使用智能電表實現工業設備的大數據識別

張春萌 關艷

摘 要：為了實現對工業設備負荷的大數據識別，采用低壓智能電表和長短期記憶神經網絡（LSTM）構建一個非侵入式工業設備負載監測系統，通過智能電表所采集的電力負荷大數據實現對工業設備的智能標識。具有實用性、價格合理優勢的低壓智能電表被用于采集負載數據。LSTM神經網絡用于處理電力負載數據，標識設備類別。所構建的監測系統中采用了邊緣計算技術用于實現并行計算以提高設備識別的效率。實驗證明，結果參數調優后，該模型的單個電氣設備連續數據的平均識別率可達到83.6%。

關鍵詞：大數據;設備識別;邊緣計算;非侵入性負載監測;智能電表

中圖分類號：TP391

文獻標志碼：A

文章編號：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

準確識別制造業企業中的工業設備類型，對提高負荷預測的精度、優化電網運行效率，具有重要意義[1-2]。目前的電氣設備識別方法可以歸納為侵入式和非侵入式[3-4]。侵入式方法是為每個電氣設備都配備一個傳感器，這種方法雖然準確度高但是實施成本也很高[5]。非侵入式監測則利用對所采集的負載大數據進行分析實現對當前運行電氣設備的識別。這種方法雖然實施成本相對大大降低，但是因此需要考慮多種干擾因素，因此準確率相對也較低[6]。文獻[7]使用遞歸神經網絡（RNN）進行設備負載的大數據分析。但是RNN需要高性能計算單元支撐大量計算，并且多層人工神經網絡在反向傳播過程中很可能發生梯度消失，這使得RNN難以滿足實用。文獻[8]通過KNN對負載特征值之間的差異進行分類，以實現電氣設備識別。雖然該方法可以快速地對電力設備進行分類，但在根據數據的特征值接近時，很可能導致識別錯誤。

因此，本研究采用LSTM人工神經網絡[9]對電氣設備的負載大數據進行出來以實現不同類別電氣設備的非侵入式識別。此外本研究還將邊緣計算[10]、云計算[11]引入LSTM人工神經網絡以提高算法的整體計算性能。最后通過實驗對所提解決方案的電氣設備識別準確性進行驗證。

1?系統原理與設計

基于LSTM神經網絡的工業設備識別模型的五個主要階段是數據采集、數據預處理、建立訓練模型、參數優化以及模型訓練。

1.1?數據采集階段

數據采集階段在智能電表中運行，也稱為電力數據采樣階段。本研究所使用之智能電表之取樣頻率為低頻，且每3分鐘抽取一次數據（如電壓與電流）。在一段時間內，從物聯網技術中采集不同的設備數據，并導入數據庫進行分析。

1.2?數據預處理階段

數據預處理階段包括設備選擇、數據清除和特征選擇三個步驟。數據預處理階段的數據計算量較大，因此數據會被分配至邊緣服務器進行數據并行預處理，以提高計算效率。

在本研究中，為了驗證人工神經網絡模型能夠識別不同的設備，將特意選擇具有相似特性的電氣設備以及截然不同特性的設備，以驗證所設計的識別模型。

數據處理的目的是為了避免將錯誤數據導入到訓練模型中，導致訓練結果出現錯誤，在使用前應對明顯不正確、差異過大或0的數據進行處理。如果設備數據的任何一個功能值為零，則直接刪除數據。對于差異過大的數據，計算特征值χ的平均值（χ）和標準偏差σ，要保留的數據按（1）計算，如式（1）。

智能電表采集的數據包含多種特征值，但并非所有特征值都有助于設備分類。為了避免不必要的計算，本研究僅選取與設備分類相關的特性。所選擇的特征列，如表1所示。

當學習速率在10-1～10-2內時，誤差大于1;當學習速率為10-3時，誤差值存在局部最小值;最后，當學習速率為10-4～10-6時，誤差值出現全局最小值。確定學習速率為10-4～10-6。

隨后實驗基于不同激活函數進行模型參數訓練，如圖5所示。

由圖可知，ReLU訓練精度最優，且該函數只需要評估輸入值是否大于0，并且不需要復雜的指數運算，因此選擇ReLU作為模型激活函數。

對不同的失活率進行訓練的測試，如圖6所示。

結果表明，隨機失活值與準確度呈負相關。

使用不同參數組合的LSTM神經網絡基于單臺電氣設備的連續負載數據進行識別實驗，如表2所示。

由表2的數據可知，當使用單層LSTM神經網絡進行識別測試時，一些具有相似負載特征的設備無法被順利識別出來。當使用多層LSTM神經網絡并使用ReLU激活函數進行識別時，由于ReLU激活函數能夠很好處理非線性分類問題，因此大大提高具有相似負載特征的電氣設備的識別精度。但是由于本次實驗的數據來自于低頻智能電表，無法長時間保持較高頻率對電氣設備的負載數據進行采集，因此仍然存在類似負載特征電氣設備的識別錯誤。為提高識別精度，實驗先后增加了隱含層數和訓練周期。當神隱含層數增加至12時，大部分電氣設備的識別率均高于50%。最后，當訓練周期數增為50時，識別誤差進一步變小，所有設備的識別率都高于50%。

4?總結

為了獲得工業設備的準確識別性能，本研究采用大數據處理方法對采集到的設備數據進行分析，并通過機器學習從這些數據中找出相關性。為了滿足電力負載數據采集低延遲、高精度的要求，采用邊緣計算結構提高了計算性能，采用多層LSTM模型作為分類器。通過參數整定策略訓練，分類結果良好，其中單臺設備連續數據識別的平均準確度為83.6%。

參考文獻

[1]?陳倩，齊林海，王紅.基于LSTM網絡的諧波多標簽分類[J].電力建設，2019，40（7）：101-106.

[2]?劉恒勇，劉永禮，鄧世聰.一種基于LSTM模型的電力負荷辨識方法[J].電測與儀表，2019，7（21）：1-8.

[3]?毛雪嬌，談健，姚穎蓓.基于長短期記憶神經網絡的飽和負荷預測方法及應用[J].水電能源科學，2019，37（6）：192-195.

[4]?蔡月明，封士永，杜紅衛.面向泛在電力物聯網的邊緣節點感知自適應數據處理方法[J].高電壓技術，2019，45（6）：1715-1722.

[5]?張洋，姬波，盧紅星.基于LSTM神經網絡的短期高壓負荷電流預測方法[J].計算機科學，2019，46（6）：49-54.

[6]?張桐赫，杜欣慧，王帥.一種基于核密度聚類的電力負荷模式精細化識別算法研究[J].數學的實踐與認識，2019，49（8）：155-164.

[7]?閆會玉，宋宏，鄭澤宇.面向電氣設備的工況識別和數據壓縮方法[J].計算機應用，2018，38（S2）：148-151.

[8]?江帆，楊洪耕.基于廣義回歸神經網絡的非侵入式負荷識別方法[J].電測與儀表，2019，7（21）：1-7.

[9]?孟亦凡，李敬兆，張梅.基于LSTM邊緣計算與隨機森林霧決策的礦工狀態監測設備[J].煤礦機械，2018，39（11）：144-148.

[10]?代杰杰，宋輝，盛戈皞.采用LSTM網絡的電力變壓器運行狀態預測方法研究[J].高電壓技術，2018，44（4）：1099-1106.

[11]?晉遠，孫紅三，葉紫.基于大數據Bayes分類的家電設備識別算法[J].建筑科學，2017，33（4）：31-38.

[12]?肖清旺，王錦華，朱易翔.物聯網智能終端設備識別方法[J].電信科學，2017，33（2）：3-8.

[13]?楊甲甲，趙俊華，文福拴.智能電網環境下基于大數據挖掘的居民負荷設備識別與負荷建模[J].電力建設，2016，37（12）：11-23.

[14]?劉廣一，朱文東，陳金祥.智能電網大數據的特點、應用場景與分析平臺[J].南方電網技術，2016，10（5）：102-110.

[15]?李志強，高大兵，蘇盛.基于大數據的智能電表入侵檢測方法[J].電力科學與技術學報，2016，31（1）：121-126.

（收稿日期：2019.09.03）