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基于用电模式和字典学习的电器负荷分解方法谈竹奎,徐伟枫,刘斌，胡厚鹏，蓝超凡，丁超（1.贵州电网有限责任公司电力科学研究院，贵阳550 0 0 2；2.苏州华天国科电力科技有限公司，江苏苏州2 150 0 0）摘要：负荷分解是获取电器用电细节、分析用户用电行为的重要手段，有利于加强智能电网的需求侧管理。针对当前非侵入式负荷分解研究缺乏考虑电器用电模式、模型迁移能力弱的问题，提出一种基于用电模式和字典学习的电器负荷分解方法。
2、通过聚类提取电器的典型用电模式，根据待测住宅内电器所含用电模式，执行字典学习算法训练各电器的模式字典，再利用模式字典对总负荷进行稀疏表示以实现负荷分解，测试数据集上的分解结果验证了所提方法的准确性以及在住宅迁移上的性能。关键词：非侵人式负荷分解；用电模式；字典学习；稀疏表示D0I:10.19753/j.issn1001-1390.2023.06.014中图分类号：TM714Tan Zhukui,Xu Weifeng,Liu Bin,Hu Houpeng,Lan Chaofan,Ding Chao(1.Electric Power Research Institute of Guizhou Po
3、wer Grid Co.,Ltd.,Guiyang 550002,China.2.Suzhou Huatian Power Technology Co.,Ltd.,Suzhou 215000,Jiangsu,China)Abstract:Load decomposition is an important means to obtain electrical details of appliances and analyze the power con-suming behavior of users,which helps to strengthen demand side manageme
4、nt of smart grid.Since the current non-intru-sive load decomposition researches lack concern about power consumption patterns of appliances and weak migration abilityof these models,a decomposition method for appliance load based on power consumption patterns and dictionary learningis proposed in th
5、is paper.Typical consumption patterns of appliance load are extracted by clustering.According to theconsumption patterns contained in the appliances from testing house to be measured,dictionary learning algorithm is usedto train pattern dictionary of the appliances.Then,sparse representation is appl
6、ied to total load with pattern dictionary torealize load decomposition.Accuracy of the proposed method and its performance on house migration are verified by de-composition results on test dataset.Keywords:non-intrusive load decomposition,power consumption pattern,dictionary learning,sparse represen
7、tation0引言随着智能电网和智能用电理念的发展，高级量测体系（Advanced Metering Infrastructure,AMI）等关键技术日益更新。非侵人式负荷监测与分解（Non-intru-sive Load Monitoring and Disaggregation,NILMD)是 AMI的重要组成部分，其基本功能是将用电数据细化到用户住宅内的电器负荷，可为电网公司进行用电行为分基金项目：贵州电网有限责任公司科技项目（0 6 6 6 0 0 KK52180051)一96 一文献标识码：ADecomposition method for appliance load based
8、on powerconsumption patterns and dictionary learning文章编号：10 0 1-1390(2 0 2 3)0 6-0 0 96-0 7析、需求响应潜力挖掘、以及调度策略制定提供基础信息参考。可见,负荷监测与分解有利于加强智能电网的需求侧管理，极具研究价值和应用前景。NILMD最早由GeorgeW.Hart于2 0 世纪8 0 年代提出2】。其实施手段是采集电力人口总线（如智能电能表)的数据，利用负荷分解算法实现电器层面的功率及能量分解。与传统的侵人式监测方式相比,NILMD免去大规模安装电器监测终端，有效降低了经济成本，具有较高的用户接受度。目前
9、，实现NILMD的方法大第6 0 卷第6 期2023年6 月15日致分为两类：“事件法”与“非事件法”。“事件法”着眼于电器状态切换（又称负荷事件）而导致的总负荷电气特征突变，通过检测突变量辨识电器种类和对应运行状态。这类方法需要采集信号的暂态波形，因此对监测装置的采样频率要求较高,如文献3 基于复合滑动窗的CUSUM检测方法，通过变权的复合滑动窗捕捉具有爬坡特性的暂态事件。文献4 利用贝叶斯迭代求解事件检测模型，具备对不同事件类型的自适应能力。“非事件法”不依赖于事件检测，直接将总负荷聚合特征分配到各电器,包括基于启发式搜索的组合优化5-6 、隐马尔科夫模型及其变体7-8 、机器学习方法9-
10、0 ,其中文献6基于组合优化模型,以不同编码方法构造适应度函数,通过遗传算法求解负荷运行状态。文献10 通过互信息熵搜索强相关性的电器负荷，以k近邻算法为基础,对负荷的组合状态进行非侵人式分解。总体而言，当前大部分分解方法局限于负荷的电气特征,仍存在以下挑战与不足：（1）依赖电器高频暂态信息的方法会有明显的数据运算和存储压力；（2)现有研究缺乏对各类电器日用电模式的关注。（3)模型迁移能力弱,即分解模型仅适用于特定住宅的电器,若不重新进行繁琐长期的训练样本采集，模型无法直接迁移至新的住宅中使用。针对上述负荷分解研究存在的不足，文中立足于住宅电器这一研究对象，从信号拆分角度出发，提出一种基于用电
11、模式和字典学习的电器负荷分解方法。通过对日能耗序列聚类，提取各电器的典型用电模式，然后根据待测住宅内电器所含用电模式，利用字典学习算法训练电器的模式字典，组合模式字典并对总负荷进行稀疏表示，实现负荷分解。通过居民负荷数据集的测试,验证了所提方法在住宅迁移上的有效性、以及对负荷分解的准确性。1稀疏表示模型稀疏性是自然信号的重要特征，指的是信号中含有的零元素较多。给定稀疏信号，通过一组过完备基向量的线性组合，可以实现对该信号的稀疏表示。字典学习（DictionaryLearning）作为一种无监督学习方法，研究的就是如何构建这组基向量，从而提取信号的稀疏特征。稀疏表示模型如图1所示。图中方格的颜色
12、深浅代表元素取值的不同，零元素以白色表示；原始信号X=Rx,m 是信号维数;h 个基向量构成的矩阵DR*是过完备字典,D 的每一列基向量称为原子,其过完备性要求 km;RxI称为编码系数。电测与仪表Electrical Measurement&Instrumentation原始信号X第1维口第m维原子1图1稀疏表示模型示意图Fig.1 Schematic diagram of sparse representation model根据稀疏表示理论，信号重构的质量依赖于字典的过完备性，然而过完备性会让重构信号的原子余，所以一般通过对进行稀疏约束,来限制其可行域,对应的字典学习问题如下：(1)式中
13、入是正则参数；。表示Lo范数。上述L范数的优化问题在数学意义上非凸,属于NP-hard 问题1。所以实际运算中常用L,范数进行凸松弛，转换为式（2)所示代价函数：(2)Ls.t.l,/1,i=1,2,.,k式中d,是D的第i列原子；1是L,范数。第一项是拟合误差，也称重构项；第二项是通过入控制的正则项,增大入可加强的稀疏性；原子单位化约束用于避免D的元素值过大以致的求解值全为零。稀疏表示的完整过程包括两个部分：（1）训练。对一组信号样本进行训练，得到过完备字典，如图2 所示为训练图像信号得到的含有2 56 个patch的字典；（2)编码。输入一个新信号,利用字典对其进行稀疏表示，求解编码系数。
14、8x8训练样本子块滑动2 550 2 5个字典学习提取样本512512图像图2 图像信号字典Fig.2 Dictionary of image signals2基于用电模式和字典学习的负荷分解2.1用电模式聚类提取受工作模式、用户使用时段偏好影响，对电器等间隔采样的日能耗序列p）=,P,P天然具备稀疏性12 ,其中P(）表示电器j在t时刻的有功采一97 一Vol.60 No.6Jun.15,2023字典矩阵D编码系数口系数1原子k口系数k8x8原子字典（原子数2 56）第6 0 卷第6 期2023年6 月15日样值,m是采样点数。例如：作为厨房电器的抽油烟机其序列波峰基本集中在饭点时间，冰箱的
15、周期运行特性使得序列呈现较多的近零元素等等。所以,可以利用字典学习对电器的日能耗序列进行稀疏表示，提取这类信号的内在特征。文中字典学习由电器的用电模式驱动,所谓用电模式即最能代表电器典型运行特性的有限个日能耗序列,可通过聚类来提取。因电器的用电模式数目在提取前未知，文中采用近邻传播算法做聚类处理。这是一种通过迭代传播各样本点之间的隶属信息，自动确定聚类中心和数目的半监督聚类算法13。通过近邻传播提取电器用电模式的步骤如下：(1)输人电器j标准化的n天的日能耗序列样本(p(i,1),p(i2),p）,计算相似矩阵S R,其中s(i,k)表示样本点p(j.i）和p(ik）（i k)的负欧氏距离,按
16、算法标准计算 S的中位数并将其赋予s（i,k）（i=k)和参考度p;（2)初始化责任信息r（i,k）=0 和可信信息（i，k）=0,其中r(i,k)用于表征p(i.)适合作为pG.）隶属中心的程度,a(i,k)用于表征p(i)选择p(j.h)作为其隶属中心的程度；（3）迭代更新两两样本点之间的隶属信息，直到指定迭代次数、或隶属中心不再变化。r(i,k)=s(i,k)-maxia(i,k)+s(i,k)/(3)rmin 0,r(k,)+Zmax/0,r(i,k)i ka(i,k)Zmax,(,k)/（4)选择p(j.c）为P(j.）的聚类中心,k应满足：k=argmaxir(i,k)+a(i,k)(5)将各聚类中心作为电器j的用电模式，把每个日能耗序列样本划分到各自隶属的用电模式中,形成若干个用电模式样本集。返回（1)输入下一类电器的样本继续聚类，直到完成所有电器的用电模式提取。2.2字典学习算法字典D是稀疏表示模型的核心，可通过学习信号样本获取,相比于用现成基函数构造,通过学习得到的字典更适合表示波动形态不规律的电器日能耗序列。文中采用可逐轮提取样本做训练的在线字典学习算法14,来训练
