南昌大学信息工程学院、国网江西省电力有限公司电力科学研究院的研究人员徐春华、陈克绪、马建、刘佳翰、吴建华，在2019年第19期《电工技术学报》上撰文，针对目前电力负荷自动识别中存在的人工选择特征困难的问题，并且为了进一步提高识别精度，提出一种基于深度置信网络(DBN)的电力负荷识别方法。

DBN是一种深度神经网络架构，在图像识别、语音识别以及电能质量扰动识别等领域有着成功的应用。DBN由多个受限玻耳兹曼机(RBMs)和一层后向传播神经网络组成。使用对比散度算法，首先对第一个RBM进行充分训练，获取初始特征；然后将这些初始特征值作为训练数据训练下一个RBM以获取高级特征，以此类推；最后，通过反向传播算法采用监督方式微调整个DBN。实验结果表明所提方法在8种电力负荷类型的识别上有很好的效果，平均识别率超过98%。

随着国民经济的快速发展，社会对电能的需求日益增加，对电能质量的要求也越来越高。改善电能质量对于电网及电气设备的安全运行、保障产品质量以及人们的正常生活具有重要意义。电力负荷的分解及分类识别有助于了解电力系统的负荷组成，有利于掌握电力负荷的变化规律和发展趋势，也有利于对电力负荷的科学管理，在建设智能电网等方面具有重要意义。

现有的负荷识别方法主要分为侵入式和非侵入式两种。近年来，非侵入式的负荷识别方法引起了人们更多的关注，也取得了许多研究成果。一些学者使用聚类算法对电力负荷进行分类研究，例如董瑞将减法聚类的模糊C均值聚类算法用于电力负荷的分类；黄麒元、赵国生分别提出了模糊聚类和自适应模糊C均值算法对电力负荷进行分类。

人工神经网络也被广泛应用于电力负荷的预测及分类识别，例如：李龙、陈亚等使用神经网络对电力负荷进行预测；朱桂川等使用神经网络对电器设备进行分类；杜亮等将自组织映射神经网络扩展到有监督框架下对电力负荷进行分类识别；常学贤等使用粒子群算法优化神经网络并用于电力负荷的分类识别；J.D.S. Guedes等先从电流信号中提取多阶特征量，再将提取的特征输入到神经网络进行负荷分类识别。

以上方法虽然取得了有意义的分类效果，但在不同程度上存在一些缺陷。例如：模糊聚类算法需要事先确定类别的数目，而类别数目的不正确容易造成分类结果的不准确；改进的模糊C均值聚类算法在分类准确度上仍有待进一步提高。此外，神经网络训练过程中收敛易于陷入局部最小是一直存在的一个问题。

随着非侵入式负荷识别研究的不断进展，一些学者开始使用负荷暂稳态信息作为特征进行识别分析。例如：R.Cox等使用用电设备投切时对电压的扰动信息进行负荷识别，但这种方法受电压波动影响较大。高云、杨洪耕提出一种利用家用负荷开关时的暂态功率特征贴近度来匹配家用负荷的方法，但当多个家电开启时间很近导致暂态特征混叠时，其识别准确率会受较大影响。

曲朝阳、于华涛等提出一种基于开启瞬时负荷特征的家电负荷识别方法，取得了非常好的识别效果，但当负荷种类较多时难以准确地提取负荷特征，从而影响识别效果。杜亮等在2016年提出了一种负荷识别方法，他提取电压、电流轨迹的相似性并映射到具有二进制值的单元网格中，减小了计算成本并取得了不错的识别效果，但这种方法难以区分相角可控类与电阻类负荷，因为两者标准化后轨迹相似度高。

目前负荷识别的研究对象大多以家用电器为主。针对目前电力负荷自动识别中存在的人工选择特征困难的问题并且为了进一步提高识别精度，本文引入深度置信网络(Deep Belief Network, DBN)对现场采集的工业电力负荷数据进行分类识别。DBN是一种深度神经网络架构，由多个受限玻耳兹曼机(Restricted Boltzmann Machines, RBMs)和一层后向传播神经网络组成。

深度学习与以往神经网络训练方法不同之处在于深度学习采用了分层预训练机制，而且可以自动从大量数据中学习到特征。深度学习的应用已从最初的图像识别领域扩展到机器学习的各个领域，在图像识别、图像诊断、语音识别、电机性能分析、变压器故障分类、电容器介损角辨识和电能扰动识别等多个领域均有很好的应用。

图3 基于DBN的电力负荷识别实验流程

结论

以非侵入式的方式实地采集江西省内多个地点的电网负荷运行数据，采用深度学习理论中的DBN对8种电力负荷进行分类识别。从表2可以看出，基于DBN的电力负荷识别有较好的识别效果，采样的8种电力负荷的平均识别率达到98.38%，其中对整流设备的识别率最高，达到99.40%，这和整流器类负荷的谐波特征明显有关，识别率相对较低的搅拌机+电焊机也取得了96.04%的不错效果。对比实验表明，基于DBN的负荷识别率比NN高出4.57个百分点，其识别精度明显优于NN。

本文提出的基于DBN的电力负荷识别框架，采用深度学习方法提高了电力负荷的分类准确度。DBN虽然没有明确的特征选择和提取过程，但具有很好的电力负荷识别能力。传统的神经网络容易陷入局部最小值，而DBN通过学习可以训练成为非常好的网络模型。

实验结果表明，训练的DBN模型对电力负荷的识别率超过98%。当然，由于实际设备的工况比较复杂，且实测数据有限，若要对更多负荷进行精确分析，还需依据实际情况建立更加完备的负荷数据库。

以非侵入方式感知负荷用电信息进行负荷类型的分类识别，在建设智能化电能表、智能电网等方面意义深远，它不仅可为分析电能消耗构成、提高负荷管理能力等提供数据支撑，未来还可为工业以及居民用户提供负荷运行状况报告、节能建议等多项服务。下一步将研究多个采样点的同种负荷类型的识别以及采样频率，即一个周波内采样点数对电力负荷识别率的影响等问题。