推进工商业用户:非侵入式负荷监测、分解三相智能电表开发与应用的探索

中国现代电网量测技术平台

张春晖

2018年5月17日

非侵入式负荷监测、分解（又称:负荷辨识/负荷识别）是一门新兴的智能配电网高级量测技术。

传统的侵入式负荷监测、分解方法，是在用户的各用电设备上都安装传感器记录其使用情况。这种方法，实施成本高，可操作性差。

非侵入式负荷监测、分解技术，是在用户的入口处将经量测的总负荷信息，按设计程序、算法和匹配规则自动分解为户内各用电设备的使用情况。这一新兴技术，具有很高的应用价值，经济投入又小。国际上，自20世80年代以来，已经推出广泛的研究应用成果。

国内，近几年，随着智能配电网建设、智能家居行业的发展，才逐步开启非侵入式负荷监测、分解技术的开发与应用进程。本文作者从电力期刊上，多次看到基于遗传优化/系统模型/结构熵权算法的非侵入式居民用户负荷监测、分解技术的刊文。还了解到:2017年，江苏省电力公司在国内率先推出居民用户负荷特征分析智能电表。

同时，有关专业文献指出:”各行业负荷成分及其特性存在差异，不同行业的负荷分解难度也有较大的不同。目前大部分研究尚集中在居民用户”，此项新兴技术研究还有较大的提升空间。本文作者认为:工商业用户用电量约占全社会用电量的75%以上，其非侵入式负荷监测、分解技术开发应用更为重要:电网谐波污染源大都来自工商业用户，新兴量测技术水准高，开发难度大，应用前景看好。由此，需要引起行业的高度关注。

1、从江苏电网开发的居民用户负荷特征分析智能电表说起

本部分的第1）、2）项内容摘录于江苏省电力公司的信息:”基于智能电表的负荷特征分析技术”、”负荷特征分析智能电表”。

1）非侵入式负荷辨识技术基本原理

与目前智能电表只能测量用户的总功率不同，它以采集出用户的细粒度用电行为数据为目标，即辨识出用户的电器类型、启动时间、电能消耗三元序列，是智能用电重要研究领域之一。

非侵入式负荷辨识技术的基本原理:

—建立各类、各厂家、各型号电器的稳态及暂态运行特征库

—通过非侵入式负荷特征分析智能电表，实现电压、电流高频度采集

—对采集数据进行谐波分析

—通过电表内嵌的负荷匹配算法进行分解后的数据，与特征库中数据的优化匹配。其匹配结果即为电器类型及对应负荷，最终实现用电负荷辨识与分析。

2）负荷特征分析智能电表

该新型智能电表是在表计内集成非侵入式负荷辨识模块，进行用户用电行为分析。在基本保持现有电能表外观不变的情况下，实现一体化电能计量与负荷辨识。通过户内电器分项计量分析，可逐步实现下列功能:

—按日推送家用电器用能分析清单

—通过对电压、电流的长期监测，分析用电线路阻抗变化，实现用电安全隐患辨识及电器寿命辨识

—对用户的电器类型、需求响应容量、互动活跃度进行测评，对需求响应行为进行在线确认。

3）参考件:遗传优化算法在居民用户非侵入式负荷监测、分解方法中的应用

本部分内容主要参照华北电力大学学者:《基于遗传优化的非侵入式家居负荷分析方法》，经摘要、编辑而成。

这里，叙述一种多特征改进遗传优化的非侵入式负荷监测、分解（NILMD）技术。

—首先，对多种家用电器的电流、功率、谐波等特征进行建模分析，寻找不同电器差异较大的新特征，作为遗传优化对象。

·有功、无功是非侵入式负荷监测与识别中最常用的负荷特征。通过采样获得的电压、电流计算出不同电器的功率特征。

·还需采用新的负荷特征来实现低功率电器负荷的有效识别。

由查询有关专业文献的家用电器数据库可以看出:低功率电器的功率和电流波形都较为接近（如风扇、电脑）。为此，对不同负荷的谐波电流进行频域分析，通过快速傅里叶变换提取不同电器谐波电流的频域特征，获得一个电流周期内多次谐波。再求出多次谐波频域的幅值与方差。

经比较，选择低功率电器方差最大的3次谐波电流的幅值，作为新的负荷特征，用以提高低功率电器负荷识别的准确性。

—然后，对传统遗传算法的寻优目标函数进行改进，在传统功率特征基础上加上新特征，作为双重约束条件。

·传统遗传算法

传统遗传算法（GA）是基于生物进化论”适者生存”的规律，通过选择、交叉、变异3个算子的作用，逐步求解问题的最优解。

a1 遗传算法需要先解决种群个体的编码问题，通过遗传、变异迭代的子代个体，也保持同样的编码方式。

（本文注: 这里的种群，可理解为全部电器状态的汇总。种群，有阶段性时间概念；个体，任意时刻的全部电器状态的集合）

个体编码采用二进制方式。系统中电器负荷个数（N）等于个体（S）的长度，每个基因（电器）位置由节点编码方式确定，1 表示电器处于运行状态，0 表示处于关闭状态。遗传算法种群个体编码图是1、2、-- - -N--1、N个电器状态（1/0）的集合。

a2 单功率目标函数

根据以上个体编码方式，随机产生M个个体（S）构成初始种群（S1、S2、- - -Sm），每个个体（S）为N维（0/1）向量。对于任意时刻（t）采集到的总功率为P（t），N个电器运行时的功率特征表示为P=（P1、P2、- - -Pn），则种群个体（S）i 对应着一个拟合总功率SiP（本文注:处于闭合状态的电器功率的叠加值），定义单功率目标函数:

F（i, t, P）=P（t）--- SiP

F越小，表示拟合总功率（SiP）与实际采集负荷总功率【P（t）】越接近，即个体（Si）越接近真实电器状态向量。

F=0，则可以认为Si为该种群中最优的个体。同时，可以分析出该用户哪些电器处于运行状态，初步实现负荷的分解。

a3 多次迭代计算。遗传算法迭代过程中，多数初始种群个体经过选择、交叉、变异生成下一代，并与少数不变的个体组成新的种群，通过寻找每一代种群中目标函数最优的个体来实现遗传寻优的目的。

·传统遗传算法存在的问题与改进

a1 问题的提出:随着家居负荷种类逐渐增多，许多低功率电器的特征较为接近，单功率特征寻优目标函数的准确率受到一定影响，有时，在种群中会出现2个最优个体的情况。

a2 传统遗传算法的改进

经研究，由于功率较为接近的几种低功率电器的负荷，其3次谐波分量仍保持较大的差异，可引入3次谐波分量（简称谐波）作为新特征，对单功率目标函数F（i ,t , P）改进成为下列多特征目标函数F（i ,t ,P ,H），并对其取1至M的最小值:

F（i ,t ,P ,H）=λ【P（t）---SiP】+（1--λ）【H（t）---SiH】

上式中:

P（t）为t时刻采集到的负荷总功率

H（t）为t时刻的总谐波值

Si表示种群中的第i个个体，i∈（1，M）

P为N个电器的功率特征向量（注:P=P1、P2、- - - Pn）

H为N个电器的谐波特征向量（注:H=H1、H2、- - - Hn）

λ为权重因子，λ∈（0，1）:

经仿真测试表明，家用电器可分为3类（高功率电器有吹风机、电饭锅、空调器、微波炉、热水器5种；谐波较高的电器有音响、空调器、微波炉、电视机、电脑5种；低功率电器有电灯、电风扇、音响、电视机、电脑等），权重因子λ（0---1）的分配，对各类电器的识别正确率影响不同。其中，受λ（0---1）影响较大的是高功率电器负荷:信噪比100dB时，识别正确率受权重因子λ（0---1）影响较小；当信噪比20dB时，识别正确率的波动范围很大，且在λ=0.7时，平均识别正确率最高。

{本文说明:传统遗传算法的改进，主要是在单功率目标函数F（i ,t ,P）基础上，加上谐波因子【H（t）---SiH】，成为多特征目标函数。该谐波因子是在t时刻采集的总谐波值与种群个体（S）i 对应着一个拟合总谐波（SiH）之间的差值，并将两项因子乘以权重因子λ的分配值λ/ （1--λ）}

a3 归一化处理。由于功率、谐波具有不同的量纲，改进后的多特征目标函数需对采集功率、谐波及特征向量进行归一化处理。P（t）、H（t）、P、H的归一化计算公式:（略）

归一化后的多特征目标函数计算公式:（略）

当λ=0或1时，分别表示功率或谐波特征的单目标寻优。通过遗传算法迭代实现，先验证改进目标多谐波特征优化比单目标优化的优越性。然后，在不同设备类型的场景下验证该文方法的性能。

·非侵入式负荷监测、分解（NILMD）方法的实现流程:

【（电压、电流数据采样—>计算负荷总功率、谐波特征值—>数据归一化处理—>）/（产生初始种群—>）/（· A）】遗传、变异迭代—>选择目标函数最优的子代—>【完成迭代次数？（否—> · A）/（是—>结束）】

以上流程:第一步，NILMD系统通过智能电表等数据采集方式获得电压、电流采样数据，并计算出总负荷功率、谐波等特征值；第二步，将不同量纲的功率、谐波特征值进行归一化处理，并作为遗传算法的数据输入；第三步，根据随机产生的初始种群和设定的目标函数，采用遗传算法不断迭代，计算出每一代种群个体中目标函数值并选择最优的个体作为输出结果。之后，通过仿真测试、对比分析不同特征值情况下的识别性能。

—最后，在相同迭代次数与噪声背景下，通过对遗传算法和作比较用的聚类算法进行仿真验证，证明该文改进后的基于遗传优化的NILMD方法的有效性:

·遗传算法的整体性能优于聚类算法，这是因为遗传算法通过不断迭代进化，能够寻找满足目标函数的最优值，而聚类算法不具备寻优功能。

·多特征算法的性能优于单特征算法的识别结果，特别在噪声较大时（信噪比< 20 dB）更加明显。

4）点评

由江苏省电力公司在国内率先开发出的居民用户负荷特征分析智能电表，无疑是新兴的非侵入式负荷监测、分解（NILMD）技术应用于电能计量领域的最新计量产品，是先进计量理念与技术开发实力的展示。目前，该新型电表新增加的高级量测功能有3项，基本功能。

近几年，国网智能配电网建设快速推进，需要高水准的提升配网电能质量，大幅降低线损，居民用户非侵入式负荷监测、分解智能电表具有应用前景。为此:

—新型智能电表需增加更多的实用功能:

·推进配网负荷互动式实时管理，居民用户的大容器电器负荷主动参与配网负荷削峰填谷，节约能源。为此，新型智能电表需增加负荷控制功能，并输出控制信号。

·根据实际情况，开发居民用户光伏发电并网负荷识别、控制功能。

·根据需要，开发居民用户电动汽车充电设备负荷识别、控制功能。

—居民用户非侵入式负荷监测、分解系统的大数据应用开发

·家用电器能耗、产品质量排序、选优。

·汇总居民用户负荷无功功率，在低压线路分支配电箱、居民电表箱安装分布式无功补偿设备，切实、大幅降低低压电网线损。

·汇总居民用户0---24h正点负荷曲线，提炼出配电台区用户负荷用电同时系数，为确定配变容量、台数，提出可信依据。

·汇总居民用户谐波负荷分布，在低压线路分支配电箱、居民电表箱安装分布式谐波补偿设备，提升低压配网电能质量。

—鉴于以上需求，电表行业需重点做好非侵入式负荷监测、分解系统下列合作开发、应用工作:

·建立国产家用电器、常用进口家用电器负荷的特征库，主要电气特征量:有功功率、无功功率、谐波总含有率、谐波重点频谱等。入库的数据要保证可信、可用

。

·开展居民用户非侵入式负荷监测、分解技术的比较、选优，并制订出相应的技术规范。

·居民用户非侵入式负荷监测、分解系统模块开发，注重控制产品质量。

·开展居民用户非侵入式负荷监测、分解系统的大数据应用研究。

—这里需要指出:随着智能家居的不断发展，家用电器负荷类型越来越多，如何有效提取各类电器负荷特征并对其进行安全、有效的分解、识别，仍是智能用电领域的一个重要研究方向。

（待续）