基于BP神經網絡的智能臺區識別方法研究*

李亞，樊汝森，蔣偉，楊俊杰，宋濤，趙勤學

（1.上海電力學院電子與信息工程學院，上海200090；2.國網上海市電力公司青浦供電公司，上海200122）

0 引 言

老舊小區、沿街門面和新建小區等地方，由于配電網臺區信息更新不及時等原因，造成臺區用戶信息混亂、不準確甚至缺失，嚴重制約了智能電網建設進程。為提高配電變壓器利用率降低線損，需要平衡各臺區負載及臺區三相負載，此外，為保證線損計算的準確性，供電管理部門需要經常普查臺區用戶信息，特別是用戶臺區和相位信息［1］。現有臺區用戶識別儀多數基于電力載波技術直接通信與否或電流脈沖技術［2-6］來識別臺區信息，前者由于“共高壓”“共地”“共電纜溝”等串擾問題［7］，實際應用中載波信號不能被變壓器完全隔離，載波信號仍可藕合到其他變壓器產生跨臺區通信難題，使得臺區識別準確度較低，文獻［8］通過改變電力載波通信發射功率和查詢幀長度來限制載波信號跨臺區通信，但無法從根本上解決載波信號跨臺區通信難題；后者需要在變壓器出線端安裝電流互感器，操作上存在一定安全隱患，且可控制性差。

針對現在臺區用戶識別存在的問題，提出一種基于前向誤差傳播（Back Propagation，BP）神經網絡的智能臺區用戶信息識別方法并研制了該系統，通過電力載波通信可初步識別出已識別用戶、無法識別用戶和跨臺區不確定用戶，針對跨臺區不確定用戶基于電力載波信號品質和前向BP神經網絡智能分類識別，可提高臺區用戶信息識別準確度，實現用戶信息全識別，并將最終識別結果存儲到外部存儲器。該方法可有效解決“共高壓”“共地”“共電纜溝”等串擾難題，大大降低工作人員工作量，具有識別臺區用戶信息準確度高、范圍廣、效率高等優點。

1 系統工作原理和結構

本臺區用戶信息識別系統包括多個識別器和手持器，系統結構如圖1所示。每個識別器與相應變壓器低壓出線端三相電相連接，基于電力載波技術采用輪詢或主動上報方式向采集器或載波電表發送查詢幀，采集器通過RS485與電表通信，若通信成功，采集器或電表接收到查詢幀后向識別器發送響應幀，識別器接收響應幀提取采集器或電表臺區及相位信息，實現初步識別用戶臺區及相位，并將初步識別結果通過GPRS遠程無線通信發送給手持器。

由于電力載波信號易受干擾使得電力載波通信距離有限，難以保障整個臺區電力載波通信正常，因此某些用戶可能無法通信而無法識別，此外，由于“共高壓”、“共地”和“共電纜溝”等問題，電力載波信號可跨變壓器藕合到其他臺區，某些用戶可與兩個臺區的識別器都能通信成功形成跨臺區不確定用戶。

手持器除了能夠識別同臺區用戶，還可以采用前向BP神經網絡實現跨臺區用戶識別。首先接收多個識別器初步識別結果后經過查詢與比較，可初步識別出已正確識別用戶、無法識別用戶和跨臺區不確定用戶。手持器可與無法識別用戶或跨臺區用戶直接連接，針對無法識別用戶，采用輪詢方式向已知相鄰線路已識別用戶直接發送查詢幀，若通訊成功，手持器將接收到相應響應幀，則此用戶與已識別用戶同臺區同相位；針對跨臺區不確定用戶，向兩個待測臺區的相應識別器和已識別用戶發送查詢幀，若通訊成功將會收到相應響應幀，提取響應幀的電力載波通信信號品質，基于前向BP神經網絡可實現用戶臺區識別，并根據臺區識別結果相應響應幀提取用戶相位信息，實現用戶臺區和相位全識別，并將識別結果存儲到SD卡。通過SD卡實現數據導入、導出等功能，實現對用戶信息的更新和管理。此外，手持器還可以對各識別器的參數進行設置和查詢。

2 BP神經網絡模型與分析

在識別跨臺區用戶時，由于電力載波通信干擾源較多且復雜，電力載波通信信號品質不僅與通信距離相關，而且與負載、諧波等因素相關，使得設備與采集器之間通信的信號品質動態變化，此外，識別器及采集器通信的信號品質與臺區識別結果并沒有確切的數學關系，無法通過數學計算公式方法來準確識別跨臺區用戶，因此本文提出利用BP神經網絡的自學習能力和逼近任意非線性關系能力來智能識別用戶臺區信息［9］。

圖1 系統結構框圖Fig.1 System structure block diagram

2.1 建立BP神經網絡

BP神經網絡只需一層隱含層即可擬合任意有限輸入輸出映射關系，基于仿真軟件MATLAB 2012b的feedforwardnet函數可建立前向BP神經網絡，為避免過度擬合，訓練方式采用交叉訓練驗證測試方法，默認條件下訓練集為樣本集的70%，驗證集為樣本集的15%，測試集為樣本集的15%，feedforwardnet函數輸入參數只有隱含層節點數和訓練函數，其輸入輸出節點數在訓練時根據樣本集自動確定，并在訓練開始前自動進行歸一化處理，使的前向BP神經網絡應用更方便且性能更高。

分別測試30組跨臺區用戶與兩臺區識別器和各臺區3支采集器之間電力載波通信信號品質作為訓練樣本輸入數據，信號品質范圍為0～15，其中0表示通信失敗，15表示通信信號品質最好，若跨臺區用戶在1號臺區則樣本輸出數據為［0 1］，若跨臺區用戶在2號臺區，則樣本輸出數據為［0 1］，因此前向BP神經網絡輸入層有8個輸入節點，輸出層有2個輸出節點。

2.2 確定隱藏層節點數

由于隱藏層節點數（Hidden Layer Node Numbers，HLNN）沒有統一計算公式，HLNN過多容易導致計算復雜且達到相同訓練效果時收斂速度慢，過少則容易導致訓練時陷入局部極小值，因此HLNN常常需要根據樣本進行實測確定。根據R.P.Lippmann提出的HLNN估算公式［10］可得HLNN為2，而根據初定HLNN經驗公式［11］可得HLNN為6，因此HLNN可在2～8范圍內選擇。在主頻為2.2 GHz、內存為2.0 G的惠普筆記本電腦上仿真時前向BP神經網絡均方根誤差（Mean Squared Error，MSE）、訓練迭代次數Epoch和訓練時間Time如表1所示，其中MSE較關鍵，MSE越小表明訓練時驗證集誤差越小，訓練效果越好。

表1 不同HLNN的BP神經網絡性能Tab.1 BP neural network performance with different HLNN

由表1可知，HLNN在2～8范圍內時Time在0.3 s～0.5 s范圍內且相差不大，當HLNN取4時MSE最小，且綜合性能較好，此時均方誤差與訓練次數關系如圖2所示。

圖2 HLNN為4時樣本集MSE與EpochFig.2 Sample collection MSE and Epoch when HLNN is 4

由圖2可知，前向BP神經網絡經16次訓練后驗證集MSE最小且為2.320 9×10-15，MSE最小點位于圖中圓心處，且驗證集MSE和測試集MSE與訓練集MSE變化趨勢一致，此外，訓練輸出值與目標值回歸分析如圖3所示。

圖3 輸出值與目標值回歸分析Fig.3 Regression analysis of output and target value

由圖3可知，訓練綜合輸出值與目標值成線性關系且輸出值基本等于目標值，輸出值與目標值綜合回歸系數接近為1，訓練結果表明前向BP神經網絡不僅訓練精度高而且驗證測試效果好，因此本系統選用HLNN為4的前向BP神經網絡進行跨臺區用戶識別，隱藏層輸出變換函數采用tansig非線性函數，輸出層輸出變換函數采用purelin線性函數，其結構如圖4所示。

圖4 前向BP神經網絡結構Fig.4 Forward BP neural network structure

3 系統測試

3.1 BP神經網絡仿真測試

前向BP神經網絡經過訓練后，采用30組測試數據作為測試集對其識別準確性進行測試，測試集不同于樣本集，其中4組測試數據的測試結果如表2所示，測試集的輸出值相對誤差如圖5所示，通過比較輸出層節點輸出值大小即可確定用戶臺區。

表2 BP神經網絡識別準確性測試Tab.2 Accuracy recognition test of BP neural network

圖5 測試集的輸出值相對誤差Fig.5 Relative error of output value of test sets

由表2可知，系統不以單次通信信號品質高低來識別臺區，能夠正確識別跨臺區用戶信息且具有較高的容差性能；由圖5可知，系統輸出值相對誤差低于2%，輸出值區別大，因此通過比較輸出值大小可實現跨臺區用戶100%正確識別，識別準確性較高，理論上驗證了基于電力載波信號品質和前向BP神經網絡實現跨臺區用戶智能識別的可行性和準確性。

3.2 現場測試

為實際測試臺區用戶信息識別系統功能及性能，在實驗室采用2臺模擬配電變壓器、2臺識別器、9臺采集器及1臺手持器模擬現場環境搭建1號臺區和2號臺區進行測試，所有采集器安裝在A相，系統測試環境如圖6所示。

圖6 系統測試環境Fig.6 Test environment of system

1號識別器與1號臺區變壓器低壓出線端連接，2號識別器與2號臺區變壓器低壓出線端連接。通過手持器或者識別器的觸摸顯示屏對識別器參數進行設置，包括識別起始時間、識別終止時間、輪詢次數、重發次數、輪詢等待時間等，1號識別器識別結果如圖7所示。

圖7 識別器識別結果Fig.7 Recognition result of identifier

由圖 7可知，采集器 00072092、00072093、00072094、00072095、00072096與1號識別器同屬一個臺區，且其相位在A相，實現了識別器初步識別臺區信息且性能良好。手持器接收兩識別器識別信息后與已知臺區記錄用戶信息進行查詢與比較，測得00072091為無法識別用戶，00072093為跨臺區用戶。將手持器與00072091采集器相連，并發送查詢00072094采集器查詢幀，手持器識別00072091采集器結果如圖8所示。

圖8 手持器識別00072091采集器結果Fig.8 Recognition result of handheld with 00072091

由圖8可知手持器能夠收到00072094采集器響應幀，且通信信號品質為最高15，則表明00072091采集器與00072094采集器同屬一個臺區且同相位。再將手持器與00072093采集器連接，分別向兩識別器 和 00072092、00072094、00072095、00072097、00072098、00072099采集器發送查詢幀，手持器識別00072093采集器結果如圖9所示。

圖9 手持器識別跨臺區采集器Fig.9 Collector of handheld across transformer area

由圖9可知，00072093采集器歸屬于1號臺區，由于1號識別器對00072093采集器的相位識別為A相，因此最終確定00072093采集器位于1號臺區的A相。測試結果與實際情況完全相同，因此，通過該方法不僅能夠識別初步識別無法識別用戶，還能有效識別跨臺區用戶，較好的實現了臺區用戶信息全識別。

4 結束語

針對跨臺區用戶歸屬難以確定的難題，提出了基于BP神經網絡的智能臺區識別方法。該方法在利用電力載波通信技術實現臺區用戶信息初步識別的基礎上，并分類出已識別用戶、無法識別用戶和跨臺區用戶，然后利用BP神經網絡模型結合電力載波信號品質進行跨臺區用戶識別，由于不以單次通信信號品質高低來識別臺區，該方法識別容差性高。實驗表明基于BP神經網絡的智能臺區識別方法能夠準確識別跨臺區用戶，徹底解決跨臺區用戶歸屬難題，在此基礎上完成了用戶識別系統的試制。系統滿足電力公司普查用戶臺區和相位信息要求，具有識別準確度高、范圍廣、效率高等優點，可有效解決跨臺區通信串擾難題，大大減少工作人員工作量并降低成本。