1、第6 0 卷第6 期2023年6 月15日电测与仪 表Electrical Measurement&InstrumentationVol.60 No.6Jun.15,2023基于时间序列分类任务的智能电能表负荷监测技术研究李家东，胡正华1.2.3，蒋卫平3,龙翔林”，童春芽，翟聪（1.宁波工程学院网络空间安全学院，浙江宁波3 152 11；2.浙江大学信息与电子工程学院，杭州3 10 0 6 3；3.宁波迦南智能电气股份有限公司，浙江慈溪3 153 0 0）摘要：随着深度学习模型在非侵入式负荷监测领域的应用,负荷识别与分解的能力得到了显著提升。但是多数方法仍然存在模型训练效率低下、分解精度不足
2、以及模型不易推广的问题。针对上述问题，文章利用基于时间序列分类任务的卷积神经网络对非侵入式负荷监测框架进行了研究,并提出了相应的负荷识别与分解方法。通过对比实验证明，在UK-DALE数据集上,基于时间序列分类任务的卷积神经网络提升了洗碗机4.3%的识别准确率和19%的识别精度，降低了2 1.3%负荷分解过程的均方误差；在REDD数据集上，模型对于洗衣机的识别准确率、精度和F1值均有所提升，特别是召回率提高了2 4.3%，同时在负荷分解的过程中，模型降低了15.8%的均方误差。因此,与其它神经网络模型相比,基于时间序列分类任务的卷积神经网络具有更稳定的负荷识别与分解性能。关键词：智能电网；非侵人
3、式负荷监测；数据挖掘；卷积神经网络；时间序列分类D0I:10.19753/j.issn1001-1390.2023.06.022中图分类号：TM714Load monitoring technology of smart electricity meters based onLi Jiadong,Hu Zhenghua223,Jiang Weiping,Long Xianglin,Tong Chunya,Zhai Cong(1.School of Cyber Science and Engineering,Ningbo University of Technology,Ningbo 31521
4、1,Zhejiang,China.2.School of Information and Electronic Engineering,Zhejiang University,Hangzhou 310063,Zhejiang,China.Abstract:With the application of deep learning models in the field of non-intrusive load monitoring,the ability of load i-dentification and decomposition has been significantly impr
5、oved.However,most methods stil have low training efficiency,insufficient decomposition accuracy and the models are difficult to be generalized.Aiming at the above problems,the non-intrusive load monitoring framework is studied with the convolutional neural network based on the time series classifica
6、-tion,and the corresponding load identification and decomposition approach is proposed.Through comparative experi-ments,it is proved that for the dishwasher in the UK-DALE,the convolutional neural network can improve the recognitionaccuracy by 4.3%and the precision by 19%,while the mean square error
7、 of load decomposition is reduced by 21.3%.For the refrigerator in the REDD,the recognition accuracy,precision and FI score are all improved.Especially,the re-call value has increased by 24.3%.In terms of decomposition performance,the mean square error is reduced by 15.8%.Therefore,compared with oth
8、er neural network models,the convolutional neural networks based on time series classifica-tion has more stable recognition and decomposition performance.Keywords:smart grid,non-intrusive load monitoring,data mining,convolutional neural network,time series classification0引言电器的日益多样化，电力在工业生产和日常生活中都随着以
9、电能为能源供应形式的机械装备和家用变得不可或缺，尤其是在新一轮技术的推动下，大型的电力系统和智能家居得到了前所未有的发展，全球基金项目：浙江省自然科学基金资助项目（LQ18D010008）一153 一文献标识码：Atime series classification task3.Ningbo Jianan Electronics Co.,Ltd.,Cixi 315300,Zhejiang,China)文章编号：10 0 1-13 90(2 0 2 3)0 6-0 153-0 7第6 0 卷第6 期2023年6 月15日的电网系统已经无法满足用户的用电需求13 。在缓解能源危机4 的大背景下，智
10、能电网应运而生，并在日益健全的大数据与人工智能技术的推动下得到了快速成长。作为电网智能化的关键技术之一,用户侧负荷监测通过实时采集的用电数据来确定不同负荷的运行状态和耗能的过程5-6 。用户侧负荷监测以负荷的运行数据为基础来了解负荷的用电规律和用电量,从而合理地引导用户用电，实现需求侧响应的目标。目前，业界公认的电力负荷监测方法大致可以分为侵入式和非侵人式两种7 。侵人式负荷监测方法要求在每个用电设备端都安装传感器以获得电器的用电数据，这样的好处是可以实时掌握设备的运行状态，进而可以获取每个设备的用电情况。但是通过在每个设备上安装传感器等数据采集装置的实际可操作性差，实施成本和维护成本都非常高
11、。与侵入式负荷监测相比，非侵入式负荷监测只需要在用户的总电能表端加入负荷监测的模块，并根据量测获得的观测值序列就可以识别出负荷的运行状态和相应的用电量，实现负荷的实时监测。这不仅省去了大量的监测设备和繁琐的传感器装置，降低了经济成本，有效避免了侵人式负荷监测带来的问题，还大大提高了系统监测的稳定性和可靠性。近年来，随着计算机硬件性能的大幅提升和软件技术的迅速发展，人们对于大规模数据集的处理已经有了行之有效的办法，大量学者开始对非侵人式负荷监测方法展开了研究。文献8 推导了一个似然推理公式来解决负荷分解的问题。该方法不仅拥有较高的计算效率，还可以避免局部优化的问题，但受限于特定时间段内运行的有限
12、负荷样本。文献9 采用超状态的隐半马尔可夫模型来实现非侵入式负荷分解的任务，该方法不仅可以保留负荷之间的依赖关系，还可以分解拥有多状态的负荷,但是在分解某些负荷的过程中仍然存在较大的分解误差。文献10 尝试使用稀疏优化算法来提高负荷分解的准确性，除了能够提供对设备总消耗的准确估计外，还可以精确地描述设备的功耗曲线。但是算法的时间复杂度较高，空间复杂度也呈指数级增长。近年来，随着计算机软硬件技术的快速发展，深度学习模型在解决分类和回归问题中得到了广泛的应用。文献11 利用双向长短期记忆网络（Bi-LSTM)来代替传统的循环神经网络模型对负荷的用电曲线进行分解，克服了网络模型在训练过程中的梯度消失
13、问题，但分解的性能和效果并不十分理想。文献12 提出了两种一 154一电测与仪表Electrical Measurement&Instrumentation使用滑动窗口进行实时负荷分解的循环神经网络架构,并使用多个指标将所提方法与现有技术进行了对比,实验结果表明提出的网络模型对多状态负荷的分解效果更好，但对波动性强的用电负荷,模型的识别率仍然较低。文献13 基于WaveNet模型提出了一个一维卷积神经网络用于低频数据的负荷分解。实验结果表明,增加输入信号的类型可以有效提高负荷分解的准确率。随后,文献14 提出了一个基于序列到序列和Attention机制的非侵入式负荷监测模型用以实现负荷分解。然
14、而该方法是一个监督学习的过程,需要有标注了负荷运行状态的样本，数据处理的成本高且有时难以获得大量的带标签数据。文献15 提出了一种1dCNN-attention网络模型结构，用来克服经典卷积神经网络无法处理时序数据的缺陷，并使模型训练速度得到显著提升，但该网络模型的分解误差较大,分解精度较低。随着国内智能电网、电力公司和智能家居等领域对负荷监测需求的不断提高，目前的方法对于负荷识别的准确率和精度都不是很高，负荷分解过程也存在较大的误差。文章在已有的非侵入式负荷监测框架的基础上,提出了一种基于时间序列分类任务的非侵入式负荷监测方法。该方法将实时采集的聚合功率作为神经网络的输入，目标设备的激活状态
15、或实时功率作为模型的输出，对模型进行训练。将训练完成后的网络模型作为特定负荷的识别器或者分解器。通过对比实验证明，文章提出的基于时间序列分类任务的负荷监测方法能够有效地提升负荷识别的准确率,降低负荷分解过程的均方误差，在负荷监测领域具有良好的应用前景。1相关工作1.1数据集介绍在非侵人式负荷监测领域,UK-DALE和REDD是常用的数据集，它们既包含了高频采样的负荷用电数据也包含了低频数据。数据均是以家庭为单位进行采集的。下面分别对UK-DALE和REDD数据集进行简要的介绍。1.1.1 UK-DALE数据集UK-DALE数据集是第一个具有高时间分辨率的开放数据集，它以每六秒的间隔记录了单个电
16、器消耗的有功功率和整个房屋的总功率，因而被广泛地应用于非侵入式负荷监测的研究中。UK-DALE数据集记录了英国5个房屋的用电情况，其中，1号家庭记录了每个负荷超过4年的用电数据，在另外三个家庭中，Vol.60 No.6Jun.15,2023第6 0 卷第6 期2023年6 月15日UK-DALE以1HZ的采样频率记录了全屋的有功功率值。1.1.2 REDD数据集在REDD数据集中，研究人员以高频信号监测了整个家庭48 个不同负荷的电压值和电流值，并记录了数个月内多个家庭电路和特定负荷的电力消耗。REDD数据集包含低频功率数据和高频电压、电流数据,分别为low_freq（以1Hz采样的功率数据）、high_freq（校准和分组之后的电压、电流数据）和high_freq-raw（原生电压、电流波形数据）,其中low_freq包含了6个家庭的数据，labels记录了每个通道的设备，channel记录了每个设备UTC时间戳下的功率数据。1.2问题建模由电能表采集到的总功率信号是由用户房屋内所有负荷功率信号叠加而成的，可以表示为：P(t)=P(t)+P,(t)+.+P,(t)+.+P,(t)+o
