基于门控循环单元神经网络及负荷激活提取的非侵入式负荷监测算法.pdf

40ElectricalAutomationPowerSystem&Automation电力系统及其自动化电气自动化2 0 2 3年第45卷第4期基于门控循环单元神经网络及负荷激活提取的非侵入式负荷监测算法常喜强？，崔浩？，杨茂（1.国网新疆电力公司电气化和智慧用电实验室，新疆乌鲁木齐8 30 0 2 1；2.东北电力大学现代电力系统仿真控制与绿色电能新技术教育部重点实验室，吉林吉林132 0 12）摘要：非侵人式负荷监测技术对于电力公司准确预测电力负荷、科学制定电网调度方案以及为用户提供良好的用能方案策略有着重要意义。提出一种以门控循环单元为神经网络架构，结合了数据去噪以及负荷激活提取的方式，通过大量的功率数据完成了对神经网络模型的训练。通过测试实现了对于开源数据集UK-DALE中的四种典型电器负荷的功率分解，以平均绝对误差以及能量分解准确率作为分解的评价指标，取得了较为优异的效果。实现了对于家庭负荷的准确分解，证明了所提方法的有效性。关键词：神经网络；深度学习；数据去噪；负荷激活提取；负荷分解D0I;10.3969/j.issn.1000-3886.2023.04.013中图分类号TM714文献标志码】A文章编号】10 0 0-38 8 6（2 0 2 3)0 4-0 0 40-0 4Non-intrusive Load Monitoring Algorithm Based onGated Recurrent Unit Neural Network and Load Activation ExtractionChang Xiqiangl2,Cui Hao,Yang Mao?(1.Electrification and Smart Power Utilization Laboratory,State Grid Xinjiang Electric Power Co.,Ltd.,Urumqi Xinjiang 830021,China;2.Key Laboratory of Modern Power System Simulation Control and GreenPower New Technology under Ministry of Education,Northeast Electric Power University,Jilin Jilin 132012,China)Abstract:Non-intrusive load monitoring technology is of great significance for power companies to accurately predict power loads,scientificallyformulate power grid scheduling plans,and provide users with good energy consumption plan strategies.A gated recurrent unit wasproposed as the neural network architecture,which combined data denoising and load activation extraction,and completed thetraining of the neural network model through a large amount of power data.The power decomposition of the four typical electrical loadsin the open source data set UK-DALE was realized through testing,and the mean absolute error and the energy decompositionaccuracy were used as the evaluation indicators of decomposition,and excellent results were achieved.The accurate decomposition ofhousehold loads is realized and the effectiveness of the proposed method is proved.Keywords:neural network;deep learning;data denoising;load activated extraction;load disaggregation0引言高级量测体系是智能电网规划中必不可少的一部分，随着通信技术和计算机信息技术的不断发展与进步，量测体系也不断地完善。非侵入式负荷检测技术作为其中的关键技术，既可以实现对家庭内部的电器的故障检测与诊断，也可以通过指导用户用电行为来实现供需双方的动态平衡，对用户的用能策略进行优化，实现友好互动2。而且同侵人式负荷监测相比，此技术具有易操作、低成本（投资回收期短）和易于迅速推广等优势，因此总体上具有广阔的发展前景和较重的工程意义。1980年代初，美国麻省理工大学的哈特博士提出了非侵人式负荷监测的思想31，非侵入式负荷分解的核心原理是通过量测装置对用户入户线的总电力数据进行测量，并利用各种数学方法与深度学习等方式将总电力数据分解为各个负荷的独立电力负荷序列。非侵人式负荷监测的原理示意图如图1所示。定稿日期：2 0 2 2-0 3-14基金项目：新疆维吾尔自治区自然科学基金青年基金项目“适用于高新能源渗透率电网的在线惯量监测技术”（2 0 2 1D01C088）自注意力机制最初被应用于机器翻译的问题中，后来逐渐发展到非侵入式负荷监测领域上。文献4首先通过卷积神经网络对时间序列特征进行提取，通过自注意力机制来提高对强相关数据的关注，增强一维卷积网络的特征提取能力。文献智能电表配电箱入户线图1非侵入式负荷监测示意图5选取了收集到的电流波形作为原始数据，将电流波形通过傅里叶变换得到各次谐波，通过主成分分析来选取各次谐波中的主成分作为负荷特征输人到长短期记忆神经网络（long short-termmemory，LST M)对负荷进行辨识。文献6 阐述了深度学习在负荷监测方面的应用，并通过LSTM、去躁自编码器以及一种能对设备激活开始、结束时间和平均功率需求进行回归计算的网络分别对负荷进行分解，采用7 个指标来对模型效果进行评判，并通过传统的组合优化方法和隐式阶乘马尔科夫方法进行对比，验证了神经网络在负荷分解上的优越性与鲁棒性。ElectricalAutomation41PowerSystem&Automation电气自动化2 0 2 3年第45卷第4期电力系统及其自动化1门控循环单元神经网络门控循环单元（gatedrecurrentunit，G R U）神经网络作为长短期记忆神经网络的变体，同属于循环神经网络的一种，也是为了解决长期记忆和反向传播时梯度消失、梯度爆炸的问题7。从结构上来说，GRU将LSTM细胞结构中的输入门与遗忘门合成为更新门，又引人了重置门的概念，修改了隐藏信息的计算方式。因此，与LSTM相比,GRU具有更加简单的结构，在很大程度上提高了训练的效率,GRU的细胞结构示意图如图2 所示更新门使用一个门控单元Z，就可以实现遗忘和选择的功能，通过线性变换和sigmoid函数进行激活，输出一个0 1之间向量。重置门通过门控r，来控制t-1时刻的隐藏状态信息被保留到当前时刻预隐藏状态h，的程度，当r，越小时，证明前一时刻的信息保留得越少。重置门强制遗忘了一部分历史信息，并且加人了当前时刻的信息，完成了时间序列信息的重置。当前预隐藏状态信息使用了重置门储存的t-1时刻的状态信息，并加人了当前时刻输入向量，通过权重矩阵进行线性变换，再通tanh激活函数进行输出，计算公式如式（1）所示h,=tanh(W,r,ht-1,x,)(1)当前时刻输出隐藏状态表达式如式（2）所示。h,=(1-Z,)ht-1+Z,h,(2)式中：W,为权重矩阵；r,为门控单元;ht-1为t-1时刻的预隐藏状态信息；x，为t时刻的输人向量。由式（2）可见，当前时刻的最终隐藏状态信息输出就是遗忘了t-1时刻的部分状态信息，并加入了当前时刻的部分预隐藏状态信息，以此来维持原有的隐藏状态信息“总量”上保持不变。2非侵入式负荷分解流程本文选取有功功率作为负荷特征，利用总功率数据通过深度学习算法对总负荷进行分解。t时刻总电力功率序列与各电器功率序列之间满足以下关系8 Y,=X,X?,X,X(3)式中：Y，为第t时刻的总功率数据X,为第i个用电器在第t时刻的功率数据,i=1,n。本文负荷分解流程示意图如图3所示。在获取数据之后，通过去噪及提取负荷激活处理获得有效的原始数据。之后将原始数据划分成数据集，将训练集作为神经网络的输人，以特定电器负荷的实测功率值作为标签，对模型进行训练。在模型训练好之后，用测试集进行测试，从而得到分解结果。2.1数据获取本文选取开源数据集UK-DALE数据集作为数据来源，UK-DALE数据集中采集了包括了五个家庭三年内的电力负荷使用记录，数据采集频率为1/6 Hz9。同时，NILMTK工具包中包含对数据进行预处理的工具，因此与此数据集有很好的适配性。X十XhtanhX图2CRU细胞结构示意图2.2数据去噪处理在UK-DALE数据集中，由于采集、传输数据的数据获取去噪处理划分训练集划分测试集输入训练神经网络模型测试输出负荷分解结果图3非侵入式负荷监测流程示意图过程中会造成数据异常的情况，比如冰箱实测功率中有明显高于正常开启状态时工作功率的情况，如图4所示。并且，有一些负荷在关闭时，采集到的功率并不为零，因此需要对原始数据进行去噪处理。去噪后冰箱功率实测值如图5所示。1750冰箱实测功率值1500异常11250M/率噪声值11000750500250hihinihiniihirinhilhhihnhunhhnirlinunhthhhhhthidnhih01000020000300004000050000采样点/个图4冰箱实测功率值中的异常噪声160r去噪后冰箱实测功率值140120HM/率100806040F20FOL01000020000300004000050000采样点/个图5去噪后冰箱功率实测值2.3负荷激活提取由于UK-DALE原始数据集中的电器功率时间序列存在大部分时间点功率为0 的情况，因此需要对原始功率序列进行负荷激活提取，将提取后的功率序列进行重新整合、排序和叠加，从而构成能够满足深度学习需要的功率序列。针对负荷提取工作，非侵人式负荷分解开源工具包NILMTK与UK-DALE数据集具有很好的适用性，可以调用相关函数来实现功能需求。本文的负荷提取工作参数参考文献10 中的参数设定，如表1所示。负荷激活提取步骤：首先建立一段长为16 0 万个时间点的全零功率序列，之后将指定电器的负荷激活序列叠加人全零功率序列中,直至功率序列全部填满全零功率序列,在此工作中，负荷激活功率序列可以重复使用。42ElectricalAutomationPowerSystem&Automation电气自动化2 0 2 3年第45卷第4期电力系统及其自动化表1负荷提取参数设定最大最低最小时间最长允许电器功率/W功率/运行点/个断开时间点/个冰箱1506010010电视机80206030微波炉700500153洗衣机3005020015使用本文的四种试验电器，将此工作重复四次，分别得到四个电器的时间功率序列。将四种电器各自的功率序列，截取相同的长度，再将四个电器的时间功率序列进行叠加，从而得到了人工合成的总负荷功率序列，以此来代替地面实测的电力人口处的实测总功率序列2.4神经网络模型搭建本文选取冰箱、电视机、微波炉及洗衣机四种电器作为试验电器，将四种电器的处理后的负荷功率序列进行人工叠加，从而构筑了总功率序列来模拟在实测过程中得到的用户入户线的功率序列。提取总功率序列及各个负荷的分功率序列的前8 0 万个样本点、8 0 万至第12 0 万个样本点和12 0 万至16 0 万个样本点分别作为训练集、验证集和测试集。本文搭建神经网络模型框架如下：第一层CRU层卷积核数量为32，第二层GRU层卷积核数量为16，激活函数为relu函数，dropout值设定为0.1，最后加入全连接层3算例分析3.1评价指标本文选取平均绝对误差（eMAE）以及能量分解准确率（eEDA）作为评价指标。eMAE可以验证所提方法得出的功率分解值跟设备实际运行功率值的偏离程度，eEDA则表示预测消耗能量与实际消耗能量的偏差的度量，两个指标的表达式如式（4）、式（5）所示。1()-P()1TeMAE(4)Tt=1Tp(c)-(0)TeEDA=T(5)2Zp(t)式中：T为时间功率序列的长度;p（t）为电器在t时刻的实测功率T值;p(t）为电器在t时刻的功率预测值；Zp(t）为电器在长为TT的功率序列内的能量实际消耗值；（1）为电器在长为T的功率序列内的能量预测消耗值。3.2试验结果四种试验电器通过已经训练好的模型得到分解功率，分别将分解功率与地面实测功率数据进行对比，如图6 图9所示将功率对时间进行积分，得到冰箱、电视机、微波炉及洗衣机四种电器的预计电能消耗情况，能量分解准确率分别为91.38%、96.39%、96.8 6%和91.0 9%。文献12 采用构建了基于时间卷积神经网络（temporal con-volutionalnetwork，T CN）作为模型架构，对冰箱、电视机及洗衣机进140-功率分解值一去噪后冰箱实测功率值120100M/806040200151000151250151500151750152000152250152500152750153000采样点/个图6冰箱分解功率值与实测值对比图150r功率分解值一去噪后冰箱实测功率值125100M/率7550250310750310800310850310900310950311000采样点/个图7电视分解功率值与实测值对比图-功率分解值一去噪后冰箱实测功率值12010080M/率604020102000104000106000108000110000采样点/个图8微波炉分解功率值与实测值对比图300250200M/150100-50预测值去噪后洗衣机实测功率值0177580177600 177620177640177660177680177700采样点/个图9洗衣机分解功率值与实测值对比图行负荷分解。本文选取LSTM及TCN模型作为对比算法，三种算法的平均绝对误差如表2 所示由表2 可知，本文算法在四种试验电器的负荷分解问题上表现优异，与时间卷积神经网络模型相比均取得了最低的平均绝对误差。唯独在冰箱电器的平均绝对误差上高于传统的LSTM模型，是因为虽然待机时功率远低于压缩机工作时功率，但冰箱仍属ElectricalAutomation43PowerSystem&Automation电气自动化2 0 2 3年第45卷第4期电力系统及其自动化于长时间连续工作电器，对其原始功率序列进行激活提取相当于减少了低功率时段的序列采样点数，导致了平均绝对误差的升高。3.3结果分析通过本文算法对四种试验电器进行负荷分解，得到的平均绝对误差评价指标均小于LSTM算法及TCN算法，四种电器的eMAE可以降低到10.0 9%。尤其是针对于用户侧节约电能，从清晰了解电能消耗情况的角度来说，能量分解准确率具有更重要的指导意义，四种电器的平均能量分解准确率可以达到93.93%。针对于不同地区的“分时电价”“峰谷电价”策略，用户可根据负荷的细粒度耗能信息及自身用电需求来完成对用电习惯的调整，实现需求侧管理。而针对于网侧，电力公司可以根据负荷终端信息来挖掘电力用户的行为特征与用户耗能调控潜力，实现用户画像，从而提升供电侧的管理水平，通过细粒度信息为制定相关的电力调控策略与电能营销策略提供数据支撑。4绍结束语用户侧的细粒度用电数据是实现智能电网交互性的重要信息，为供需双方友好互动提供了基础。本文以GRU为基本架构，搭建了可以实现对负荷进行高精度分解的神经网络模型，并在模型训练之前先对原始数据进行去噪和负荷激活提取处理，通过大量数据来不断调整模型参数，进而得到了性能完备的网络模型。最终在UK-DALE数据集上进行验证，将UK-DALE中的数据处理后划分训练集、验证集以及测试集，将测试集输入至训练完备的模型进行试验，通过eMAE和eEDA两个评价指标对负荷分解的能力进行评判，均取得了较好的效果。（上接第39页）平抑前后气电耦合系统成本比较分析如表1所示。表1平平抑前后气电耦合系统成本比较分析单位：万元状态生产成本动作成本总运行成本负荷损失平抑前420.150420.15127.94平抑后421.235.36426.5929.48由表1可知，平抑后的气电耦合系统总运行成本提高，但负荷损失降低使得系统的总体收益提高。以上结果充分说明本文所提平抑模型可以在保证降低电力切负荷量的前提下优化系统的总体收益。结束语本文提出了一种基于事件优化理论的气电耦合系统故障影响平抑策略。模型以故障事件为决策核心，首先构建了EBO基本模型和故障事件平抑综合价值函数。然后，构建事件Q因子求解出模型平抑策略。最后在测试系统中进行验证。算例结果表明所求平抑策略具有很好的平抑效果，有效降低故障事件对电力系统的影响，提高了气电耦合系统的总体收益，保证了气电耦合系统安全经济运行。表2三种算法eMAE评价指标对比电器LSTMTCN本文算法冰箱19.7326.7125.29电视机8.6612.274.30微波炉7.934.65洗衣机16.7266.916.10参考文献：1吴涛，吴伯华，王法靖。浅谈智能电网中高级量测架构（AMI）的认识和启示J.华中电力，2 0 10，2 3（6）：4-7.【2 程祥，李林芝，吴浩，等.非侵人式负荷监测与分解研究综述J.电网技术，2 0 16，40(10）：310 8-3117.【3贾惠彬，刘铂。非侵入式负荷分解文献综述J集成电路应用，2021,38(4):62-63.4蒙亮，于超，张希翔，等。基于一维卷积神经网络和自注意力机制的非侵人式负荷分解J电力大数据，2 0 2 0，2 3（10）：1-8.5刘影，彭鑫霞，王童，等.基于PCA-LSTM算法的非侵人式负荷辨识方法J/0L.电测与仪表：1-7 2 0 2 1-10-0 5.6 J KELLY J,KNOTTENBELT W.Neural NILM:deep neural networksapplied to energy disaggregation C.Proceedings of the 2nd ACMInternational Conference on Embedded Systems for Energy-efficient BuiltEnvironments.Seoul:ACM,2015:55-64.【7 宋厚岩，王汉军基于GRU和PCNN的电力知识抽取J计算机系统应用，2 0 2 1，30(9）：2 0 0-2 0 5.【8 徐晓会，赵书涛，崔克彬基于卷积块注意力模型的非侵人式负荷分解算法J.电网技术，2 0 2 1，45（9）：37 0 0-37 0 6.9 KKELLY J,KNOTTENBELT W.The UK-DALE dataset,domesticappliance-level electricity demand and whole-house demand from fiveUK homesJ.Scientific Data,2015(2):150007.【10 王辑，钟海旺，余南鹏，等基于seq2seq和Attention机制的居民用户非侵人式负荷分解J中国电机工程学报，2 0 19，39（1）：7 5-83;322.11成贵学，陈博野，赵晋斌，等基于条件生成对抗网络的非侵人式负荷分解J。电力系统及其自动化学报，2 0 2 1，33（8）：10 9-115.12刘仲民，侯坤福，高敬更，等基于时间卷积神经网络的非侵人式居民用电负荷分解方法J.电力建设，2 0 2 1，42（3）：97-10 6.【作者简介】常喜强（197 6 一），男，新疆乌鲁木齐人，正高级工程师，主要研究方向为电力系统人工智能与大数据分析。崔浩（1998 一），男，吉林四平人，主要研究方向为非侵入式负荷监测与分解。杨茂（198 2 一），男，吉林吉林人，博士生导师，主要研究方向为风电、光伏功率预测。参考文献：1杜振东，徐世泽，张盈哲，等。电气储区域综合能源系统协同规划方法研究J电气自动化，2 0 2 1，43（4）：2 4-2 7.2 LIU Y,SU Y,XIANG Y,et al.Operational reliability assessment forgas-electric integrated distribution feeders J.IEEE Transactions onSmart Grid,2019(1):1091-1100.【3包铭磊，王可欣，丁一，等。考虑电、气备用协同配置的故障传播影响抑制策略J.电力系统自动化，2 0 2 2，46（5）：40-53.4梅建春，卫志农，张勇，等。考虑关键故障筛选的电气互联综合能源系统混合控制方法J电网技术，2 0 19，43（1）：2 3-33.【5贾庆山，杨玉，夏俐，等.基于事件的优化方法简介及其在能源互联网中的应用J：控制理论与应用，2 0 18，35（1）：32-40.【6 李江，马昊天，宋田宇。风储联合系统爬坡事件的日前能量最优平抑方法J中国电机工程学报，2 0 2 1，41（12）：4153-416 4.7J LONG T,JIA Q S.Matching uncertain renewable supply with electricvehicle charging demand-a bi-level event-based optimization methodJ.Complex System Modeling and Simulation,2021(1):33-44.【8 张安安，李静，林冬，等考虑天然气管网极限风险影响的电气耦合系统连锁故障模型J中国电机工程学报，2 0 2 1，41（2 1）：7275-7285.【作者简介】郝运（1997 一），男，辽宁锦州人，研究生，研究方向：综合能源系统优化调度。