基于用戶邊緣側事件解析的工業電力負荷非侵入式感知辨識

武 昕，于金瑩，彭 林，王慶華，閆雨龍

（1. 華北電力大學電氣與電子工程學院，北京市102206；2. 華北電力大學環境科學與工程學院，北京市102206；3. 華北電力大學控制與計算機工程學院，北京市102206）

0 引言

工業互聯網［1-2］和能源革命［3-4］的發展使中國電力工業微觀環境發生了巨大變化，對供給與需求的交互和再平衡提出更高要求。工業負荷是需求側的主要用戶，因此有必要對其進行用電監測，有助于對用戶提供高效能源服務，實現綠色與智能用電。

傳統的侵入式負荷監測方法獲取的數據準確可靠，但對工業用戶有較大局限。工業設備運行的穩定性、持續性及可靠性有嚴格要求［5-7］，處于高壓用電區域，若對其進行接觸式或直接的監測，大量傳感器的安裝與維護不僅會影響生產設備的正常運行，還會造成工業生產及人員的安全隱患。因此，應盡可能選擇在低壓側進行間接測量。非侵入式負荷監測［8］（non-intrusive load monitoring，NILM）僅在用戶電力計量入口處采集總用電數據，經濟投入小、安全性與實用性高，更易被用戶接受。NILM 需從總負荷信息中獲取獨立負荷詳細的用能信息，因此有效的數據處理方法是關鍵。

非侵入式負荷分解與辨識［9-12］是需求側負荷管理的研究熱點，目前大多數研究集中在居民用戶［13-17］。文獻［14］對分離后的負荷利用貝葉斯分類模型實現負荷辨識，自適應地構建獨立負荷特征庫。文獻［15］利用深度學習算法將U-I 軌跡圖像特征與功率特征融合，提高負荷辨識能力。文獻［16］利用圖形信號處理算法對負荷進行辨識。

不斷改進的算法驗證了非侵入式負荷數據的可分解性與可辨識性，形成了可行的處理流程與理論基礎。由于在設備數量、操作類型及運行環境等方面的差異，現有的對居民負荷的研究不適合直接用于工業負荷，應針對工業負荷的運行特點研究適用的分解辨識算法。目前對工業用戶的負荷監測研究尚少。文獻［18］提出基于滑動雙邊窗的事件探測方法，該算法針對特定的用戶且不能區分發生時間接近的事件。文獻［19］利用標準的NILM 算法對工業冷庫進行負荷分解，但標準算法對冷凝器、熱泵等典型工業負荷分解難度大。文獻［20］提出了基于復合窗口分析的非侵入式工業負荷事件檢測方法，但需要對所辨識負荷進行先驗數據采集，工業生產中存在先驗數據獲取不便等問題，這會影響其實用性。

不同工業用戶的負荷運行特性因行業、流水工藝等不同差別很大［21］，應針對工業用戶形成一種通用的處理流程以適應不同行業和不同工藝的負荷特性，因此，本文研究一種通用的實現模式在用戶邊緣側進行用電行為的分析和識別。以工業電力負荷為研究對象，利用NILM 終端獲取用戶總電力數據，根據工業負荷運行和投切特點，研究其事件波形提取方法；結合用戶實際操作習慣、各負荷的典型特性及使用習慣等現場參考數據，對事件進行解析辨識，實現對工業電力負荷詳細用電信息的感知。

1 工業電力負荷NILM 感知辨識原理

1.1 工業NILM 感知原理與實現結構

考慮工業負荷功率大、持續穩定運行及安全性等因素，采用NILM 模式。用戶全部用電信息混合表現在采集到的總信號中，若要獲取詳細的負荷數據，需要分析負荷操作在采集信號中的作用規律，從而通過事件提取與解析辨識將各類負荷操作獨立重建與還原。工業環境與居民場景完全不同，本文考慮了工業環境下的負荷操作及運行特點，研究相應的辨識方法，主要考慮以下3 點實際情況。

1）工業負荷運行狀態較穩定，投切行為不頻繁，單體負荷功率大，當負荷狀態發生變化時通常會引起運行數據的明顯變化，因此先從采集數據中提取由負荷狀態變化而引起的事件，即從波形數據中分離由負荷操作引起的事件波形。

2）事件波形獨立分解后，建立事件波形與負荷操作之間的解析關系，實現負荷辨識。事件與實際操作之間的有效匹配，依賴于單體負荷的特征數據，而工業設備長期持續運行造成很難先驗獲取單個負荷運行時的波形和特征，但工業用戶中主要用電設備及基本參數確定且有標準的數據記錄，同時，負荷操作均按照預期規劃執行，對生產設備的動作均有明確的日志記錄，即負荷類型與操作類型是可枚舉且有現場可參考數據。因此，應將提取的事件波形與現場參考數據之間建立解析關系，從而辨識負荷的實際操作。

3）不同工業用戶生產門類及流水工藝差別很大，很難形成整體通用的事件匹配關系，而工業用戶本身為獨立的系統，有完整的操作流程與生產系統，具有獨立的負荷設備及操作數據記錄，只需在特定用戶內部將變化波形與現場參考數據之間建立匹配關系。因此，事件的解析應下沉至用戶邊緣側進行，從而有效地匹配用戶各自的流水、工藝、規模及操作等。

因此，本文在NILM 模式下，利用高頻采集方式獲取工業用戶總電流、電壓數據，研究事件檢測與解析辨識算法，從而獲取詳細的工業負荷數據。

首先，不同工業負荷的投切方式與運行狀態存在差異，體現在混合電流中的能量變化形式不同，因此應充分考慮工業負荷的運行特點，研究針對各投切方式下的事件檢測算法，實現對工業負荷各類型事件波形的有效提取與分離。然后，對事件波形進行特征提取，轉化為結構化特征數據，并對其進行解析從而實現負荷辨識。由于工業設備長期持續運行很難先驗獲取單個負荷運行時的波形和特征，本文依據用戶實際的現場參考數據，在工業用戶邊緣側構建解釋空間與特征空間，實現事件解析與負荷辨識，獲取詳細的負荷信息。整體實現結構見圖1。

圖1 工業NILM 與辨識架構Fig.1 Industrial NILM and identification architecture

1.2 考慮負荷投切特性的事件檢測與波形提取

NILM 模式下，若要獲取詳細的負荷用電數據，首先需要對采集數據進行事件檢測，即檢測由負荷實際狀態的改變引起的變化波形，將其獨立提取作為負荷辨識的數據基礎。工業負荷多為電動機類型，用戶根據生產設備的功率、風機轉速、實際成本等因素對其采用不同的投切方式，如硬投切、軟投切等。不同的投切方式在混合電流中的變化形式不同，本文針對電流信號的不同變化方式對事件波形進行提取分離。

工業負荷單體容量大，其狀態變化時電路中的電流信號變化明顯。將第k 個觀察間隔內的總電流采集信號Ik(t)表示為當前穩定運行波形Is，k(t)與變化波形Iυ，k(t)的疊加，如式（1）所示。

其中，若無負荷操作則變化波形Iυ，k(t)=0。工業負荷的運行狀態較穩定，在長時間尺度內（遠大于觀察間隔），波形可認為是平穩不變的，即Is，k-1(t)=Is，k(t)。

變化波形可通過當前采集電流信號Ik(t)與上一時間觀察間隔的電流信號Ik-1(t)的差獲取，即

當存在負荷狀態變化時，變化波形的能量會發生較大幅度改變，當其能量值大于閾值時，如式（3）所示，可認為負荷狀態發生了變化，即有負荷操作事件發生，從而進行事件波形的分離與提取。

式中：M 為判定事件發生的能量閾值。

1.3 基于波形事件解析的負荷辨識原理

當判定負荷操作事件發生并提取事件波形后，需建立事件波形與實際負荷操作的對應關系，將各類負荷操作的物理信息重建與還原。

工業用戶的主要用電設備有限且有明確的電氣數據列表，對每種負荷的操作具有相對固定的規律且可有限枚舉。因此，看作從有限可能的負荷操作中判斷與當前事件波形最匹配的類型，即將其看作類別判定問題。將該工業用戶中的負荷操作類型記作集合Ω，構成解釋空間，其中共包含c 種類別。

式中：ωm為Ω 的元素，即負荷操作類別；m 為元素序號。

滿足式（3）的事件波形Iυ，k(t)為進行類別判定的樣本，構成樣本空間，記作集合V，可表示為：

即需建立樣本空間V 與解釋空間Ω 之間的映射關系，從而對事件波形進行解析和辨識。

映射關系的建立依賴于特征數據，而由波形構成的樣本空間信息表現不直接、特征不明顯，因此先將樣本空間V 轉化為結構化特征空間。特征空間的構建依賴于工業用戶本身記錄的現場參考數據，例如主要用電設備及其電氣參數、生產流程、操作日志等，將此類數據記作集合D，由所有可供參考的表格化數據構成。集合D 與解釋空間Ω 之間形成了先驗的對應關系R1，從而較易進行特征提取與選擇，形成對解釋空間有效的特征集合D1?D。然后，進一步選擇可從波形中提取到的有效特征作為特征空間，記作集合X ?D1，選取規則記作R2。將R1與R2統一記作關系R，則通過R 將事件波形對應的樣本空間V 轉化為特征空間X，如式（6）所示。二者均體現的是負荷操作所引起的事件，但X 是V 的結構化形式，便于建立進行類別判定需要的映射關系。

式中：xl為X 中的元素；l 為特征空間的維度，即有效特征的個數；L 為特征元素數量。

將事件的解析辨識轉化為特征空間X 與解釋空間Ω 的映射構建問題，如式（7）所示。

通過建立映射關系f 來反映辨識樣本與解釋空間各類別間的相似程度，從而可轉化為尋找準則函數的最優化問題進行求解，最終實現事件解析辨識。

2 基于用戶邊緣側事件解析的工業負荷辨識算法

考慮工業用戶的負荷特點，按照第1 章所述的原理與解決思路，本章給出詳細的算法實現。由于不同工業用戶在具體數據及處理細節中存在差異，本章以鋼鐵工業用戶為例進行闡述。鋼鐵工業是重要的基礎工業，其規模大且為連續性生產企業［22］，不輕易停爐，否則重新恢復時會浪費大量電能和資源［23］。

2.1 事件檢測與波形提取方法

工業負荷在正常運行時，要求不能對電網電能質量造成大的影響，電流和電壓波形多為正弦波，因此事件發生時主要體現能量上的變化，不同類型的功率變化在波形上可分為突變和緩變2 種形式。

2.1.1 事件檢測方法

工業負荷多為電動機類型。小功率電機硬投切時能量階躍變化，當電路中出現負荷階躍變化時視為突變事件，即在很短間隔從一個穩態變化到另一個穩態，如圖2（a）所示。大功率電機軟投切時，需經過一定周期的功率持續小幅度波動才進入穩態，短時間內能量變化較小，經過多周期后能量有明顯改變，視為緩變事件，如圖2（b）所示。

圖2 突變事件與緩變事件電流波形與功率曲線Fig.2 Current waveform and power curve of suddenchange events and slow-change events

根據有功功率的周期增量ΔPn進行變化檢測，ΔPn可表示為：

式中：Pn為第n 個周期的有功功率值，n ∈N。

若第n 個周期的有功功率增量大于一定能量閾值，則認為發生了負荷的突變事件，即

式中：ε1為階躍變化的能量閾值，通常取為各負荷設備中最小的額定功率值。

緩變事件一個周期內的能量變化小，僅通過單周期的功率增量無法獲知其完整的變化過程，需進行多周期檢測。若連續超過K 個周期的ΔPn均大于一定能量閾值，且遠小于突變事件的能量閾值，則認為發生了緩變事件，如式（10）所示。

式中：K1，K2∈N 為周期序號；N1∈N 為連續滿足條件的周期數閾值；ε2為單個周期的能量變化閾值，遠小于突變事件發生時的能量變化閾值ε1。

2.1.2 事件波形提取方法

當檢測到事件Ar發生后需提取事件波形，r ∈N為事件序號。通常穩態波形可表征負荷正常運行時的基本狀態，本文提取事件的穩態波形作為事件波形進行解析。因此，需要先判斷事件發生前后何時處于穩態。當多個周期有功功率均無明顯變化時，則認為電流信號已處于穩定狀態，即

式中：0<ε3?ε2，為穩態電流判定的能量閾值；N2∈N，為ΔPn<ε3連續成立的周期數閾值。

由于穩態電流的基波相角由測量時電壓的起始相位決定，保證在同一個起始相角的電壓下測量穩態電流，就能滿足電流疊加性［14］。因此，當判斷電流處于穩態后，檢測相應電壓的過零點即可進行波形提取。事件Ar發生前的穩態電流Is，r-1對應的電壓 為Us，r-1，當Us，r-1的 采 樣 點j 所 對 應 的 值Us，r-1，j滿足式（12）時，則認為該點為事件Ar發生前的穩態電壓波形Us，r-1的電壓過零點。

式中：j 為呈上升趨勢的電壓過零點對應的采樣點序號。從過零點所對應的時刻開始，截取一個周期即可提取事件Ar發生前的穩態電流Is，r-1。

同理，利用上述方法檢測事件Ar發生后的穩態電壓波形Us，r的電壓過零點，然后提取穩態周期電流Is，r。根據電流疊加原理，利用式（13）得到Ar的事件電流波形Iυ，r以及相應的電壓波形Uυ，r。

2.2 事件解析與負荷辨識方法

事件波形獨立提取后，需解析波形對應的實際負荷操作類型。本文將一個獨立工業用戶中每個負荷的投切作為解釋空間Ω；將提取的事件波形作為樣本空間，記作集合V；將樣本空間V 與解釋空間Ω進行匹配，實現負荷辨識。

2.2.1 特征空間構建方法

由于不同的用戶生產工藝不同，在每個工業用戶邊緣形成獨立的解釋空間Ω。提取的事件波形構成樣本空間V，轉化為類別判定問題與Ω 進行匹配。波形本身不適合進行分類判別，因此，先將波形樣本空間轉化為結構化的特征空間。

將用戶直接記錄的現場數據以及根據事件波形進行簡單推理易獲取的數據作為先驗數據集合D，包括：主要負荷類型，例如燒結機等；設備的銘牌電氣參數，例如額定功率、開斷電流等；生產流程，例如燒結工藝流程等；生產過程中的投切次數、日志記錄等；易由事件波形進行推理獲取的參數，例如電壓畸變率等。依據集合D 容易直觀地形成可描述解釋空間的特征數據集合D1，D1中的元素應保證可從事件波形中提取。從集合D 到D1沒有進行模型化的量化篩選，僅根據與解釋空間的先驗對應關系，通過對先驗數據集元素的直接選取與條理化，形成對解釋空間的直觀性特征描述。根據鋼鐵工業的負荷情況，將電壓均值Um、電流均值Im、有功功率均值Pm、無功功率均值Qm、電壓畸變率Tu、電流畸變率Ti、功率因數PF、電流波形諧波幅值Hf、日投切次數Day、月投切次數Mon等作為D1的元素D1，q，即

式中：L1為元素D1，q的總數。

在D1的基礎上進行模型化的特征選擇，以形成對樣本空間V 有效的結構化特征描述。一方面有效地體現樣本空間信息，另一方面避免特征維數災難問題，從而構建類別判定賴以進行的特征空間X。X 應保證事件解析時類別判定的有效性，因此所選擇的特征應保證對解釋空間具有良好的可分性。

解釋空間的元素ωm代表不同的類別，即各種負荷的操作類型，ωm由特征空間的L 維特征來描述，為L 維向量，0

ωm之間可分性的優劣可通過類間散布矩陣來量化判斷，所選擇的特征使類間離散度越大越好。解釋空間所有類別的類間散布矩陣可表示為：

式中：p(ωm)為ωm發生的概率；dωm為ωm的樣本均值向量；dω0為所有ωm（共有c 類）的總體均值向量，可表示為

類間離散度越大則可分性越好，因此推導出散布矩陣準則可采用如下形式。

式中：散布矩陣Sb的值與L 的取值和所選取的特征分量D1，q有關；λj為矩陣Sb的第j 個特征值。

對L 及D1中的特征分量進行尋優選取，使J 最大的子集作為選擇的特征，從而形成特征空間X。本文中分析的鋼鐵工業用戶的特征空間如式（19）所示，其中L 為6。

在實際中，由于不同特征的量綱不同且數值范圍相差大，因此對特征進行均值-標準差歸一化處理，如式（20）所示。

式中：μ 和δ 分別為特征的均值及標準差；x 和x*分別為特征歸一化前、后的取值。

2.2.2 基于映射關系的事件解析方法

在形成解釋空間Ω 與特征空間X 后，建立映射規則實現類別的判定，即事件解析。當X 形成后，可依據集合D 中的先驗數據形成Ω 中各類別在X 表征下的標準化特征集合Ω0，即

式 中：ω0，m為ωm在X 描 述 下 對 應 的 標 準 化 特 征 向量，在本文的特征空間下，如式（22）所示。

其中，ω0，m中各元素 值均為根據集合D 得到的該類負荷的標準參考特征數據。

工業用戶的事件樣本較少，當提取到事件Ar的波形后，需要將該波形轉化為相應的特征數據Xr，然后通過與各類別ω0，m的相似程度實現類別判定，如式（23）所示。

特征數據Xr與ω0，m中距離最近的類別即判定為該事件的類別ωκ，從而實現事件解析與辨識。

在實際中，應逐步動態優化特征空間與標準化數據，獲取事件的群體特性。對于工業用戶，在較長時間周期內積累一定數據樣本后應進行整體的事件分析，進一步進行分類判定。由于缺少先驗樣本，采用數據驅動的無監督聚類分析，按照不同對象之間的差異，根據距離函數的規律進行類別判定。

設一段時間內提取了W 個事件，可記作Ar=[ A1，A2，…，AW]，每 個 事 件 均 由 特 征 空 間 相 應 的L 維 特 征 描 述，Xr=[ xr，1，xr，2，…，xr，L]T，其 中r=1，2，…，W，所有事件的特征向量可形成L×W 樣本矩陣XA=[ X1，X2，…，XW]，從X1到XW中隨機選取 kc個樣本作為簇中心，記作矩陣 e=[e1，e2，…，ekc]，從而計算樣本Xr到各簇中心的距離。樣本Xr到第i 個簇中心的距離和聚類過程如附錄A式（A1）所示。根據聚類結果，聚在同一類的事件波形代表一種負荷在這段時間內的狀態變化，求該類別的均值利用式（A1）獲取對應的操作類型。將整體的分類與單個事件的處理結果進行比較，若出現不一致的情況，則需要進行特征空間的調整。

基于用戶邊緣側事件解析的工業電力負荷NILM 感知辨識的算法流程如附錄A 圖A1 所示。

3 實驗驗證與分析

本文對一個鋼鐵廠（采用35 kV 降壓變電站，以10 kV 電纜為各車間供電）進行實驗分析。根據附錄B 圖B1 所示的采集裝置在鋼鐵廠燒結車間10 kV低壓側電表處進行20 d 的數據采集，其中高壓側與低壓側電表的變比為35 kV∶100 V/800 A∶5 A，低壓側電表與數據采集裝置的變比為100 V∶6 V/5 A∶0.005 A，采樣頻率為5 kHz。由于三相電壓、電流一致，所以僅針對其中一相進行負荷分離與辨識。

3.1 事件檢測與波形提取效果驗證

利用本文算法對鋼鐵廠投切事件進行檢測。經過對大量采集數據進行分析，判定穩態電流發生階躍變化的能量閾值取為各負荷中最小的額定功率值，即ε1=15 kW，發生緩變的能量閾值ε2=1 kW。緩變事件大多持續時間為10～30 s。根據采樣頻率和每周期采樣點數，計算周期數閾值N1=500。附錄B 圖B2 為采集數據經過采集裝置到高壓側2 次變比后的總電流波形中的突變事件和緩變事件，2 次突變事件間隔約為3 s，緩變事件持續時間約為15 s。圖3 為提取的事件波形，根據負荷投切特性，圖3（a）中判定為工作電流為100 A、電壓為800 V、功率為80 kW 的負荷投入運行，圖3（b）中判定工作電流為540 A、電壓為800 V、功率為432 kW 的緩變型負荷投入運行。

圖3 事件檢測與穩態波形提取Fig.3 Event detection and extraction of steady-state waveform

為驗證本文事件檢測算法的性能，與已有的針對工業用戶的事件檢測方法進行對比。已有算法考慮工業負荷啟動緩慢、暫態過程較長等特性，采用滑動窗累積（CUCUM）進行事件檢測。利用上述方法對 本 文 燒 結 車 間2019 年12 月8 日00：56 至2019 年12 月18 日23：33 共10 d 內采集的總電流進行事件檢測。為了評估算法的有效性，采用綜合評價指標FI-measure 衡量事件檢測準確度，計算公式見附錄B 式（B1）。

從附錄B 表B1 可以看出，本文事件檢測算法精度、召回率與FI-measure 值均高于對比算法?；贑UCUM 的事件檢測算法對于特定類型的工業用戶的準確率較高，但是沒有考慮工業負荷的投切特性，事件檢測會出現錯誤。另外，鋼鐵工業負荷單體容量大且大多為沖擊性負荷，在設備正常運行時，功率會出現小幅波動的情況，例如軋鋼機等波動強烈的負荷和水泵、傳送帶等頻繁波動的負荷。因此，基于CUCUM 的事件檢測算法的準確率會明顯下降。

3.2 事件解析與負荷辨識效果驗證

3.2.1 特征空間構建效果驗證

工藝流程可參考現場數據，以燒結工藝［24］為例。燒結工藝主要的負荷有：主抽風機、一次混合機、二次混合機、脫硫機，為10 kV 供電；燒結機、助燃風機、單輥、環冷風機，為下級供電，由高壓配電室380 V 供電。以上作為現場先驗參考數據集合D 中的元素。

將燒結車間內每個負荷的投切作為解釋空間Ω的元素，根據直接記錄的現場先驗數據集合D 形成可描述Ω 的先驗特征數據集合D1，其中包括的主要用電設備有高壓風機(S1)、主抽風機(S2)、機尾除塵風機(S3)、一次混合機(S4)、二次混合機(S5)、1 號高壓水泵(S6)、2 號高壓水泵(S7)、脫硫機(S8)、燒結機(S9)、1 號 助 燃 風 機(S10)、2 號 助 燃 風 機(S11)、單 輥(S12)、1 號環冷風機(S13)、2 號環冷風機(S14)、皮帶機(S15)。D1特征集合選取為易從波形中提取的Um，Im，Pm，Qm，Tu，Ti，PF，Hf，Day，Mon等 特 征，見 附 錄B表B2。

不同特征對負荷的類別判定效果不同，因此對特征進行選擇。根據式（18）計算D1內特征子集的離散程度，如附錄B 圖B3 所示，圖中y 軸為從D1內10 種特征中分別選取1～9 種特征作為特征子集，通過J 值對特征子集進行尋優計算。當特征子集內的特征為Im，Pm，Qm，PF，Ti，Hf時，J 值最大為35.270 6，此時可分性最好，則特征空間記作 X ={ Im，Pm，Qm，PF，Ti，Hf}。

3.2.2 事件解析效果驗證

為了驗證事件解析與負荷辨識的整體效果，利用本文算法對鋼鐵廠燒結車間2019 年12 月8 日00：56 至2019 年12 月10 日23：26 這3 d 內采集的總電流進行事件檢測。附錄B 圖B4 為利用事件檢測和波形提取算法得到的低壓電表處的穩態電流和電壓波形，由于生產中不會有負荷的頻繁投切，3 d 內的投切事件共12 次。

特征空間X 形成后，依據集合D 中的先驗數據形成解釋空間Ω 中各類別在X 表征下的標準化特征集合Ω0，如表1 所示。對事件波形進行特征選取，如表2 所示，其中各特征值為經過變比后的高壓側負荷實際參數值。

根據式（23）對每個事件波形與Ω0內各負荷進行距離計算，距離最近的負荷判定為各事件波形的類別，即為引發此事件的實際負荷操作。整體計算結果如附錄B 表B3 所示，其中標藍單元格代表與此事件波形最相似的負荷類型，即為其辨識結果，其平均辨識誤差為0.475%。本文利用平均絕對百分比誤差（MAPE）對3 d 內12 個事件的辨識結果進行評價，計算公式見式（B2）。由表B3 可知，12 個事件解析辨識的MAPE 值均小于0.6，MAPE 值越小說明事件波形特征值與辨識的負荷標準化特征值之間的誤差越小，辨識效果越好。圖4 為12 個事件波形的電流、功率值與辨識的負荷標準化特征的對比，說明本文所提方法的辨識結果具有較好的準確性。

表1 標準化特征集合Ω0Table 1 Standardized feature set Ω0

表2 事件波形特征集合Table 2 Feature set of event waveform

圖4 辨識效果驗證Fig.4 Verification of identification effect

對提取的12 個事件波形基于X 內特征歸一化后進行群體聚類，按各事件發生的先后次序分為類別1 至類別8。聚類結果如圖5 所示，判別在同一類別中的事件為同一類負荷在3 d 內的狀態改變次數。將聚類結果與Ω0進行相似程度判斷，結合先驗數據集合D，判斷結果如附錄C 所示。群體聚類的負荷種類判定結果與單個事件波形辨識結果一致，進一步驗證了特征空間的可分性和本文所提方法的有效性。

圖5 聚類結果Fig.5 Clustering results

考慮到工業負荷的運行特點及操作習慣，現有的對居民負荷的研究不適合直接用于工業負荷。文獻［18］基于事件U-I 軌跡特征對居民負荷進行辨識，文獻［25］對提取的事件電流波形進行頻域濾波，對頻率分量進行量化判決實現居民負荷辨識。本文將3.2.2 節中12 個事件的電流、電壓波形提取得到其U-I 軌跡和頻譜特征，如附錄C 圖C1 和圖C2所示。利用文獻［18，25］方法對工業負荷進行辨識，辨識結果分別如附錄C 表C1 和表C2 所示，其中標紅單元格為錯誤辨識。工業負荷在正常運行時，電流和電壓波形多為正弦波，U-I 軌跡、電流頻譜呈現相似性，所含有的負荷特征信息不足以區分不同負荷之間的差異，對于一部分事件的辨識結果錯誤，準確率較低。因此基于U-I 軌跡或電流頻譜特征的辨識方法不適合直接應用于工業用戶。本文在工業用戶邊緣側構建解釋空間與特征空間，通過相似程度判斷實現事件解析，在負荷辨識錯誤時，調整特征空間內的元素以達到對解釋空間的可分性最好。

4 結語

針對工業負荷的用電感知問題，本文研究了一種基于事件波形解析的NILM 感知辨識方法。通過鋼鐵廠用戶的實測結果表明，該方法有效地將負荷操作引起的事件波形從總信號中提取和分離并實現其解析辨識。通過群體事件的聚類結果進一步驗證了特征空間的可分性與本文所提方法的有效性。與現有的算法相比，本文所提方法的事件檢測準確度與負荷辨識精度較高，適用于工業負荷用電監測。本文考慮了不同行業和不同工藝的負荷特性差別較大，將事件解析下沉至獨立用戶邊緣，可作為一種通用的處理流程。

工業生產中為保證產品質量和任務量需求，實際操作中會進行負荷狀態的調整，如電動機速度的改變。進一步的工作是細化、完善事件檢測算法，以實現工業生產各流水信息的全面感知。

附錄見本刊網絡版（http：//www.aeps-info.com/aeps/ch/index.aspx），掃英文摘要后二維碼可以閱讀網絡全文。