使用智能电表实现工业设备的大数据识别

2020-12-23张春萌关艳

微型电脑应用 2020年11期

张春萌关艳

摘要：为了实现对工业设备负荷的大数据识别，采用低压智能电表和长短期记忆神经网络（LSTM）构建一个非侵入式工业设备负载监测系统，通过智能电表所采集的电力负荷大数据实现对工业设备的智能标识。具有实用性、价格合理优势的低压智能电表被用于采集负载数据。LSTM神经网络用于处理电力负载数据，标识设备类别。所构建的监测系统中采用了边缘计算技术用于实现并行计算以提高设备识别的效率。实验证明，结果参数调优后，该模型的单个电气设备连续数据的平均识别率可达到83.6%。

关键词：大数据;设备识别;边缘计算;非侵入性负载监测;智能电表

中图分类号：TP391

文献标志码：A

文章編号：1007-757X（2020）11-0114-04

Abstract：In order to realize the big data identification of industrial equipment load， this paper uses low-voltage smart meter and long-term and short-term memory neural network （LSTM） to construct a non-intrusive industrial equipment load monitoring system， which realizes industrial equipment through the power load big data collected by smart meter. A low-voltage smart meter with practicality and reasonable price is used to collect load data. The LSTM neural network is used to process electrical load data and identify device categories. Edge computing technology is used in the monitoring system to achieve parallel computing to improve the efficiency of device identification. Experiments show that after the resulted parameters are tuned， the average recognition rate of continuous data of a single electrical device of the model can reach 83.6%.

Key words：big data;device identification;edge computing;non-intrusive load monitoring;smart meter

0 引言

准确识别制造业企业中的工业设备类型，对提高负荷预测的精度、优化电网运行效率，具有重要意义[1-2]。目前的电气设备识别方法可以归纳为侵入式和非侵入式[3-4]。侵入式方法是为每个电气设备都配备一个传感器，这种方法虽然准确度高但是实施成本也很高[5]。非侵入式监测则利用对所采集的负载大数据进行分析实现对当前运行电气设备的识别。这种方法虽然实施成本相对大大降低，但是因此需要考虑多种干扰因素，因此准确率相对也较低[6]。文献[7]使用递归神经网络（RNN）进行设备负载的大数据分析。但是RNN需要高性能计算单元支撑大量计算，并且多层人工神经网络在反向传播过程中很可能发生梯度消失，这使得RNN难以满足实用。文献[8]通过KNN对负载特征值之间的差异进行分类，以实现电气设备识别。虽然该方法可以快速地对电力设备进行分类，但在根据数据的特征值接近时，很可能导致识别错误。

因此，本研究采用LSTM人工神经网络[9]对电气设备的负载大数据进行出来以实现不同类别电气设备的非侵入式识别。此外本研究还将边缘计算[10]、云计算[11]引入LSTM人工神经网络以提高算法的整体计算性能。最后通过实验对所提解决方案的电气设备识别准确性进行验证。

1 系统原理与设计

基于LSTM神经网络的工业设备识别模型的五个主要阶段是数据采集、数据预处理、建立训练模型、参数优化以及模型训练。

1.1 数据采集阶段

数据采集阶段在智能电表中运行，也称为电力数据采样阶段。本研究所使用之智能电表之取样频率为低频，且每3分钟抽取一次数据（如电压与电流）。在一段时间内，从物联网技术中采集不同的设备数据，并导入数据库进行分析。

1.2 数据预处理阶段

数据预处理阶段包括设备选择、数据清除和特征选择三个步骤。数据预处理阶段的数据计算量较大，因此数据会被分配至边缘服务器进行数据并行预处理，以提高计算效率。

在本研究中，为了验证人工神经网络模型能够识别不同的设备，将特意选择具有相似特性的电气设备以及截然不同特性的设备，以验证所设计的识别模型。

数据处理的目的是为了避免将错误数据导入到训练模型中，导致训练结果出现错误，在使用前应对明显不正确、差异过大或0的数据进行处理。如果设备数据的任何一个功能值为零，则直接删除数据。对于差异过大的数据，计算特征值χ的平均值（χ）和标准偏差σ，要保留的数据按（1）计算，如式（1）。

智能电表采集的数据包含多种特征值，但并非所有特征值都有助于设备分类。为了避免不必要的计算，本研究仅选取与设备分类相关的特性。所选择的特征列，如表1所示。

当学习速率在10-1～10-2内时，误差大于1;当学习速率为10-3时，误差值存在局部最小值;最后，当学习速率为10-4～10-6时，误差值出现全局最小值。确定学习速率为10-4～10-6。

随后实验基于不同激活函数进行模型参数训练，如图5所示。

由图可知，ReLU训练精度最优，且该函数只需要评估输入值是否大于0，并且不需要复杂的指数运算，因此选择ReLU作为模型激活函数。

对不同的失活率进行训练的测试，如图6所示。

结果表明，随机失活值与准确度呈负相关。

使用不同参数组合的LSTM神经网络基于单台电气设备的连续负载数据进行识别实验，如表2所示。

由表2的数据可知，当使用单层LSTM神经网络进行识别测试时，一些具有相似负载特征的设备无法被顺利识别出来。当使用多层LSTM神经网络并使用ReLU激活函数进行识别时，由于ReLU激活函数能够很好处理非线性分类问题，因此大大提高具有相似负载特征的电气设备的识别精度。但是由于本次实验的数据来自于低频智能电表，无法长时间保持较高频率对电气设备的负载数据进行采集，因此仍然存在类似负载特征电气设备的识别错误。为提高识别精度，实验先后增加了隐含层数和训练周期。当神隐含层数增加至12时，大部分电气设备的识别率均高于50%。最后，當训练周期数增为50时，识别误差进一步变小，所有设备的识别率都高于50%。

4 总结

为了获得工业设备的准确识别性能，本研究采用大数据处理方法对采集到的设备数据进行分析，并通过机器学习从这些数据中找出相关性。为了满足电力负载数据采集低延迟、高精度的要求，采用边缘计算结构提高了计算性能，采用多层LSTM模型作为分类器。通过参数整定策略训练，分类结果良好，其中单台设备连续数据识别的平均准确度为83.6%。

参考文献

[1] 陈倩，齐林海，王红.基于LSTM网络的谐波多标签分类[J].电力建设，2019，40（7）：101-106.

[2] 刘恒勇，刘永礼，邓世聪.一种基于LSTM模型的电力负荷辨识方法[J].电测与仪表，2019，7（21）：1-8.

[3] 毛雪娇，谈健，姚颖蓓.基于长短期记忆神经网络的饱和负荷预测方法及应用[J].水电能源科学，2019，37（6）：192-195.

[4] 蔡月明，封士永，杜红卫.面向泛在电力物联网的边缘节点感知自适应数据处理方法[J].高电压技术，2019，45（6）：1715-1722.

[5] 张洋，姬波，卢红星.基于LSTM神经网络的短期高压负荷电流预测方法[J].计算机科学，2019，46（6）：49-54.

[6] 张桐赫，杜欣慧，王帅.一种基于核密度聚类的电力负荷模式精细化识别算法研究[J].数学的实践与认识，2019，49（8）：155-164.

[7] 闫会玉，宋宏，郑泽宇.面向电气设备的工况识别和数据压缩方法[J].计算机应用，2018，38（S2）：148-151.

[8] 江帆，杨洪耕.基于广义回归神经网络的非侵入式负荷识别方法[J].电测与仪表，2019，7（21）：1-7.

[9] 孟亦凡，李敬兆，张梅.基于LSTM边缘计算与随机森林雾决策的矿工状态监测设备[J].煤矿机械，2018，39（11）：144-148.

[10] 代杰杰，宋辉，盛戈皞.采用LSTM网络的电力变压器运行状态预测方法研究[J].高电压技术，2018，44（4）：1099-1106.

[11] 晋远，孙红三，叶紫.基于大数据Bayes分类的家电设备识别算法[J].建筑科学，2017，33（4）：31-38.