邱波
贺州市检验检测中心 广西贺州 542800
摘要:随着我国电力物联网不断的发展,智能预付费电表取代了传统的电能表,已广泛应用于商业小区、居民住宅等地方。据统计,目前我国智能电网已接入4.9亿只智能电能表,覆盖率高达99%以上。智能预付费电表具有便捷、可远程控制,可网上缴费等优点,是未来智能化电表范畴重要智能化终端,对打造智能电网具有重要意义。
关键词:智能电表;工业设备;大数据识别
引言
随着我国社会建设水平的提升,各行各业在生产过程中对于电能的需求也逐渐增加,人们在日常生活中也对电能的供应提出了更高的要求。在传统的电能供应模式中,电能表作为电量使用情况的计量设备,虽然经过技术升级等一系列措施,计量表的准确性逐渐提升。在应用智能电能表的过程中,一旦表出现故障,用户的用电情况就不能得到准确采集,不仅有可能损害到电力企业和用户的利益,还有可能让电力系统的正常运转遇到阻碍。在这种情况下,电力企业应当对智能电能表的使用进行严格管理,同时对计量故障提高重视,采取科学的方法加以解决和预防。
1智能电表功能
(1)电能检测功能。该功能是电表系统的核心功能,系统将设计数字式电路来实现对电能的检测功能。采用数字式器件来对电能进行检测时,可以将数据实时传输给外部器件,由外部器件分析这些数据。
(2)电能显示功能。电能显示模块显示用户的实际用电数据,这样用户可以方便地观察到自己的用电数据,并在用电不合理时及时提出自己的疑问。
(3)电能数据存储功能。存储模块存储电能数据,电能数据每分钟更新一次,这样如果发生电表故障,也只会丢失1分钟之内的用户用电数据,不会造成明显的影响。
(4)电能数据批量上传功能。设计了中央采集器对多个用户的用电数据进行采集,这些采集到的数据将被组织成合适的数据结构,由采集器发送给供电公司。通过采用数据批量传输的方式,可以避免端到端数据传输时可能发生的网络抖动、服务器宕机的问题。
2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。
2.1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。
2.2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。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。
2.3建模阶段
本研究使用LSTM进行建模。该模型有三层,包括输入层、隐含层和输出层。
最后,定义了损失函数来计算模型训练后的预测与实际模型之间的差距,并利用优化算法来调整每个神经单元的权重和偏差。从而使训练后的预测损失值最小化,提高了预测能力。在建模阶段,参数训练需要大量计算资源。因此,本研究在云服务器搭建LSTM模型,利用云服务器的分布式计算来保证模型的计算性能。
2.4模型训练阶段
建模完成后,启动机器学习环境,开始模型训练和测试。在模型训练阶段,采用训练数据集和反向传播算法对模型进行正向和反向计算。正向计算使用模型的权值(重)和偏差来确定输入数据的预测结果。反向计算调整模型的权重和偏差,在此过程中观察误差值是否不断减小。如果收敛在一定范围内,则模型可以确定最优解。反之,如果数据或模型存在差异,则可能存在误差,因此应暂停训练,重新调整模型或检查训练数据。当训练阶段结束时,将测试数据集用于模型的正向计算以获得预测结果,并评估预测结果是否满足要求。为了获得更好的预测能力,请返回上一阶段的参数调整,并重复训练和测试,直到找到最佳组合。最后,整合了不同计算过程的参数训练结果。
3参数调优策略
本研究的参数调优策略分为两个阶段。第一阶段收敛参数调优。第二阶段模型参数优化调整。以下对这两个阶段的详细流程进行介绍。
第一阶段的学习速率调整策略是:如果训练结果不能收敛,则学习速率可能会减小;当学习速率小于阈值lr时,如果收敛失败,表明单层神经元无法获得正确结果,因此应增加神经元层数;如果增加层数后收敛仍然失败,则模型需要更多的训练周期;如果经过50个训练周期后仍然不收敛,则使用其他神经元类或组合方法重新设计模型。
第二阶段的模型参数优化调整主要是选择合适的激活函数和合适的隐含层节点数来求解人工神经网络的非线性问题。首先是增加隐含层的数量,然后检查训练结果是否存在过度拟合。如果存在,则设置数据随机失活为0.5,然后检查结果是否比上次好,重复以上过程,直到下一个层数更多的模型没有得到更好的结果。为了避免遗漏更好的结果,对多于五个隐含层的训练结果进行了重复检查,直到找到最优模型为止。对于前六个最优模型,将训练周期增加到10个,使所有模型都能收敛。最后,从六个模型中选择精度最高的模型。随后将训练周期增加到50个,确定较小的误差值。至此所得模型应该是最佳模型。
4结果分析
结果表明,随机失活值与准确度呈负相关。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,当训练周期数增为50时,识别误差进一步变小,所有设备的识别率都高于50%。
结语
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]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.