使用類神經網路在非侵入式 負載監測系統的負載辨識效能最佳化

1. 使用類神經網路在非侵入式負載監測系統的負載辨識效能最佳化使用類神經網路在非侵入式負載監測系統的負載辨識效能最佳化 指導老師：凌拯民 博士 學生：吳佩皇

2. 大綱 • 一、摘要 • 二、問題描述 • 三、理論基礎 • 四、研究方法 • 五、結論

3. 一、摘要 • 微型電網可以增加再生能源的使用，並且可避免分散式電源在電力系統中的電力滲透。因為電力公司無法在微型電網的每個負載安裝先進的儀表，所以在共同耦合點進行負載監測對電力公司而言是相當重要的。因此，本研究利用類神經網路來提出一種新式的非侵入式負載監測方法，於共同耦合點上量測的基頻成份、特徵性諧波電流及電壓來當作類神經網路的輸入值。 • 在微型電網中，非侵入式負載監測在共同耦合點上是針對非線性負載來做負載的確認。藉由負載監測結果，電力公司可以進一步來做負載管理的相關策略。因此，本研究的模擬測試是由電腦、吹風機、檯燈、電風扇所組成的微型電網所獲得的，並且也顯示了本研究所提出的方法之適用性。

4. 二、問題描述 • 非侵入式負載監測系統之應用 市電的電源供應給電網中各個負載，負載的種類可能包含有工業型負載、商業型負載以及住宅式負載。在市電端部份，設立一電壓電流儀表，以擷取電網系統中負載的電力使用情況，再設立一部具有電壓、電流、功率及各種資料分析的功率諧波分析儀。 負載辨識的工作使用類神經網路[1]、基因演算法[2]與各種電力特徵，例如實功率、虛功率及啟動暫態能量來完成，對於各個負載使用電力能源的消耗可以經由計算實功率與虛功率及開啟與關閉負載兩者之間的使用時間來做評估與計算。

5. 二、問題描述(續) • 現行方法之問題描述 美國電力研究所(Electric Power Research Institute, EPRI)所發展的負載辨識演算法是從能量消耗觀點來做負載辨識，其特徵指標就是每個負載在運作時都有其不同的能量消耗模式。目前負載特徵指標主要分析方法有穩態分析和暫態分析兩種[3]，穩態分析是從波形觀察負載在開、關前後所消耗的能量情況及諧波含量來做負載辨識。暫態分析則是從暫態波形著手，藉由分析負載在開、關時的暫態波形來做為負載辨識的特徵指標。

6. 二、問題描述(續) • 穩態分析 電路中的非線性負載除了能量消耗外，其非線性特性亦會造成電流諧波的產生，因此也可以用來作為負載辨識的特徵指標。圖2 與圖3 所示分別為負載A 及負載B 的電流波形及其諧波含量。觀查圖形可得知個別負載的諧波含量並不相同，負載電流中的各級諧波成份可以成為辨識負載的特徵指標。

7. 二、問題描述(續)

8. 二、問題描述(續)

9. 二、問題描述(續) • 暫態分析 透過不同特性的負載做實際觀察測量， Steve Leeb[4] 發現負載運作時具有唯一的暫態模式，因此典型的暫態行為與負載表現出來的物理特性密切相關，以一個能快速起動照明的檯燈與一個具有緩慢起動特性的電腦做說明，由於此兩種負載具有截然不同的物理特性(快速啟動及緩慢起動)，因此負載啟動時所產生的暫態波形便會有所差異，而此差異便可作為負載辨識的特徵指標。另外，文獻[5]透過對同一類型的暫態特性進行觀察，測試結果表明同一類型的負載非線性曲線圖非常相似，而與之相對的不同類型負載的非線性曲線圖形則有很大的差別，由此可見，負載的暫態波形非常適合用於辨別不同類型的負載。

10. 3. 理論基礎 • 自我組織映射網路(SOM) Kohonen在1973 年提出自我組織映射網路或稱為自我組織特徵映射網路(Self-Organizing Feature Map, SOFM)[7]，它是一種以「競爭式學習」為基礎的類神經網路。在自我組織特徵映射網路中，輸出層的類神經元是以矩陣方式排列於一維或二維的空間中，並且根據目前的輸入向量，彼此競爭以爭取得到調整權值向量的機會，而最後輸出層的類神經元會根據輸入向量的「特徵」以有意義的「拓撲結構」(topological structure)展現在輸出空間中，由於所產生的拓撲結構圖可以反應出輸入向量本身的特徵 [6]。

11. 3. 理論基礎(續) • 自我組織映射網路之架構 如圖 4 所示，基本上自我組織映射網路是由輸入層及輸出層所組成的網路架構。在輸入層中的每一個神經元代表著輸入資料的屬性，並每一個神經元皆互相獨立且擁有互相獨立的權值。而對於輸出層而言，如圖1 所示為二維格子網狀之拓撲架構，並且輸出層神經元與輸入層神經元有相互連接的網路關係，其方式是以權值向量來表示。

12. 3. 理論基礎(續) 圖 4、二維矩陣之自我組織特徵映射模型

13. 3. 理論基礎(續) 圖5 資料特徵經由自我組織映射網路之預期結果

14. 3. 理論基礎(續) • 輸入層：用以表現網路的輸入變數，也就是用來訓練網路的資料向量(Data vector) Xi，而輸入資料的數目是依照問題而訂 (1) 其中 x i為第i筆向量資料； n 為總資料的筆數； p 為資料向量的維度。 • 輸出層：用以表現網路的輸出變數，它是利用拓撲結構以呈現輸入資料的分佈狀況。

15. 3. 理論基礎(續) • 權值向量：為每個輸出層神經元與輸入層相互連結關係所構成的權值向量(Weight Vector) wj，當網路訓練完後，其輸出神經元相鄰近者會具有相似的權值向量。 (2) 其中 wj為第j 個輸出層神經元； k 為輸出層的神經元數目； p 為權值向量的維度亦是資料向量的維度。

16. 3. 理論基礎(續) • 離散傅立葉轉換 對於複數序列 ，離散傅立葉轉換公式為: (3)

17. 3. 理論基礎(續) • 諧波失真 • 圖6說明任何週期性的失真波形可以被表示成一組正弦函數的和。 • 當一個波形從一個週期到下一個週期是完全相同的，它就能被表示成一組純正弦波形的和，其中每一個正弦函數的頻率都是該失真波形之基本頻率的整數倍。 • 這個倍數被稱為基本波的諧波(harmonic)，這些正弦函數的和就被稱為傅立葉級數(Fourier series)。 • 當一個波形的正負半週有相同的形狀時，其傅立葉級數只包含奇次諧波。 • 此外，有一些值得注意的例外，如半波整流器與隨機電弧的電弧爐。

18. 3. 理論基礎(續) 圖6失真波形之傅立葉級數表示式

19. 4. 研究方法 • 微型電網架構 圖6為本文微型電網系統，系統中以住宅式負載，負載部份有電腦、吹風機、檯燈及電風扇，經由濾波以消除非線性負載所產生的諧波。 圖7 微型電網系統圖

20. 4. 研究方法 • 特徵資料擷取 將電壓、電流、實功率及虛功率經過正規化，再透過快速傅立葉轉換，擷取第1次諧波至第12次諧波間擷取為一筆間級諧波分量，經過快速傅立葉運算後的數據，作為本研究的負載特徵指標，並以此作為類神經網路的輸入層資料。

21. 4. 研究方法(負載特徵指標) 負載以電腦為例，如圖(a)所示，原始波形；如圖(b)所示，電流諧波分量；如圖(c)所示，經由分離式傅立葉轉換之濾波的波形。 圖(b) 圖(c) 圖(a)

22. 4. 研究方法(負載特徵指標) 負載以吹風機為例，如圖(a)所示，原始波形；如圖(b)所示，電流諧波分量；如圖(c)所示，經由分離式傅立葉轉換之濾波的波形。 圖(b) 圖(c) 圖(a)

23. 4. 研究方法(負載特徵指標) 負載以檯燈為例，如圖(a)所示，原始波形；如圖(b)所示，電流諧波分量；如圖(c)所示，經由分離式傅立葉轉換之濾波的波形。 圖(b) 圖(c) 圖(a)

24. 4. 研究方法(負載特徵指標) 負載以電風扇為例，如圖(a)所示，原始波形；如圖(b)所示，電流諧波分量；如圖(c)所示，經由分離式傅立葉轉換之濾波的波形。 圖(b) 圖(c) 圖(a)

25. 結論 除了有充分的資料特徵，擷取也很重要，好的特徵選取可以將問題的複雜和困難度降至最低。 神經網路效能最佳化： • 1.訓練樣本大小。 • 2.樣本所包含資料之正確。 • 3.資料在控制區：分佈越廣、分佈越均勻。 • 4.資料間差異性越大。 • 5.隱藏層的神經元數目多寡、訓練次數。 • 數目過多、訓練次數過多 → 產生「過度配適」（Overfitting）

26. 參考文獻 • [1]J. G. Roos, I. E. Lane, E. C. Botha, and G. P. Hancke, “Using Neural Networks for Non-intrusive Monitoring of Industrial Electrical Loads,” IEEE Instrumentation and Measurement Technology Conference, pp.1115-1118,1994. • [2]M. Baranski, and J.Voss, “Genetic Algorithm for Pattern Detection in NIALM Systems,” IEEE International Conference, Systems, Man and Cybernetics, pp.3462-3468, 2004. • [3]G.W.Hart, “Nonintrusive Appliance Load Monitoring,” Proceedings of IEEE, vol. 80, no. 12, pp.1870-1891, Dec. 1992. • [4]S. B. Leeb, S. R.Shaw and J. L. Kirtley, Jr. ,“ Transient Event Detection in Spectral Envelope Estimates for Nonintrusive Loads Monitoring,” IEEE Trans. on Power Delivery, vol.10, no. 3 , pp. 2000-2010, 1995. • [5]G.W. Hart, “Residential Energy Monitoring and Computerized Surveillance via Utility Power Flows,” IEEE Technology and Society Magazine, vol.8, pp.12-16, 1989. • [6]M. A. Kraaijveld, J. Mao, and A. K. Jain, “A Non- • linear Projection Method Based on Kohonen’s. Topology Preserving Maps,” IEEE Trans. on Neural Networks, vol. 6, no. 3, May 1995 • [7]Albert Boggess著, 芮國勝，康健譯， 「小波與傅立葉分析基礎(A First Course in Wavelets With Fourier Analysis)」，電子工業出版社，西元2005年。