基于电力大数据的工业用户非侵入监测研究

铝业、钢铁、化工、建材等工业作为河南省的传统优势产业，是河南经济发展的重要支柱。随着我国经济发展进入新阶段，钢铁、有色等传统行业面临“去产能”“环保治理”“节能减排”的严峻形势。2016年以来，国家相继下发了《关于钢铁行业化解过剩产能实现脱困发展的意见》《关于营造良好市场环境促进有色金属工业调结构促转型增效益的指导意见》，指出要化解钢铁、有色等行业过剩产能，实现企业的脱困发展。然而，目前有效监测钢铁、有色等企业产能、产量的技术手段尚不完备，亟须创新监测方法。为此，本文研究了基于电力大数据的工业用户非侵入式监测方法，可为有效监测钢铁、电解铝等重点企业生产情况提供技术支撑。

一 非侵入式负荷监测理论

当前应用广泛的负荷监测系统分为侵入式监测和非侵入式监测两种。传统的侵入式监测是在每个负荷处安装相应的传感器，用来监测每个位置的运行状况，如图1所示。侵入式监测技术在实际应用中存在许多问题，如安装时须停电，包括线路改造、人力等在内的工程成本较高；入户安装时可能会进入用户隐私空间；人员可随意控制检测设备的运行状态，运行数据的连续性和完整性难以保证等。

图1 侵入式负荷监测

非侵入式负荷监测最初由Hart于20世纪80年代提出，其核心是对负荷进行有效的分解。非侵入式负荷监测是在电力入口处安装监测设备，如图2所示，通过监测该处的电压、电流等信号，利用有效的分解算法分析得到整体负荷中单个负荷的种类和运行情况。这种技术可节省安装和维护的时间，减少投入，能够开展能量监测、故障监测、故障分析等多类电能质量控制分析。

图2 非侵入式负荷监测

Hart提出的非侵入式负荷监测方法主要利用用电设备在启停时的功率变化特征，通过捕捉负荷功率变化情况，有效辨识用电设备的启停，分析各类用电设备的功率比例。基于这一理论，美国电力科学研究院开发了一套非侵入式负荷监测系统，该系统首先进行功率变化的边缘检测，通过聚类匹配方法，判断功率变化所对应的用电设备的投入或退出。上述方法基于稳态功率变化数值，其能较好地检测单一用电设备投入/退出，但对多个用电设备同时投入/退出则往往失效或出现误判。有人应用突变信号检测方法提出基于暂态功率信息的非侵入式电力负荷监测方法，利用暂态功率曲线中显著变化部分作为用电设备的识别标识，可在一定程度上识别用电设备的类型。之后非侵入式监测在多个领域都得到了应用，在考虑电压扰动、模糊逻辑模式识别、神经网络等基础上对非侵入式负荷监测进行了进一步的改进研究。

目前，国内的威胜、恒通、天津大学、东南大学等企业和高校不同程度地开展非侵入式负荷监测技术实践。2017年，国网江苏省电力公司尝试把该技术应用到智能终端，从电表的进线端获取相关负荷数据，开展小批量试点工作。2018年，国网江苏省电科院在智能电表中安装非侵入式负荷辨识模块，辨识居民用户用电情况，并在南京试点应用。用户可通过App、微信信息等方式，获取各类家用电器能耗详情，为进一步实现用户节能优化、家庭用电异常预警等智能双向互动用电服务提供支撑。

但是，由于工业生产工艺环节复杂，涉及用电设备种类众多，非侵入式负荷监测在钢铁、有色等高耗能工业领域的应用研究目前还处于空白。当前受供给侧结构性改革和环境治理不断推进的影响，钢铁、有色等传统高耗能行业的“去产能”“环保治理”等行动不断加大力度，开展工业用户非侵入式负荷监测可创新监测监管技术手段。

二 工业用户非侵入监测方法

工业用户用电时间长、负荷大，其负荷曲线是一个非平稳信号，信号中包含多种特征信息，整体特征要比普通居民用户复杂。但是，工业生产一般具有典型的环节，例如钢铁企业，主要包括炼铁、炼钢、轧钢生产工艺，各工艺具有不同的负荷特征和周期特性。

基于工业用户负荷的非平稳特征以及各生产工艺呈现出的周期特性，本文采用小波包分解和快速傅里叶变换相结合的方式，对工业用户负荷信息进行信号分解和频谱变换。针对工业用户各项生产工艺周期较长的特点，利用小波包分解技术，滤除信号的高频段噪音，保留低频段主要信号。对于小波包分解后的低频信号，进行快速傅里叶变换（FFT），获取信号的频率信息。再对不同工艺频率信息进行逆变换，计算工业用户主要生产工艺的运行情况和周期，结合工艺度电产能测算相关产能产量。

工业用户非侵入监测主要流程如图3所示，下面对数据预处理、小波包分解和快速傅里叶变换模块进行介绍。

图3 工业用户非侵入监测主要流程

（一）数据预处理方法

工业企业现场采集的原始数据通常存在缺失值和异常值的情况，原因主要有两个方面：一是传感器在压缩或传输数据时存在不确定性影响，造成数据丢失；二是测量装置的不同，即对同一设备，不同测量装置的结果不同。在使用数据进行频谱分析之前，需要对采集到的原始数据进行预处理。数据预处理主要包括数据清洗、数据集成和数据变换等步骤。

数据清洗主要是对缺失值和异常值进行处理。缺失值的插补，可选用固定值法、最近值法、均值法、中位数法、众数法，以及回归法、拉格朗日插值法和牛顿插值法等；异常值的处理，以数据最小失真为目标，通过识别和处理两个步骤进行分析处理。数据集成是指整合多个数据源的数据，形成一个统一且相对完整的数据集合，其主要技术难点是处理冗余和冲突数据。数据变换需要将数据转换成适合算法分析和挖掘的形式，涉及数据的规范化、聚集和属性构造等方面的技术。本文主要采用缺失值补全、异常值处理等数据预处理方法。

1.缺失值补全

缺失值补全分为两个步骤：通过滑动窗口计算出窗口中的数据缺失率，采用临近数据集映射的方法补全缺失数据。

其中，t表示时间序列，c_t表示当前滑动窗口的数据缺失率，M_t是当前滑动窗口中缺失的数值个数，W_t是当前滑动窗口长度。

计算缺失率过程中，必须保证当前滑动窗口两端的时间序列都有对应的测量数值。如图4所示，滑动窗口长度为13个时间序列，只有窗口（4）满足计算条件，其数据缺失率为6/13≈46%；当数据连续缺失个数超过滑动窗口长度时，此部分数据将不能补全。另外，滑动窗口的大小可根据效果进行调整。

图4 滑动窗口

当滑动窗口中的数据缺失率满足计算条件时，采用临近数据集映射法补全缺失数据。如图5所示，滑动窗口长度为18个时间序列，当其移动到t_n处时，数据缺失率为6/18≈33%，若满足补全条件，则将［t_n+5，t_n+10］区间的数据集映射（此处采用正序列相等的映射方法）到［t_n+11，t_n+16］区间。

图5 补全缺失数据

2.异常值处理

工业用户负荷原始数据的异常值，主要是指某个时间点上的数值远大于其附近数据集中极大值。本文将异常值处理分为两个步骤：在滑动窗口所选数据集合中，采用离群算法识别异常值；将异常值修改成滑动窗口对应数据集合的平均值。其中，离群算法具体流程如下：

（1）确定离群距离值。

式中，a表示离群距离约束值，Max_t表示当前滑动窗口中的最大值，Min_t表示当前滑动窗口中的最小值，S表示离群距离值。

（2）计算各个点的离群系数。

式中n表示当前滑动窗口包含的数值个数，j表示遍历各个数值，m_i和m_j表示第i个和第j个点对应的数值，s_i表示当前滑动窗口中第i点的离群系数。

（3）找出离群系数小于某一定值的一个或多个点。

（4）将找出的点值更改为其他点值的平均值。

（二）小波包分解模块

工业用户的各个生产工艺周期较长，使得各工艺对应的信号频率主要集中于低频段。通过对信号进行小波包分解，获得信号的低频段信息，并对低频信号进行频谱分析。小波包分解是小波分解的改进和推广。传统的小波分解首先把信号分解为逼近部分和细节部分，然后再将逼近部分进一步分解为逼近和细节两部分，重复进行这样的分解，直到达到分解要求。而小波包分解同时对细节部分进行分解，小波包分解的时间尺度是任意的，不会出现时频固定的问题，所以较多应用于时频分析，能较好反映信号的特征信息。

在大数据工业用户非侵入监测中，小波包分解根据尺度因子j的大小，将把Hilbert空间L²（R）分解成多个小波子空间W_j（j∈Z）的正交和，如表1所示，并按照二进制对各个小波子空间进行频率细分。其中Uⁿ_j为第n（n=0，1，2，…，2^j-1）个小波子空间，j称为小波子空间尺度，其对应的正交基为uⁿ_j，k（t）=2^-j/2uⁿ（2^-jt-k），k为平移因子。

表1 小波包空间分解

在分解过程中，如果尺度足够小，直接用L²（R）空间的函数f（t）的采样序列f（kΔt）作为U空间的系数d⁰₀（k）。根据正交小波变换的算法原理，第j级、第k点的小波分解系数可写为：

式中，h₀和h₁是两个正交镜像滤波器，其中第j级的分解系数是用第j-1级的系数来表示，根据此递推关系，可以得到信号f（k）所对应的各级分解系数大小，经过j级分解，每个子空间对应的频带区间为：

其中f_s为信号f（t）的采样频率。

对各个频率区间的负荷信号进行能量谱的计算，根据能量谱的大小可以确定工业用户负荷信号主要信息分布在哪些频率区间，从而可用该能量谱所对应的信号进行频谱分析。能量谱的计算公式为：

其中，小波包分解系数dⁿ_j（k）的计算采用式（4）和式（5）的递推算法。

（三）快速傅里叶变换模块

经过小波包分解后的负荷信号，通过改进的快速傅里叶变换（Fast Fourier Transformation，FFT），分解为多个不同频率的信号，有效提取工业用户负荷信号的特征信息，为确定各类生产工艺的运行情况和周期打下基础。

改进的快速傅里叶变换方法，利用离散傅里叶变换（Discrete Fourier Transformation，DFT）的奇、偶、虚、实等特性，对DFT进行改进获得。本文中包含了按时间抽取的FFT和按频率抽取的FFT。

对于有限离散数据x（n），n=0，1，…，N-1的DFT定义为：

为了将大点数的DFT分解为小点数的DFT，序列的长度N必须为复合数，本文采用N=2m（m为正整数）。按时间抽取的FFT，将序列x（n）按奇偶项分解为两组：

则DFT也将分为两组：

一个N点的DFT被分解为两个N/2点的DFT，全部N点的DFT可由下式确定出来：

按频率抽取FFT法，将N点DFT写成前后两部分，即：

把X（k）分解为奇数组和偶数组，经过等式变换得到：

并令

则两个N/2点的DFT为：

三 大数据工业用户非侵入监测案例分析

钢铁是河南重要的传统支柱产业，生产工艺复杂，特别是具有完整生产链的钢铁企业，生产系统庞大。利用非侵入式监测方法，分解生产过程用电负荷，确定钢铁企业主要生产工艺的运行情况和周期。同时，通过典型环节和工艺度电产能测算，获得企业一段时间钢铁产能产量，可为重点工业用户去产能、降低能耗进行监管提供技术手段。

（一）钢铁企业生产工艺流程

钢铁企业生产环节复杂，用电设备众多。但是，钢铁企业生产工艺比较固定，典型工艺流程如图6所示，主要分为：

（1）炼铁。通过铁矿石中铁的氧化物与焦炭发生氧化还原反应，得到铁的生产流程。

（2）炼钢。将氧气等鼓入生铁中，降低碳含量并减少其他杂质含量，得到杂质较少、性能较好钢材的生产流程。

（3）轧钢。通过轧钢机的辊压，形成所需形状和性能要求钢材的加工过程，分为热轧和冷轧两种。

（4）其他加工与转换。在生产过程中所需的氧、水、风等制备转换。

图6 钢铁企业主要生产工艺流程

（二）钢铁企业负荷大数据预处理

利用数据预处理方法对用电负荷数据进行预处理，减少某些异常值、缺失数据造成的影响，更加准确地反映用户的真实用电情况。

以河南某钢铁企业的原始负荷数据（未乘以综合倍率）为例，电表在某日采集的数据集出现缺失。如图7所示，数据集的采样时间间隔是15分钟，缺失时间段为21：00～22：00，共缺失5个数值。

图7 电表原始数据

根据数据集的实际缺失情况，选择临近数据集映射法补全部分缺失数据，设定滑动窗口的长度为12，即以3小时内的数据集为单位来补全其中的缺失数据，并设定最大缺失率为50%，当缺失率大于此设定值时，则不补全缺失数据。在上面的情形中，当滑动窗口移至19∶30处时，其窗口范围是79～90，当前数据缺失率为5/12≈42%＜50%，满足数据补全的条件，补全后的数据集如图8所示。

图8 补全后的电表数据

图9所示为河南某钢铁企业的某日原始负荷数据（未乘以综合倍率），此处采用离群算法来处理异常值，滑动窗口的长度设定为10，离群距离约束值设定为2，规定离群系数小于2时确定为异常值，异常值处理流程如下：

图9 异常值处理前电表数据

（1）离群距离值S=（1.7488-0.4224）/2=0.6632。

（2）前10个数值为第一组，按照公式（3）计算各点的离群系数，各个数值及其对应的离群系数如表2所示，离群系数均未小于2，所以判定这一组无异常值。

表2 各个数值及其对应的离群系数

（3）后移滑动窗口，再按照步骤二的方法重复判定，获得处理后的数据集。

处理后的数据集如图10所示，异常值被平均值替换。以第63个数据值1.7488为例，在经过算法识别和平均值处理后，替换成1.3956。

图10 异常值处理后电表数据

（三）利用非侵入技术分解钢铁企业工艺流程

通过对该钢铁企业2018年3～9月用电负荷数据进行预处理，完善企业用电原始负荷数据，结合相关综合倍率，得到该企业功率信号波形，如图11所示。

图11 某钢铁厂功率信号

对该企业原始负荷信号进行3层小波包分解，并且计算能量谱。3层分解分别有2个、4个、8个频段，一共14个频段，各个频段的信号分解如图12所示。