張春萌 關(guān)艷

摘 要：為了實現(xiàn)對工業(yè)設(shè)備負(fù)荷的大數(shù)據(jù)識別，采用低壓智能電表和長短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）構(gòu)建一個非侵入式工業(yè)設(shè)備負(fù)載監(jiān)測系統(tǒng)，通過智能電表所采集的電力負(fù)荷大數(shù)據(jù)實現(xiàn)對工業(yè)設(shè)備的智能標(biāo)識。具有實用性、價格合理優(yōu)勢的低壓智能電表被用于采集負(fù)載數(shù)據(jù)。LSTM神經(jīng)網(wǎng)絡(luò)用于處理電力負(fù)載數(shù)據(jù)，標(biāo)識設(shè)備類別。所構(gòu)建的監(jiān)測系統(tǒng)中采用了邊緣計算技術(shù)用于實現(xiàn)并行計算以提高設(shè)備識別的效率。實驗證明，結(jié)果參數(shù)調(diào)優(yōu)后，該模型的單個電氣設(shè)備連續(xù)數(shù)據(jù)的平均識別率可達(dá)到83.6%。

關(guān)鍵詞：大數(shù)據(jù);設(shè)備識別;邊緣計算;非侵入性負(fù)載監(jiān)測;智能電表

中圖分類號：TP391

文獻(xiàn)標(biāo)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(zhǔn)確識別制造業(yè)企業(yè)中的工業(yè)設(shè)備類型，對提高負(fù)荷預(yù)測的精度、優(yōu)化電網(wǎng)運行效率，具有重要意義[1-2]。目前的電氣設(shè)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(shè)備都配備一個傳感器，這種方法雖然準(zhǔn)確度高但是實施成本也很高[5]。非侵入式監(jiān)測則利用對所采集的負(fù)載大數(shù)據(jù)進(jìn)行分析實現(xiàn)對當(dāng)前運行電氣設(shè)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(zhǔn)確率相對也較低[6]。文獻(xiàn)[7]使用遞歸神經(jīng)網(wǎng)絡(luò)（RNN）進(jìn)行設(shè)備負(fù)載的大數(shù)據(jù)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(jīng)網(wǎng)絡(luò)在反向傳播過程中很可能發(fā)生梯度消失，這使得RNN難以滿足實用。文獻(xiàn)[8]通過KNN對負(fù)載特征值之間的差異進(jìn)行分類，以實現(xiàn)電氣設(shè)備識別。雖然該方法可以快速地對電力設(shè)備進(jìn)行分類，但在根據(jù)數(shù)據(jù)的特征值接近時，很可能導(dǎo)致識別錯誤。

因此，本研究采用LSTM人工神經(jīng)網(wǎng)絡(luò)[9]對電氣設(shè)備的負(fù)載大數(shù)據(jù)進(jìn)行出來以實現(xiàn)不同類別電氣設(shè)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(jīng)網(wǎng)絡(luò)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(shè)備識別準(zhǔn)確性進(jìn)行驗證。

1?系統(tǒng)原理與設(shè)計

基于LSTM神經(jīng)網(wǎng)絡(luò)的工業(yè)設(shè)備識別模型的五個主要階段是數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、建立訓(xùn)練模型、參數(shù)優(yōu)化以及模型訓(xùn)練。

1.1?數(shù)據(jù)采集階段

數(shù)據(jù)采集階段在智能電表中運行，也稱為電力數(shù)據(jù)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(shù)據(jù)（如電壓與電流）。在一段時間內(nèi)，從物聯(lián)網(wǎng)技術(shù)中采集不同的設(shè)備數(shù)據(jù)，并導(dǎo)入數(shù)據(jù)庫進(jìn)行分析。

1.2?數(shù)據(jù)預(yù)處理階段

數(shù)據(jù)預(yù)處理階段包括設(shè)備選擇、數(shù)據(jù)清除和特征選擇三個步驟。數(shù)據(jù)預(yù)處理階段的數(shù)據(jù)計算量較大，因此數(shù)據(jù)會被分配至邊緣服務(wù)器進(jìn)行數(shù)據(jù)并行預(yù)處理，以提高計算效率。

在本研究中，為了驗證人工神經(jīng)網(wǎng)絡(luò)模型能夠識別不同的設(shè)備，將特意選擇具有相似特性的電氣設(shè)備以及截然不同特性的設(shè)備，以驗證所設(shè)計的識別模型。

數(shù)據(jù)處理的目的是為了避免將錯誤數(shù)據(jù)導(dǎo)入到訓(xùn)練模型中，導(dǎo)致訓(xùn)練結(jié)果出現(xiàn)錯誤，在使用前應(yīng)對明顯不正確、差異過大或0的數(shù)據(jù)進(jìn)行處理。如果設(shè)備數(shù)據(jù)的任何一個功能值為零，則直接刪除數(shù)據(jù)。對于差異過大的數(shù)據(jù)，計算特征值χ的平均值（χ）和標(biāo)準(zhǔn)偏差σ，要保留的數(shù)據(jù)按（1）計算，如式（1）。

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

當(dāng)學(xué)習(xí)速率在10-1～10-2內(nèi)時，誤差大于1;當(dāng)學(xué)習(xí)速率為10-3時，誤差值存在局部最小值;最后，當(dāng)學(xué)習(xí)速率為10-4～10-6時，誤差值出現(xiàn)全局最小值。確定學(xué)習(xí)速率為10-4～10-6。

隨后實驗基于不同激活函數(shù)進(jìn)行模型參數(shù)訓(xùn)練，如圖5所示。

由圖可知，ReLU訓(xùn)練精度最優(yōu)，且該函數(shù)只需要評估輸入值是否大于0，并且不需要復(fù)雜的指數(shù)運算，因此選擇ReLU作為模型激活函數(shù)。

對不同的失活率進(jìn)行訓(xùn)練的測試，如圖6所示。

結(jié)果表明，隨機失活值與準(zhǔn)確度呈負(fù)相關(guān)。

使用不同參數(shù)組合的LSTM神經(jīng)網(wǎng)絡(luò)基于單臺電氣設(shè)備的連續(xù)負(fù)載數(shù)據(jù)進(jìn)行識別實驗，如表2所示。

由表2的數(shù)據(jù)可知，當(dāng)使用單層LSTM神經(jīng)網(wǎng)絡(luò)進(jìn)行識別測試時，一些具有相似負(fù)載特征的設(shè)備無法被順利識別出來。當(dāng)使用多層LSTM神經(jīng)網(wǎng)絡(luò)并使用ReLU激活函數(shù)進(jìn)行識別時，由于ReLU激活函數(shù)能夠很好處理非線性分類問題，因此大大提高具有相似負(fù)載特征的電氣設(shè)備的識別精度。但是由于本次實驗的數(shù)據(jù)來自于低頻智能電表，無法長時間保持較高頻率對電氣設(shè)備的負(fù)載數(shù)據(jù)進(jìn)行采集，因此仍然存在類似負(fù)載特征電氣設(shè)備的識別錯誤。為提高識別精度，實驗先后增加了隱含層數(shù)和訓(xùn)練周期。當(dāng)神隱含層數(shù)增加至12時，大部分電氣設(shè)備的識別率均高于50%。最后，當(dāng)訓(xùn)練周期數(shù)增為50時，識別誤差進(jìn)一步變小，所有設(shè)備的識別率都高于50%。

4?總結(jié)

為了獲得工業(yè)設(shè)備的準(zhǔn)確識別性能，本研究采用大數(shù)據(jù)處理方法對采集到的設(shè)備數(shù)據(jù)進(jìn)行分析，并通過機器學(xué)習(xí)從這些數(shù)據(jù)中找出相關(guān)性。為了滿足電力負(fù)載數(shù)據(jù)采集低延遲、高精度的要求，采用邊緣計算結(jié)構(gòu)提高了計算性能，采用多層LSTM模型作為分類器。通過參數(shù)整定策略訓(xùn)練，分類結(jié)果良好，其中單臺設(shè)備連續(xù)數(shù)據(jù)識別的平均準(zhǔn)確度為83.6%。

參考文獻(xiàn)

[1]?陳倩，齊林海，王紅.基于LSTM網(wǎng)絡(luò)的諧波多標(biāo)簽分類[J].電力建設(shè)，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(fù)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(jīng)網(wǎng)絡(luò)的飽和負(fù)荷預(yù)測方法及應(yīng)用[J].水電能源科學(xué)，2019，37（6）：192-195.

[4]?蔡月明，封士永，杜紅衛(wèi).面向泛在電力物聯(lián)網(wǎng)的邊緣節(jié)點感知自適應(yīng)數(shù)據(jù)處理方法[J].高電壓技術(shù)，2019，45（6）：1715-1722.

[5]?張洋，姬波，盧紅星.基于LSTM神經(jīng)網(wǎng)絡(luò)的短期高壓負(fù)荷電流預(yù)測方法[J].計算機科學(xué)，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(fù)荷模式精細(xì)化識別算法研究[J].數(shù)學(xué)的實踐與認(rèn)識，2019，49（8）：155-164.

[7]?閆會玉，宋宏，鄭澤宇.面向電氣設(shè)備的工況識別和數(shù)據(jù)壓縮方法[J].計算機應(yīng)用，2018，38（S2）：148-151.

[8]?江帆，楊洪耕.基于廣義回歸神經(jīng)網(wǎng)絡(luò)的非侵入式負(fù)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(tài)監(jiān)測設(shè)備[J].煤礦機械，2018，39（11）：144-148.

[10]?代杰杰，宋輝，盛戈皞.采用LSTM網(wǎng)絡(luò)的電力變壓器運行狀態(tài)預(yù)測方法研究[J].高電壓技術(shù)，2018，44（4）：1099-1106.

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

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

[13]?楊甲甲，趙俊華，文福拴.智能電網(wǎng)環(huán)境下基于大數(shù)據(jù)挖掘的居民負(fù)荷設(shè)備識別與負(fù)荷建模[J].電力建設(shè)，2016，37（12）：11-23.

[14]?劉廣一，朱文東，陳金祥.智能電網(wǎng)大數(shù)據(jù)的特點、應(yīng)用場景與分析平臺[J].南方電網(wǎng)技術(shù)，2016，10（5）：102-110.

[15]?李志強，高大兵，蘇盛.基于大數(shù)據(jù)的智能電表入侵檢測方法[J].電力科學(xué)與技術(shù)學(xué)報，2016，31（1）：121-126.

（收稿日期：2019.09.03）