一种用于家用智能电
的负荷识别方法
. .
第 卷第 期 现 代 电 力. 年月
文章编号: ? ? 文献标志码中图分类号:
一
种用于家用智能电表的负荷识别方法
李 静,杨洪耕
四川大学电气信息学院,四川成都 。 , , , 摘 要:为了能给电力用户提供类似电话清单的用电清单, 能进行多项精准测量记录并支持实时电价多重费 帮助用户调整和规划家电的使用实现节能,提出一种运用相 率 ,已得到广泛应用。负荷识别作为家用智能电 似度比较,可用于家用智能电表的负荷识别方法。该方法取 表的重要技术 ,能够将功率总量细化到负荷内部 家用电器正常工作时的稳态和暂态功率特性作为特征量,通 各个主要家用电器 ,给用户提供像电话清单一样 过比较测量数据与数据库模板的相似度来确定用电负荷的类 的用电清单 对节能做出指导,不仅可以降低用户 别、工作状态,然后匹配开关事件得到相应的耗电量。该方 的用电成本,也可以提高电能的利用率。
法不需要事先经过样本数据训练或学习过程,就能识别出家
从目前国内外的研究来看,负荷识别方法大致
庭中典型的阻性和非阻性电器,进而分解出家庭中主要电器
可分为两类。第一类是侵入式负荷识别方法。这种
的用电情况。通过对实验家庭用电情况的实测数据
和与
其他方法的比较,验证了该方法的有效性和准确性。 方法是在用电电器上都安装传感器 或在插座上安
装电表,当电器接入电网,利用传感器或电表获取
关键词:家用智能电表;负荷识别;稳态;暂态;相似度
工作时的相关信息来得到它的实时用电量。这种方:法虽然能够较为精确地计量出设备的功率消耗,但 , 是需要加装电表或传感器,投入较大,影响用户正 ,?
常的生产和生活,不适宜全面推广 ,安装后还需 ?
要进行大量的维护工作。 .
第二类是非侵入式负荷识别方法。非侵入式负 ?
荷识别方法是直接在用户的总电表接口处获取总功, ?
率、电压、电流的变化信息,以此来辨识出负荷的
类别,运行情况以及相关参数 。相较于侵入式 ,? 负荷识别方法,非侵入式负荷识别不中断设备供 .
电,易于被用户接受,不需要安装大量的检测设 ?备,节省了购买、安装和维护这些硬件设备所需要,
的投资和时间引,更适用于一户一表模式的智能电.
表。非侵入式方法始于 世纪 年代 ,由于测量水平的限制,最初的方法只
是基于稳态功率变化
信息 。文献 中就提出了监测稳态功率变化 . 信息实现负荷分解的非侵入式识别方法,但是功率 :; ; 可变或稳态功率相同的家用电器则无法识别出来。 ; ; 随着测量技术的提高,基于电压、电流变化的方法 越来越多。文献 提出利用小波变换处理谐波
引 言
电流来识别负荷。文献 则根据用电设备投切
家用智能电表作为一种智能计量仪表,可对电 对电压的扰动信息进行负荷
识别,然而供电电压自
现代电力, ,:‖ . . .:. .现 代 电 力 年 身的波动和系统侧谐波会影响这种方法的识别结 ,那么 贝为
果。随着人工智能的发展,大量的智能技术用于非 侵入式负荷 。文献提出一种应用多层神
一
经网络的非侵入式负荷监测方法,结合遗传算法和 暂态能量对用电设备进行识别。虽然设备的暂态能 量有较好的区别性,但是遗传算法和神经网络需要 数据变抉公式如 卜:
花费时间进行样本数据的训练或学习,而且一旦用
一
走 , ,? ,
电设备种类发生变化,算法就需要重新训练或学 习。由于各种家用电器的稳态功率具有较好的统计 一
特性,可作为特征量用于负荷分解口 。因此,文献 ? 砉一瓦 ,最一,,?,根据捕捉负荷的有功功率稳态阶跃变化有效一 ?
?
, 一 , ,?,”; 一 , ,?,
地辨别家用电器的投入或退出,进而得到负荷内部 各个电器的功率消耗量。但是这种方法只能识别出 经过标准差变换后的数据矩阵为
大功率的阻性家用电器;非阻性负荷、功率相同的 负荷以及小功率负荷都不能识别出来。
为了改善文献 的这些问题,本文提出一 种运用相似度快速识别负荷的方法,取家用电器的 稳态功率、功率因数、暂态功率作为识别的特征 那么,对象 和 之间的相似系数为
量,选择测量数据与数据库模板的最大相似度来确 定用电负荷的类别,进而得到相应的工作状态和用 电量。相较于文献 ,本文的方法不仅能识别 , 一 出阻性的家用电器,还能够识别出典型的非阻性家
? &, 业
一
用电器,给用户提供像电话清单一样的用电清单, , 一 , ,?, ; 一 , ,?,
便于用户调整和规划电器的使用来达到节能的目 两个对象之间越相似,它们之间的相似系数越 的。而且相较于基于人工智能的负荷识别方法,本 接近 ,反之,相似系数越接近 】引。因此, 的 文的方法不需要事先经过耗时的样本数据训练或学 值越大,说明两个对象之间相似程度越大。 习过程就能够分解出家庭主要电器的用电情况。文 同理,现有 种家用电器,对于电器 ,具有 中还通过对实验家庭用电情况的实测数据分析和文 个特征量, : 厂 , ,?, , 一 , , 献 方法的比较,验证了该方法的有效性和准, , 未知负荷 一 ,厂 ,?, 。经过
确性。
数据变换后的矩阵为
相似度算法
” 厂
相似度是用于描述数据对象之间相似性的一种 测度,常用于模式识别、数据分析、图像处理等方面,一般情况下,研究对象
之间相似性的度量方法
有两种:相似系数和距离 。在文中,我们采用
我们用, 来表示家用电器模板 和未
相似系数来度量负荷之间的相似度。
知负荷 之间的相似度,并用百分数表示。
由于不同的物理量量纲,难以进行比较。为了
消除指标特征值不同物理量量纲的影响,我们需要 ? ,礤, 一 对数据做出适当的改变。设有 个数据对象。每个
? , ”
对象包含 个特征量, 一黝, ,?,,
一
一 , ,? , ; 一 , ,? ,, ,?, 。原始数据矩阵 一 , ,?, 现代电力, , :// . . .: . . 第 期 李 静等:一种用于家用智能电表
的负荷识别方法砌 如 ? 加 ? 如 ?如 加的值越大,说明两个负荷之间相似
程度越 的功率如图 所示。
大。因此,我们通过寻找最大相似度来确定未知负
荷是哪种家用电器。
?
\
模
家用电器负荷特性及分类
嚣
蔼
妞
为了选取计算相似度所需的特征量,我们需要 对家用电器的负荷特性进行研究。当家用电器接人 线路中使用或者从线路中切除时,电力系统的总功 率会发生相应的变化。对于不同的家用电器,功率 的变化规律是不一样的 。比如,当接人电磁炉 ?
等大功率用电设备的时候,系统总功率的变化会非 槲
常大,增加的数值可达到 左右。而对于电 督
忙
脑,电灯等非线性负载,它们接入电力系统之后系 统功率会增加到 左右 除了功率幅值
变化,我们还发现,电阻性负荷的功率因数趋近于 时司/ ,而非阻性负荷的功率因数都明显小 。此外, 图 电暖炉功率波形
家用电器在投切四咖 暂 态过枷程姗彻中湖的猢电气 特性有明显的区
别。
另一类是非阻性家用电器,这类电器的功率是 . 家用电器负荷特性 可变的,而且功率因数都明显小于 。在这大类电
?稳态功率特性
器中像洗衣机、电冰箱,它们的功率随工作时间逐 用电负荷的投切操作会引起功率从一个稳态变 渐减小;而计算机、电视机,
功率波动变化剧烈,
化到另一个稳态 。为了提高识别的准确性,我 受人的活动影响,特别是电视机切换频道时,功率 们用实测的稳态功率变化值代替电器的额定功率, 幅值会有很大的波动。图
和图 分别是电冰箱和
分别用,, 一, 一来表示电器开启后
电视机的功率波形。
和关闭前的稳态有功功率和无功功率稳态变化值, 如图 所示,并把开启后的稳态功率因数作为电器 的功率因数。
?
槲
妊
?
\
槲
督
雷
怔
高
\
镁
图 功率波形
从实测数据中,我们可以发现常见的家用电器 大致有两类,一类是阻性家用电器,这类电器工作 时功率波形基本不变,保持在一个恒定值,功率因 数可近似为 ,如电暖炉、电饭煲等,其中电暖炉 图 电冰箱功率波形
现代电力,, :‖ . . .: . .现 代 电 力 钲 ?
?
\
斟
褂
督
妇
?僻磊
之
葚
斛
垭
时间/ 时间/有功功率下降沿有功功率上升沿 鲁
图 电视机功率波形
槲
雷
?暂态特性
雷
设备的暂态特性与它所表现出来的物理动作 开/关有密切的关系。家用电器投切时的暂态 特性是独有的,可区别于其他电器,特别是对于功 率相同的设备,暂态特性的分析可以提供决定性的 信息来确定设备。因此,我们可以用电器投切时的 ?
褂卜
上升沿和下降沿的功率最大瞬时变化值刻画它的暂 葚
态,分别取上升沿和下降沿的功率最大瞬时变化值 为 、 一 、 ,
一 一 。 一 / 一 以电冰箱为
时间/ 时间/
例,如图 所示。
无功功率上升沿无功功率下降沿
从实测数据中发现,电阻性电器通常在切换时 图 电冰箱暂态功率特性
的暂态特性不明显或存在的时间很短 ,暂态值 可近似等于稳态值;像电冰箱这类以电机驱动电泵 表 典型家用电器分类
的电器会产生暂态过程较长;其他电机驱动电器, 用电类别 主要用电电器
如洗衣机、风扇等电器,它们启动时的暂态值较 生活用电 电暖炉、电吹风、空调等
小;电视机、电脑等电子类电器暂态过程短,但开 小生活 电风扇、电冰箱、洗衣机、电灯、 启时的暂态幅值很大。
电器用电 手机充电器等
. 家用电器分类
厨房用电 电饭煲、微波炉、电冰箱、电磁炉、电烤箱等 随着经济的发展,居民用电的负荷构成也在逐 娱乐用电 电视机、电脑、音响、收音机、录音机等 渐发生变化,一些高耗能的家用电器设备 如空 这样将家用电器分门别类,我们可以提供给用 调、电热水器、电磁炉等 逐渐普及 。根据家用 户包括各类用电的耗电比重和每类中主要电器用电 电器的用途和人们的用电习惯,我们将现有的家庭
量的用电清单,用户也能够通过这样的用电清单了 电器用电分为:生活用电、小生活电器用电、厨房 解家庭用电,合理安排电器的使用,达到节能的目 用电和娱乐用电。每类用电中包括的具体电器如表 的。
所示。
现代电力, , :‖ . . .: . . 第 期 李 静等:一种用于家用智能电表
的负荷识别方法 负荷识别方法的实现
序号 开启事件 关闭事件 序号
微波炉关
电饭煲开. 负荷特征参数数据库建立
微波炉开 微波炉关
能够实现负荷识别的先决条件是有一个准确可 靠的负荷特征参数数据库 。在家用电器单独使 微波炉开 微波炉关用时,实测它正常工作状态下的特征参数储存到数
微波炉开 电饭煲关据库中,用于和未知负荷比较。 图 家用电器事件匹配
. 提取特征参数
本文使用 对家庭用电进行监测,
负荷识别实测分析
采样频率为 ,把采样数据按时间顺序进 行处理,获取 ? ,? , 一,? 一等特征
我们对实验家庭的用电情况进行监测。
参数。
从实测数据中发现,除了像电冰箱这种都接 . 评估相识度
入电网的电器有机会单独表现出它的功率特性, 当检测到有电器开启或关闭,计算它与数据库 大多数电器在使用时都有功率重叠的部分。下面 电器模板之间的相似度 ,根据最大相似度确定此 ?\褂 忙 目/褂
选取某两个时段实验家庭的用电为例,给出识别 时动作的负荷是哪种电器。
结果。
. 事件匹配 咖湖枷枷姗咖渤鲫枷瑚 湖 伽瑚咖渤鲫枷 . 时段 负荷识别
通过上面的计算,我们可以知道在某个时刻动 如图 所示,分别把功率的正向变化沿和负向 作是哪种电器,按照时间顺序和逻辑关系可以得到 变化沿定义为边界 、 。根据实测功率数据提取 合理的事件匹配表,匹配的原则是对于某个电器的 所需要的特征参数,通过与模板的比较,得到图 关闭事件寻找发生在该事件之前并与之时间差最小 中的结果。
的开启事件。通过事件的匹配可以得出电器的实际
使用时间和耗电量。方法如图 所示。 ?僻
时司
图 家用电器工作事件
图 表示的是某个时间段内微波炉和电饭煲的 使用情况,通过前面的处理,我们可以确定每个边 界是什么电器开启或关闭,得出与图 相对应的事 件匹配结果,如图 所示,从而计算出电器的耗 电量。
从实测数据中我们可以发现阻性家用电器的 图 时段 功率波形 、 一近似相等,而非阻性家用电器的/ 、
通过比较图 中的结果,我们可以得知边界 ?户一不相等,因此在计算耗电量时,阻性家用电器 可近似为求矩形面积,而非阻性家用电器可近似为 是电冰箱开启事件,边界
是电冰箱关闭事件,由
此可以推算出电冰箱的耗电量约为 .。 求梯形面积。
现代电力,, :// .. . :. .现 代 电 力 正 霎
。
旺越边界界 . .
电饭 微波 电暖 电冰 电吹洗衣 电视 检测不
煲 炉 炉 箱 风 机 机 到的设备
图 实验家庭中主要家用电器用电量
从表 和图 中,我们可以看出这个家庭中 图 时段 负荷识别结果
耗电的主要电器有电暖炉、电视机、洗衣机、电饭 . 时段 负荷识别
煲、电冰箱和微波炉。本文的方法能够识别出大功 在对实验家庭全天负荷识别过程中,我们引入 率的阻性电器和典型的非阻性电器 如电冰箱、电 平均相似度 ?,定义它为
视机、洗衣机 ,而像笔记本电脑、灯等电器由于功率小不能识别出来。从用
电量表中可以看出在家
? ,
庭中生活用电、娱乐用电和厨房用电占据了一天用。??电量的大部分,而且
家用电器中使用时间长的阻性
式中: 表示正确识别电器的次数; , 表示第 电器的用电量占据了总用电量的主要部分。 次正确识别时该电器与模板的相似度。从表 中的 . 与其他方法比较
结果,我们可以看出该方法能够很好地识别出常见的 为了验证本文方法的辨识率,我们在监测实验 家用电器。通过负荷识别结果,我们对实验家庭用电 家庭用电情况的同时记
录下各种家用电器的实际操
情况进行分析,得到实验家庭的用电清单,如表 和 作次数。用文献 的方法
处理实测数据,将得
到的识别结果与本文方法的识别结果比较,可得 图 所示。
表 。
表 实验家庭负荷识别结果 %
表 两种方法实现负荷识别的比较结果
模板 \、 微波炉电饭煲电视机电暖炉电吹风电冰箱洗衣机
微波炉... . . . .
电饭煲. .. . . . .
电视机. .. . . .
电暖炉. .. . . . .
电吹风 强风. .. . .. . 电冰箱. ... .. .
洗衣机. .. . . . .
表 实验家庭的用电情况用 言蓍 第一天第二天 从表 的结果中发现,文献 只能识别出 大功率的阻性电器,不能识别出像电冰箱、电视 机、洗衣机等典型的非阻性家用电器。因为文献 是根据 一与的绝对比值
的大小确定负
荷类别,当比值在 . ~ . 内 考虑供电电压的
波动 就可以确定一个电器的开关事件。但阻性电
器的主要元件是阻性元件,实测数据表明它们的 , 一近似相等;非阻性电
器中感性或容性元
件使它们的, 一相差较大。本文则分开考
现代电力, , :// . . .: . .