户了解电气设备的具体使用情况，从而增强用户节电意识，帮助用户合理用电，也可以帮助电力企业准确预测短期电力负荷，从而科学制定电网调度方案[5]。

负载数据挖掘有两种方式：入侵式挖掘和非入侵式挖掘。两者的特点对比见表2。

表2 入侵式挖掘和非入侵式挖掘特点对比

与侵入式负载数据挖掘相比，非侵入式负载数据挖掘集更为常用，优点更为明显，因此本文针对非侵入式负载数据挖掘进行研究，过程包括负载数据采集、负载数据处理、负载数据特征提取以及负载组成成分辨别等步骤，完成数据协同挖掘[6]。

1.2.2 负载数据采集

负载数据采集是负载数据挖掘的前提基础，在本小节需要采集的数据有两种：负荷独立运行数据和负荷混合运行数据。前者是作为对比项，为了提取每种电气设备的运行特征准备的，而后者主要是为了完成最后的数据挖掘准备的，前者数据是为后者数据分析服务的[7]。因此在这里需要一种侵入式和非侵入式两种装置来采集数据，其结构如图2～3所示。

图2 侵入式采集装置 图3 非侵入式采集装置

特别注意的是，若在电力数据处理中心数据库中存有每种电气设备负荷独立运行数据，就不必再进行侵入式负载数据采集，只需要进行非侵入式混合负载数据采集即可。

1.2.3 负载数据处理

负载数据在采集和传输过程中，受到外界因素和自身因素的影响，会被一些噪声干扰，导致数据质量下降，不利于后期数据挖掘，因此需要去除数据中的噪声[8]。目前，数据去噪方法有3种：滤波器、傅里叶变换去噪和小波分析去噪，其性能比较见表3。

表3 数据去噪方法对比

与滤波器和傅里叶变换去噪相比，小波分析去噪是在前两者基础上发展而来的，因此去噪能力更强，能同时满足时域和频域分辨率的双重要求。因此，本小节采用小波分析法进行去噪，具体过程如下：

步骤1 设定参数，即选取合适的小波基函数(包括Daubechies小波、Symlets小波、Coiflets小波和Biorthogonal小波等)和分解层数(一般选为3或4层)。

步骤2 对采集到的数据进行小波分解，得到小波系数。

步骤3 选取合适的阈值。目前阈值主要有硬阈值和软阈值两种，其中后者比前者更加平滑，因此选择软阈值，阈值λ的选取直接影响到去噪的效果，小波变换阈值去噪法的阈值的选取形式有4种：通用阈值规则、最小极大方差阈值、无偏似然估计(SURE)规则、启发式阈值规则[9]。

步骤4 利用选取合适的阈值对小波系数上一步骤得到的结果进行阈值处理。

步骤5 通过小波逆变换对数据进行重构。

在数据处理中，除了去噪之外，还需要进行离散化处理。采集到的负载数据是一个连续变量，但在后续数据挖掘中却不能直接使用连续变量，因此需要进行离散化。在这里采用基于卡方的一种连续变量离散化方法，基本原理如下：首先将数据取值范围内的所有数据值列为一个单独的区间，再递归地找出邻近可合并的区间，然后合并它们，进而形成较大的区间[10]。

1.2.4 负载数据特征提取

负载数据特征提取是从采集到的每种电气设备负荷运行数据中提取到独立特征，为后续特征匹配做准备。每种电气设备从开启到关闭这一过程中产生的负荷数据都会有自己本身独特的特征，一般分为稳态特征、暂态特征和时间特征等辨识特征量[11]。这些辨识特征量都是后续能够从非入侵负载数据中辨别电气设备种类和工作状态的关键证据。在本文当中选择前2个辨识特征量：稳态和暂态特征作为负载数据特征。稳态特征是指电气设备在正常工作状态下表现出来的特征参数；暂态特征是指与稳态特征相反的一种较为奇异的特征，这种特征一般存在时间很短，但包含的内容非常丰富，是一个更能表现电气设备不同点的特征参数，比稳态特征更为重要。负载数据特征及提取方法见表4。

表4 负载数据特征及提取方法

1.2.5 非侵入式负载数据挖掘实现

非侵入式负载数据挖掘任务是结合一种识别模型，从采集的数据中辨别出各类电气设备种类和工作状态。在这里识别模型的构建至关重要，本文采用一种BP神经网络算法构建非侵入式负载数据挖掘模型。BP神经网络是由若干个神经元相互连接而成，通过模拟人类大脑神经元处理过程来进行数据处理[12]。BP神经网络典型结构如图4所示。

图4 BP神经网络典型结构

基于神经网络的非侵入式负载数据挖掘基本流程如下图5所示。

图5 基于神经网络的非侵入式负载数据挖掘基本流程

2 结果与分析

2.1 实验流程

2.2 挖掘准确率计算

(1)

(2)

其中

(3)

图6 实验流程

2.3 挖掘结果分析

利用本文方法和3种传统基于谐波分析、傅里叶变换(FT)、小波分析(WT)的数据挖掘方法进行电气设备种类和工作状态辨识，挖掘准确性见表5。

表5 挖掘准确性 单位：%

从表5中可以看出，本文所提方法应用中，非侵入式负载数据挖掘准确率为95.68%，而三种传统挖掘方法，挖掘准确率分别为90.66%、92.21%和92.35%。以上4种结果对比可知，本文方法的准确率更高，为数据应用奠定了可靠的基础。

3 结论与讨论

本文研究一种开放性云平台非侵入式负载数据协同挖掘方法。该方法结合神经网络算法，对采集到的非侵入式负载数据进行挖掘，得出电气设备种类和工作状态信息。最后经测试，本方法的准确性要高于其他3种方法，为电力企业和用户提供了可靠的数据参考。综上所述，随着人们生产、生活中电气设备的广泛应用，在方便人们的同时，产生的电力消耗在剧烈增加，因此，为方便电力用户随时掌握用电信息以及方便电力企业进行电力负荷预测和电力调度，进行电力负载数据挖掘具有重要的现实意义。