基于融合决策的负荷事件识别方法.pdf

负荷事件识别是基于事件的非侵入式负荷监测方法中的关键步骤之一。文中提出了一种融合决策的负荷事件识别方法,通过将三种不同原理的负荷事件识别算法的识别结果进行投票，得出最终的识别结果。相较于单独的识别算法，该方法可以有效地提高负荷事件识别的准确率。此外，该方法可以根据三种算法的不同结果判断出异常的负荷事件。关键词：非侵人式负荷监测；负荷事件识别；融合决策D0I:10.19753/j.issn1001-1390.2023.08.007中图分类号：TM93;TN918Load event identification method based on fused decision makingXu Su,Li Zhiling,Zhao Ke,Yang Ziyuan,Zheng Yan,Song Zhiwen,Wang Huihui(Baotou Power Supply Branch,Inner Mongolia Electric Power(Group)Co.,Ltd.,Baotou 014000,Inner Mongolia,China)Abstract:Load event identification is one of the key steps in a non-intrusive event-based load monitoring approach.Inthis paper,we propose a load event identification method based on fused decision making,and the final recognition resultsare obtained by voting the recognition results of three load event recognition algorithms with different principles.Comparedwith separate identification algorithms,the proposed method can effectively improve the accuracy of load event identifica-tion.In addition,the method can determine abnormal load events based on the different results of the three algorithmsKeywords:non-intrusive load monitoring,load event identification,fused decision making0引言信息技术的进步加速了智慧城市的发展。传统电网由于缺少供电企业与用户之间的互动而面临淘汰。整合了需求侧能源管理策略 的智能电网则受到了大量研究者的关注。电网的智能化离不开用户数据的支持。相较于简单的总需求数据表征，通过负载监测获得的设备级能源表征（ALEC）在能源可持续方面更具优势,是实现全球可持续发展的一个重要途径2 。通过向能源消费者提供ALEC信息，使他们能够使用能源管理策略优化用电行为3-5。同时，电力供应商和电力消费者可以通过负荷监测识别故障设备、预测电力需求6 一般地,负载监测方法分为侵入式负荷监测（ILM)和非侵人式负荷监测（NILM）。与ILM 相比,NILM 的传感器需求极少，具有低成本、易于部署、用户接受度高的优势7 ，是智能电网高级量测体系的基础技术。非侵人式负荷监测可分为基于事件的方法和非基于事件的方法。非基于事件的方法通过神经网络算基金项目：内蒙古电力（集团）有限责任公司科技项目（LX34210245)一38 一文献标识码：B法，如深度残差网络8 、多头卷积神经网络（Mh-NetCNN）、混合自适应神经模糊推理系统（ANFIS）【10 等算法直接将聚合功率分解成各已知负荷单独的功率。如图1所示需要将三种电气设备运行的聚合功率分解为三种具体负荷，而基于事件的方法则由两个重要步骤组成：事件检测和负荷事件识别2500锂电池热风枪角磨机一2000150010005000020406080100120140时间/0.2 s图1聚合功率中的负荷事件Fig.1 Load events in aggregated power其中,事件检测算法负责将负荷事件时间序列从聚合功率中提取出来，使用的算法包括：广义似然比（G LR)法13、拟合优度（GoF）检验法14-16 、累积和(CUSUM)检验法17 、两阶段自适应检测法18 等。负荷事件识别则负责对检测到的负荷事件进行识别。文章编号：10 0 1-1390(2 0 2 3)0 8-0 0 38-0 6第6 0 卷第8 期2023年8 月15日1负荷事件识别方法事件检测算法的输出是包含负荷事件的时间序列，因此负荷事件识别也可以看作是时间序列的分类识别。负荷识别任务通常有三种方法，分别是聚类方法、模板匹配方法和分类方法。其中，聚类方法和分类方法无法直接处理时间序列,因此需要对时间序列进行特征提取,将其转换成特征向量。如图2 所示分别是电钻与热风枪以5Hz频率采集的功率曲线的启动事件特征,电钻负荷特征存在一个两倍于稳态功率的峰值功率，而热风枪启动峰值功率仅仅略大于稳态功率。500400300峰值功率O2001000290Fig.2 Characteristics of different load event sequences1.1 聚类方法聚类方法通过将数据集中的样本按一定的规则聚集成簇,形成聚类中心，使得同一个簇内的对象具有较高的相似度,不同簇的对象的相似度则较低。聚类中心的特征代表了整个簇内所有样本的总体特征。在处理新样本时,通过计算新样本与各聚类中心之间的距离来判断新样本的类别19-0 。常用的聚类方法包括:K均值聚类算法、均值漂移聚类、基于密度的聚类方法(DBSCAN)等2 12 3。但是聚类方法为无监督学习技术,聚类中心与实际类别并不完全对应，用于分类的效果不理想1.2模式匹配方法模式匹配方法将待测负荷事件与模板库中的模板事件进行匹配，以相似度作为匹配依据。模板的质量会匹配的精度，因此在把负荷事件加入模板库之前需要对其进行处理2 4。时间序列可直接使用模式匹配，常用的时间序列模式匹配方法包括：奇异值分解算法（SingularValueDecomposition，SVD)2 5、动态时间规整（Dynamic TimeWarping,DTW)26、趋势距离(Trend Distance,TD)27、基于点分布特征(Point Distribution，PD)的方法2 8 等。1.3分类方法分类方法通过使用分类模型对待测负荷事件的特征向量进行分类。分类算法是机器学习中最常用的算法之一,其包括朴素贝叶斯算法（Naive Bayes，NB）、K近邻分类、决策树、支持向量机和随机森林等多种类型。通常情况下，这些分类算法可以处理多维特征。此外,通过数据降维可以融合数据的原始特性，得到新电测与仪表Electrical Measurement&Instrumentation的特征数据集，再通过相应的分类算法对降维后的数据进行分类。线性判别分析（Linear Discriminant Anal-ysis，LD A 降维技术可以根据数据所属的类别进行降维,并且能够对降维后的数据进行分类。2融合决策的方法无论是模式匹配的方法还是分类的方法，算法最终都会给出一个确定的结果，但是事件检测算法给出的结果可能是一个异常的事件,那么单独的负荷事件识别方法就无法判断该事件是否正常。而同一类型的方法,由于原理近似,也可能得出同一结果。因此文中采用三种不同的识别方法，并将方法的结果进行投票，1500再给出最终的结果。由于文中采用的三种方法在独立稳态功率10005000300310t/0.2 s图2 不同负荷事件序列的特征Vol.60 No.8Aug.15,2023峰值/稳样本都能取得良好的结果，那么通过他们的结果投票态功率决定最终结果可以增加整体识别的准确性，融合决策的负荷事件识别方法具体流程如图3所示。320120130t/0.2 s140150事件检测特征提取（特征降维文DTW匹配RF分类支事件识别结果图3融合决策的负荷事件识别方法流程Fig.3 Load event identification method flowfor fused decision making在识别异常的事件时，事件的时间序列以及相应的特征向量与正常的事件均有较大的不同,而由于三种方法的原理不同,对异常事件的识别结果也会不同。通过投票就可以判断该事件是否为异常事件。一般地，负荷识别部分为单个分类算法，由于算法必然会有输出，而分类算法的输出就必然是类别,但对于一些错误事件或者未知负荷的事件，分类算法仍然会给出一个分类结果，因此单个分类算法很难判断出错误事件或者未知负荷的事件。文中提出了由三个具有不同数学原理的分类算法组成的融合决策负荷识别方法，包括LDA分类算法、RF分类算法和DTW匹配算法。由于三个算法的数学原理不同,在识别错误事件或者未知负荷事件时将会得出不同的结果，因此可以判断出这些异常事件。2.1线性判别分析分类线性判别分析(LDA)算法是一种有监督的数据降维方法,即在使用LDA进行数据降维时利用了数据类别标签，同时LDA也可以分类。LDA的主要思想是：将一个高维空间中的数据投影到一个较低维的空间中,且投影后要保证各个类别投影后的类内方差最小，类间方差最大,如图4所示,这意味着同一类的高维数一3 9 一LDA分类第6 0 卷第8 期2023年8 月15日据投影到低维空间后相同类别的聚在一起，而不同类别之间相距较远。LDA投影超平面X类别1类别20X2图4LDA算法样本在新空间超平面的投影Fig.4 Projection of LDA algorithm samples inthe hyperplane of the new space2.2随机森林分类随机森林算法的基本单元是决策树,通过集成学习(Ensemble Learning）的思想将多棵决策树集成到一起。训练过程中,每棵决策树均独立地对原始数据集进行随机采样,构造出新的训练数据集,并且决策树中的每个决策节点均是通过新数据集产生的最佳分裂点，因此每棵决策树的构造和分类测试是相互独立的。最后,通过对所有决策树的决策结果进行统计，投票得出随机森林的最终输出。随机森林是经典的有监督分类方法，保留了决策树优点的同时，减少了过拟合问题，分类精度高，且稳定性好，非常适合用于多分类任务。2.3动态时间规整动态时间规整（Dynamic TimeWarping，D T W）由日本学者Itakura提出，用于衡量具有不同长度的两个阵列或者时间序列之间的相似度或距离，是一种非线性规整技术。DTW在计算时需要满足三个条件：（1)单向对应，从前往后对齐,在图像上表现为两个时间序列点之间的连线不能交叉；（2）一个时间序列上所有的点都能与另一个时间序列上的点对应,中间不能存在空元素；（3)各点对应之后,距离最近。对于给定的两个长度不同的时间序X=x,I t=1,2,nl 和Y=y,1 t=1,2,m，通过DTW计算它们之间的距离,如图5所示。X图5不同长度时间序列DTW距离计算Fig.5DTW distance calculation for timeseries of different lengths一40 一电测与仪表Electrical Measurement&Instrumentation3实验验证与分析3.1数据集介绍实验使用私有数据集进行测试，该数据集包含了三种场景的负载的功率数据。数据的采集频率为5Hz,并对进行了标记，在负载未运行时，数据标记为“0”,负载运行时则标记为“1”。为了减少实验时间，每种负载的稳态运行时间在30 s到1min左右。每个负载采集了10 0 次左右“开启-关闭”过程。私有数据集中设备组成如表1所示。表1私有数据集各场景负荷组成Tab.1 Private dataset each scenario load composition场景1日光灯热水壶热风枪空调个人计算机锂电池3.2评价指标负荷事件识别属于多分类问题，常用的分类评价指标包括准确率（Acc)精准率（Pr）、召回率（Re）、F,值：TP+TNAcc=TP+TN+FP+FNTPPrTP+FPTPReTP+FNPr ReF,=2 Pr+Re其中,TP表示实际为正,识别为正的事件数量;TN表示实际为负，识别为负的事件数量；FP表示实际为负，识别为正的事件数量；FN表示实际为正，识别为负的事件数量。但是对于多分类问题，TN并没有意义，而其他三个类别也只能相对于某个类型的事件而言，因此,对上述评价指标进行了修正：识别正确的事件数Acc总总事件数识别正确的事件数Pr(类型:A)=识别为A的事件数识别正确的事件数Re(类型:A):XF;(类型:A)=2 其中Acc为总体指标,Pr、R e、F为单类指标。3.3融合决策负荷事件识别实验对三个场景分别使用三种方法进行负荷识别实Vol.60 No.8Aug.15,2023场景2场景3热风枪中央空调角磨机微断标准台电钻塑壳标准台吸尘器取暖器轴流通风机日光灯塑封机锂电池锂电池(1)(2)(3)(4)(5)(6)(7)实际为A的事件数Pr RePr+Re(8)第6 0 卷第8 期2023年8 月15日验,再进行融合决策实验。由于每个负荷有“开”、“关”两种事件，因此每个场景的事件类型总数为负荷数量的两倍，并且增加了随机异常事件。各算法识别结果由混淆矩阵和表格给出。混淆矩阵中，横坐标代表识别结果,纵坐标代表实际类别,对角线即为识别正确的事件数量。对角线的数字越大，识别效果越好。3.3.1LDA分类实验结果三场景LDA分类实验的实验结果如图6 和表2 所示,LDA分类器在负荷识别方面表现出较高的准确率和召回率，召回率最佳的场景是场景2 和场景3,均超过了97.8 9%，但是在场景1中，四种分类评价指标均未到达90%。0-95.08.8809202-0095004-006-(0000000010-80000012-40246.,81012matching result(a)场景10-94%001962-00006-08-010-012-024681012matching result(c)场景3图6三场景LDA分类实验混淆矩阵Fig.6Confusion matrix for three-scene LDAclassification experiments表2 LDA分类实验结果统计Tab.2Statistics of LDA classification experimental results场景识别正确识别到实际/%Pr/%Re/%F/%Acc/%场景11 062场景21 343场景31 1553.3.2随机森林分类实验结果三场景随机森林分类实验的实验结果如图7 和表3所示，随机森林分类器在负荷识别方面表现出很高的准确率和召回率，且在三个场景中的整体准确率均超过了96.41%。特别是在场景3中，随机森林分类器的准确率和召回率都达到了98%以上,表现优异。在场景1和场景2 中,随机森林分类器的表现也非常优秀，准确率和召回率均超过了97%。电测与仪 表Electrical Measurement&Instrumentation095.00009202-（04-006-08-010-0012-3302classification result(a)场景 10-9400972-0004-00ann06-8-0010-0-1000-97.0.096-802-4-00-606-00-40887010000093000180072L0000000.22007001 1881 1991 37213721 1781177Vol.60 No.8Aug.15,2023-100097.00962-8004-0-6068100-40E:10-2012-08700H-10012-80一工4H024681012-60classification result(c)场景3-4010-2012-0-0014-2468101214matching result(b)场景2-100-80-6000969400289.3988.5788.98 88.5797.8997.8997.8997.8998.0598.1398.0998.13-1000-80-60-40-2009636-014-10120468101214classificationresult(b)场景20-1000198900095000000 009500000OH19809700097.00000960-0-40-20H-0-00-800-60990000930000984 000970OH2H-20图7 三场景随机森林分类实验混淆矩阵Fig.7 Confusion matrix for three-scene random forestclassification experiments表3随机森林分类实验结果统计Tab.3SStatistics on the results of random forestclassification experiments场景识别正确识别到实际Pr/%Re/%F/%Acc/%场景11 156场景2134113721 37297.7497.7497.7497.74场景31 1603.3.3DTW匹配试验结果三场景DTW匹配实验的实验结果如图8 和表4所示,DTW匹配实验结果表明，该方法在负荷识别方面表现较好。在场景1中,DTW匹配的准确率和召回率均达到了93%以上，表现尚可；在场景2 中，准确率和召回率都达到了97%以上，表现优秀；在场景3中，DTW匹配的准确率和召回率甚至超过了98%,表现非常出色。3.3.4融合决策实验结果三场景融合决策实验的实验结果如图9和表5所示。由以上实验可以发现，经过决策融合的负荷事件识别的各项指标较单独一种算法均有所提升，达到99%。此外,单独的负荷事件识别算法很难判断出异常事件,会识别出某一具体设备，而异常事件的功率曲线有明显波动，如图10 所示。而不同算法识别结果会产生明显差异，因此融合决策方法则可以根据三个算法给出不同的结果而判断出异常事件,如图11所示。一41 一-400-200OH4H11991 19996.4196.411 178117798.4798.5698.5198.56-096.4196.41第6 0 卷第8 期2023年8 月15日2-964-6-8-10-912-4鲁024681012matching result(a)场景 10-%2-4-0onn6-008-10-12-0224“681012matching result(c)场景3图8 三场景DTW匹配实验混淆矩阵Fig.8TThree-scene DTW matching experimentalconfusion matrix表4DTW匹配实验结果统计Tab.4Statistics of DTW matching experimental results场景识别正确识别到实际Pr/%Re/%F,/%Acc/%场景111171199119993.1693.1693.16 93.16场景21 343场景311631 1780-9502-6-8-10-12-902matching result(a)场景 10-942-4-0ann6-08-10-12-0024681012matching result(c)场景3图9三场景决策融合实验混淆矩阵Fig.9Confusion matrix for three-scene decisionfusion experiments表5融合决策实验结果统计Tab.5 Statistics of experimental results offused decision making场景识别正确识别到实际Pr/%Re/%Fi/%Acc/%场景11 187场景21 369场景311731 17842一一电测与仪表Electrical Measurement&Instrumentation-10000796-8024-60068-4010-2012-081 37208700046101289600001 1991 1991372137299.78117799.58 99.6699.6299.66Vol.60 No.8Aug.15,20230000-014-0246.810.1214matchingresult(b)场景2-100-80-60-4096990980137297.8997.89117798.7398.81-1002-804-606-408-9310-8-2012-01402468101214matching result(b)场景 2-100-80-60-4095-2014-099.0099.0099.00 99.0099.7899.7899.78-100-80-60-40-204-0-20-01 20018004000102030405060图10异常事件的功率曲线Fig.10Power curve for abnormal eventsLDA算法分类结果：风扇开RF算法分类结果：吹风机开DTW算法匹配结果：白炽灯开异常事件！图11异常事件的识别结果Fig.11Identification results of abnormal events4结束语文章研究了负荷事件识别中的难题，即由于异常事件的功率波形及事件特征无法提前预知，导致传统的单独负荷事件识别方法难以判断异常事件。为了解决这一问题,采用了三种不同原理的负荷事件识别算法,并将它们进行融合决策。具体而言，他们将三种算法的识别结果进行投票，得出最终的识别结果。实验结果表明，采用融合决策的负荷事件识别方97.8997.8998.7798.81-1000-80-60-4098-20196-024法在三个实验场景中均取得了99%的准确率，表明这种方法能够更加准确地识别负荷事件。通过将多种算法融合，可以弥补单一方法的不足，提高负荷事件识别的准确性。这一研究为负荷事件识别提供了一种有效的解决方案，并具有实际应用价值。未来的研究可以进一步拓展负荷事件识别的算法和方法，结合人工智能、大数据等技术，提高负荷事件识别的精度和效率。此外，还可以对负荷事件识别的实际应用场景进行深入研究，包括不同电力系统、不同负荷类型等，以进一步提升负荷事件识别技术在电力系统中的应用价值，并能够对电力系统的安全运行和负荷事件识别的研究提供有力的支持。参考文献1 Zhou B,Li W,Chan K W,et al.Smart home energy management sys-tems:Concept,configurations,and scheduling strategiesJ.Renew-able and Sustainable Energy Reviews,2016,61:30-40.2 Liaqat R,Sajad I A,Waseem M,et al.Appliance Level Energy Char-acterization of Residential Electricity Demand:Prospects,Challengesand RecommendationsJ.IEEE Access,2021,9:148676-148697.3郭新志，刘英新，李秋燕，等基于智能负荷控制的分布式能源系统调控策略研究J智慧电力，2 0 2 2，50(3）：8-14.Guo Xinzhi,Liu Yingxin,Li Qiuyan,et al.Regulation strategy for dis-tributed energy system based on intelligent load control J.Smart Pow-er,2022,50(3):8-14.4 Khalid A,Javaid N,Guizani M,et al.Towards Dynamic CoordinationAmong Home Appliances Using Multi-Objective Energy Optimization forDemand Side Management in Smart Buildings J.IEEE Access,2018,6:19509-19529.第6 0 卷第8 期2023年8 月15日5王书峰，钟明，许贤泽，等计及需求侧管理的新能源微电网多目标优化调度方法J智慧电力，2 0 2 2，50（12）：55-6 2.Wang Shufeng,Zhong Ming,Xu Xianze,et al.Multi-objective optimalscheduling method for renewable energy microgrid considering demandside managementJ.Smart Power,2022,50(12):55-62.6 Welikala S,Dinesh C,Ekanayake M P B,et al.Incorporating ApplianceUsage Patterns for Non-Intrusive Load Monitoring and Load ForecastingJ.IEEE Transactions on Smart Grid,2019,10(1):448-461.7 Najafi B,Moaveninejad S,Rinaldi F:Chapter 17-Data Analytics for En-ergy Disaggregation:Methods and Applications,Arghandeh R,Zhou Y,editor,Big Data Application in Power Systems:Elsevier,2018:377-408.8 Nie Z,Yang Y,Xu Q.An ensemble-policy non-intrusive load monito-ring technique based entirely on deep feature-guided attention mecha-nismJ.Energy and Buildings,2022,273:112356.9 Grover H,Panwar L,Verma A,et al.A multi-head Convolutional Neu-ral Network based non-intrusive load monitoring algorithm under dynam-ic grid voltage conditionsJ.Sustainable Energy,Grids and Networks,2022,32:100938.10Abbas M Z,Sajad I A,Hussain B,et al.An adaptive-neuro fuzzy in-ference system based-hybrid technique for performing load disaggregationfor residential customers J.Scientific Reports,2022,12(1):2384.11Anderson K D,Berges M E,Ocneanu A,et al.Event Detection forNon Intrusive Load Monitoring J.38th Annual Conference on Ieee In-dustrial Electronics Society(Iecon 2012),2012:3312-3317.12Berges M,Goldman E,Matthews H S,et al.User-Centered Nonintru-sive Electricity Load Monitoring for Residential Buildings J.Journal ofComputing in Civil Engineering,2011,25(6):471-480.13Volker B,Scholl P M,Becker B.Semi-Automatic Generation and La-beling of Training Data for Non-Intrusive Load Monitoring J.E-Energy19:Proceedings of the 10th Acm International Conference on FutureEnergy Systems,2019:17-23.14JJin Y W,Telebakemi E,Berges M,et al.A Time-Frequency Approachfor Event Detection in Non-Intrusive Load Monitoring J.Signal Pro-cessing,Sensor Fusion,and Target Recognition Xx,2011,8050.15De Baets L,Ruyssinck J,Develder C,et al.Optimized Statistical Testfor Event Detection in Non-Intrusive Load Monitoring J.2017 1st IeeeInternational Conference on Environment and Electrical Engineering and2017 17th Ieee Industrial and Commercial Power Systems Europe(Eeeic/I&Cps Europe),2017.16 De Baets L,Ruyssinck J,Develder C,et al.On the Bayesian optimiza-tion and robustness of event detection methods in NILMJ.Energy andBuildings,2017,145:57-66.17Zhu Z C,Wei Z Q,Yin B,et al.A Novel Approach for Event Detectionin Non-intrusive Load Monitoring JJ.2017 IEEE Conference on EnergyInternet and Energy System Integration(Ei2),2017,1794-1800.18Luan W,Liu Z,Liu B,et al.An Adaptive Two-Stage Load Event De-tection Method for Nonintrusive Load Monitoring J.IEEE Transactionson Instrumentation and Measurement,2022,71:1-14.19王建元，张少锋基于线性判别分析和密度峰值聚类的异常用电模式检测J电力系统自动化，2 0 2 2，46(5）：8 7-98.Wang Jianyuan,Zhang Shaofeng.Abnormal power consumption patterndetection based on linear discriminant analysis and density peak clusteringJ.Automation of Electric Power Systems,2022,46(5):87-98.20沈煜，李穆，杨志淳，等考虑负荷分布特征的供电单元聚类优选方法J电网与清洁能源，2 0 2 3，39（4）：54-6 2.电测与仪 表Electrical Measurement&InstrumentationShen Yu,Li Mu,Yang Zhichun,et al.A Clustering optimal divisionmethod for power supply units considering load distribution characteris-tics J.Advances of Power System&Hydroelectric Engineering,2023,39(4):54-62.21Zhao B C,Stankovic L,Stankovic V.On a Training-Less Solution forNon-Intrusive Appliance Load Monitoring Using Graph Signal ProcessingJ.IEEE Access,2016,4:1784-1799.22Zheng Z,Chen H,Luo X.A Supervised Event-Based Non-IntrusiveLoad Monitoring for Non-Linear Appliances J.2018,10(4):1001.23 Afzalan M,Jazizadeh F,Wang J.Self-configuring event detection in e-lectricity monitoring for human-building interaction J.Energy andBuildings,2019,187:95-109.24 Wan Y,Si Y-W.A hidden semi-Markov model for chart pattern matchingin financial time seriesJ.Soft Computing,2018,22(19):6525-6544.25 Montagnon C E.Forecasting by splitting a time series using SingularValue Decomposition then using both ARMA and a Fokker Planck equa-tionJ.Physica A:Statistical Mechanics and its Applications,2021,567:125708.26Thuy H T T,Anh D T,Chau V T N.Efficient segmentation-basedmethods for anomaly detection in static and streaming time series underdynamic time warping J.Journal of Intelligent Information Systems,2021,56(1):121-146.27李正欣，张凤鸣，李克武多元时间序列模式匹配方法研究J.控制与决策，2 0 11，2 6（4）：56 5-57 0.Li Zhengxin,Zhang Fengming,Li Kewu.Research on pattern matchingmethod of m