隨著國(guó)民經(jīng)濟(jì)的快速發(fā)展，社會(huì)對(duì)電能的需求日益增加，對(duì)電能質(zhì)量的要求也越來(lái)越高。改善電能質(zhì)量對(duì)于電網(wǎng)及電氣設(shè)備的安全運(yùn)行、保障產(chǎn)品質(zhì)量以及人們的正常生活具有重要意義。電力負(fù)荷的分解及分類(lèi)識(shí)別有助于了解電力系統(tǒng)的負(fù)荷組成，有利于掌握電力負(fù)荷的變化規(guī)律和發(fā)展趨勢(shì)，也有利于對(duì)電力負(fù)荷的科學(xué)管理，在建設(shè)智能電網(wǎng)等方面具有重要意義。

現(xiàn)有的負(fù)荷識(shí)別方法主要分為侵入式和非侵入式兩種。近年來(lái)，非侵入式的負(fù)荷識(shí)別方法引起了人們更多的關(guān)注，也取得了許多研究成果。一些學(xué)者使用聚類(lèi)算法對(duì)電力負(fù)荷進(jìn)行分類(lèi)研究，例如董瑞將減法聚類(lèi)的模糊C均值聚類(lèi)算法用于電力負(fù)荷的分類(lèi)；黃麒元、趙國(guó)生分別提出了模糊聚類(lèi)和自適應(yīng)模糊C均值算法對(duì)電力負(fù)荷進(jìn)行分類(lèi)。

人工神經(jīng)網(wǎng)絡(luò)也被廣泛應(yīng)用于電力負(fù)荷的預(yù)測(cè)及分類(lèi)識(shí)別，例如：李龍、陳亞等使用神經(jīng)網(wǎng)絡(luò)對(duì)電力負(fù)荷進(jìn)行預(yù)測(cè)；朱桂川等使用神經(jīng)網(wǎng)絡(luò)對(duì)電器設(shè)備進(jìn)行分類(lèi)；杜亮等將自組織映射神經(jīng)網(wǎng)絡(luò)擴(kuò)展到有監(jiān)督框架下對(duì)電力負(fù)荷進(jìn)行分類(lèi)識(shí)別；常學(xué)賢等使用粒子群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)并用于電力負(fù)荷的分類(lèi)識(shí)別；J.D.S. Guedes等先從電流信號(hào)中提取多階特征量，再將提取的特征輸入到神經(jīng)網(wǎng)絡(luò)進(jìn)行負(fù)荷分類(lèi)識(shí)別。

以上方法雖然取得了有意義的分類(lèi)效果，但在不同程度上存在一些缺陷。例如：模糊聚類(lèi)算法需要事先確定類(lèi)別的數(shù)目，而類(lèi)別數(shù)目的不正確容易造成分類(lèi)結(jié)果的不準(zhǔn)確；改進(jìn)的模糊C均值聚類(lèi)算法在分類(lèi)準(zhǔn)確度上仍有待進(jìn)一步提高。此外，神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中收斂易于陷入局部最小是一直存在的一個(gè)問(wèn)題。

隨著非侵入式負(fù)荷識(shí)別研究的不斷進(jìn)展，一些學(xué)者開(kāi)始使用負(fù)荷暫穩(wěn)態(tài)信息作為特征進(jìn)行識(shí)別分析。例如：R.Cox等使用用電設(shè)備投切時(shí)對(duì)電壓的擾動(dòng)信息進(jìn)行負(fù)荷識(shí)別，但這種方法受電壓波動(dòng)影響較大。高云、楊洪耕提出一種利用家用負(fù)荷開(kāi)關(guān)時(shí)的暫態(tài)功率特征貼近度來(lái)匹配家用負(fù)荷的方法，但當(dāng)多個(gè)家電開(kāi)啟時(shí)間很近導(dǎo)致暫態(tài)特征混疊時(shí)，其識(shí)別準(zhǔn)確率會(huì)受較大影響。

曲朝陽(yáng)、于華濤等提出一種基于開(kāi)啟瞬時(shí)負(fù)荷特征的家電負(fù)荷識(shí)別方法，取得了非常好的識(shí)別效果，但當(dāng)負(fù)荷種類(lèi)較多時(shí)難以準(zhǔn)確地提取負(fù)荷特征，從而影響識(shí)別效果。杜亮等在2016年提出了一種負(fù)荷識(shí)別方法，他提取電壓、電流軌跡的相似性并映射到具有二進(jìn)制值的單元網(wǎng)格中，減小了計(jì)算成本并取得了不錯(cuò)的識(shí)別效果，但這種方法難以區(qū)分相角可控類(lèi)與電阻類(lèi)負(fù)荷，因?yàn)閮烧邩?biāo)準(zhǔn)化后軌跡相似度高。

目前負(fù)荷識(shí)別的研究對(duì)象大多以家用電器為主。針對(duì)目前電力負(fù)荷自動(dòng)識(shí)別中存在的人工選擇特征困難的問(wèn)題并且為了進(jìn)一步提高識(shí)別精度，本文引入深度置信網(wǎng)絡(luò)（Deep Belief Network, DBN）對(duì)現(xiàn)場(chǎng)采集的工業(yè)電力負(fù)荷數(shù)據(jù)進(jìn)行分類(lèi)識(shí)別。DBN是一種深度神經(jīng)網(wǎng)絡(luò)架構(gòu)，由多個(gè)受限玻耳茲曼機(jī)（Restricted Boltzmann Machines, RBMs）和一層后向傳播神經(jīng)網(wǎng)絡(luò)組成。

深度學(xué)習(xí)與以往神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法不同之處在于深度學(xué)習(xí)采用了分層預(yù)訓(xùn)練機(jī)制，而且可以自動(dòng)從大量數(shù)據(jù)中學(xué)習(xí)到特征。深度學(xué)習(xí)的應(yīng)用已從最初的圖像識(shí)別領(lǐng)域擴(kuò)展到機(jī)器學(xué)習(xí)的各個(gè)領(lǐng)域，在圖像識(shí)別、圖像診斷、語(yǔ)音識(shí)別、電機(jī)性能分析、變壓器故障分類(lèi)、電容器介損角辨識(shí)和電能擾動(dòng)識(shí)別等多個(gè)領(lǐng)域均有很好的應(yīng)用。

圖3 基于DBN的電力負(fù)荷識(shí)別實(shí)驗(yàn)流程

結(jié)論

以非侵入式的方式實(shí)地采集江西省內(nèi)多個(gè)地點(diǎn)的電網(wǎng)負(fù)荷運(yùn)行數(shù)據(jù)，采用深度學(xué)習(xí)理論中的DBN對(duì)8種電力負(fù)荷進(jìn)行分類(lèi)識(shí)別。從表2可以看出，基于DBN的電力負(fù)荷識(shí)別有較好的識(shí)別效果，采樣的8種電力負(fù)荷的平均識(shí)別率達(dá)到98.38%，其中對(duì)整流設(shè)備的識(shí)別率最高，達(dá)到99.40%，這和整流器類(lèi)負(fù)荷的諧波特征明顯有關(guān)，識(shí)別率相對(duì)較低的攪拌機(jī)+電焊機(jī)也取得了96.04%的不錯(cuò)效果。對(duì)比實(shí)驗(yàn)表明，基于DBN的負(fù)荷識(shí)別率比NN高出4.57個(gè)百分點(diǎn)，其識(shí)別精度明顯優(yōu)于NN。

本文提出的基于DBN的電力負(fù)荷識(shí)別框架，采用深度學(xué)習(xí)方法提高了電力負(fù)荷的分類(lèi)準(zhǔn)確度。DBN雖然沒(méi)有明確的特征選擇和提取過(guò)程，但具有很好的電力負(fù)荷識(shí)別能力。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)容易陷入局部最小值，而DBN通過(guò)學(xué)習(xí)可以訓(xùn)練成為非常好的網(wǎng)絡(luò)模型。

實(shí)驗(yàn)結(jié)果表明，訓(xùn)練的DBN模型對(duì)電力負(fù)荷的識(shí)別率超過(guò)98%。當(dāng)然，由于實(shí)際設(shè)備的工況比較復(fù)雜，且實(shí)測(cè)數(shù)據(jù)有限，若要對(duì)更多負(fù)荷進(jìn)行精確分析，還需依據(jù)實(shí)際情況建立更加完備的負(fù)荷數(shù)據(jù)庫(kù)。

以非侵入方式感知負(fù)荷用電信息進(jìn)行負(fù)荷類(lèi)型的分類(lèi)識(shí)別，在建設(shè)智能化電能表、智能電網(wǎng)等方面意義深遠(yuǎn)，它不僅可為分析電能消耗構(gòu)成、提高負(fù)荷管理能力等提供數(shù)據(jù)支撐，未來(lái)還可為工業(yè)以及居民用戶提供負(fù)荷運(yùn)行狀況報(bào)告、節(jié)能建議等多項(xiàng)服務(wù)。下一步將研究多個(gè)采樣點(diǎn)的同種負(fù)荷類(lèi)型的識(shí)別以及采樣頻率，即一個(gè)周波內(nèi)采樣點(diǎn)數(shù)對(duì)電力負(fù)荷識(shí)別率的影響等問(wèn)題。