張春萌 關(guān)艷

摘 要：為了實(shí)現(xiàn)對(duì)工業(yè)設(shè)備負(fù)荷的大數(shù)據(jù)識(shí)別，采用低壓智能電表和長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）構(gòu)建一個(gè)非侵入式工業(yè)設(shè)備負(fù)載監(jiān)測(cè)系統(tǒng)，通過智能電表所采集的電力負(fù)荷大數(shù)據(jù)實(shí)現(xiàn)對(duì)工業(yè)設(shè)備的智能標(biāo)識(shí)。具有實(shí)用性、價(jià)格合理優(yōu)勢(shì)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(shí)設(shè)備類別。所構(gòu)建的監(jiān)測(cè)系統(tǒng)中采用了邊緣計(jì)算技術(shù)用于實(shí)現(xiàn)并行計(jì)算以提高設(shè)備識(shí)別的效率。實(shí)驗(yàn)證明，結(jié)果參數(shù)調(diào)優(yōu)后，該模型的單個(gè)電氣設(shè)備連續(xù)數(shù)據(jù)的平均識(shí)別率可達(dá)到83.6%。

關(guān)鍵詞：大數(shù)據(jù);設(shè)備識(shí)別;邊緣計(jì)算;非侵入性負(fù)載監(jiān)測(cè);智能電表

中圖分類號(hào)：TP391

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：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(shí)別制造業(yè)企業(yè)中的工業(yè)設(shè)備類型，對(duì)提高負(fù)荷預(yù)測(cè)的精度、優(yōu)化電網(wǎng)運(yùn)行效率，具有重要意義[1-2]。目前的電氣設(shè)備識(shí)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(gè)電氣設(shè)備都配備一個(gè)傳感器，這種方法雖然準(zhǔn)確度高但是實(shí)施成本也很高[5]。非侵入式監(jiān)測(cè)則利用對(duì)所采集的負(fù)載大數(shù)據(jù)進(jìn)行分析實(shí)現(xiàn)對(duì)當(dāng)前運(yùn)行電氣設(shè)備的識(shí)別。這種方法雖然實(shí)施成本相對(duì)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(duì)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(jì)算單元支撐大量計(jì)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(shí)用。文獻(xiàn)[8]通過KNN對(duì)負(fù)載特征值之間的差異進(jìn)行分類，以實(shí)現(xiàn)電氣設(shè)備識(shí)別。雖然該方法可以快速地對(duì)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(shí)，很可能導(dǎo)致識(shí)別錯(cuò)誤。

因此，本研究采用LSTM人工神經(jīng)網(wǎng)絡(luò)[9]對(duì)電氣設(shè)備的負(fù)載大數(shù)據(jù)進(jìn)行出來以實(shí)現(xiàn)不同類別電氣設(shè)備的非侵入式識(shí)別。此外本研究還將邊緣計(jì)算[10]、云計(jì)算[11]引入LSTM人工神經(jīng)網(wǎng)絡(luò)以提高算法的整體計(jì)算性能。最后通過實(shí)驗(yàn)對(duì)所提解決方案的電氣設(shè)備識(shí)別準(zhǔn)確性進(jìn)行驗(yàn)證。

1?系統(tǒng)原理與設(shè)計(jì)

基于LSTM神經(jīng)網(wǎng)絡(luò)的工業(yè)設(shè)備識(shí)別模型的五個(gè)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(yùn)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(shí)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(kù)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(gè)步驟。數(shù)據(jù)預(yù)處理階段的數(shù)據(jù)計(jì)算量較大，因此數(shù)據(jù)會(huì)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(jì)算效率。

在本研究中，為了驗(yàn)證人工神經(jīng)網(wǎng)絡(luò)模型能夠識(shí)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(yàn)證所設(shè)計(jì)的識(shí)別模型。

數(shù)據(jù)處理的目的是為了避免將錯(cuò)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(cuò)誤，在使用前應(yīng)對(duì)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(gè)功能值為零，則直接刪除數(shù)據(jù)。對(duì)于差異過大的數(shù)據(jù)，計(jì)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(jì)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(jì)算，本研究?jī)H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(shí)，誤差大于1;當(dāng)學(xué)習(xí)速率為10-3時(shí)，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(shí)，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(shí)驗(yàn)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(píng)估輸入值是否大于0，并且不需要復(fù)雜的指數(shù)運(yùn)算，因此選擇ReLU作為模型激活函數(shù)。

對(duì)不同的失活率進(jìn)行訓(xùn)練的測(cè)試，如圖6所示。

結(jié)果表明，隨機(jī)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(tái)電氣設(shè)備的連續(xù)負(fù)載數(shù)據(jù)進(jìn)行識(shí)別實(shí)驗(yàn)，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(shí)別測(cè)試時(shí)，一些具有相似負(fù)載特征的設(shè)備無(wú)法被順利識(shí)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(shí)別時(shí)，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(shí)別精度。但是由于本次實(shí)驗(yàn)的數(shù)據(jù)來自于低頻智能電表，無(wú)法長(zhǎng)時(shí)間保持較高頻率對(duì)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(shí)別錯(cuò)誤。為提高識(shí)別精度，實(shí)驗(yàn)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(shí)，大部分電氣設(shè)備的識(shí)別率均高于50%。最后，當(dāng)訓(xùn)練周期數(shù)增為50時(shí)，識(shí)別誤差進(jìn)一步變小，所有設(shè)備的識(shí)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(shí)別性能，本研究采用大數(shù)據(jù)處理方法對(duì)采集到的設(shè)備數(shù)據(jù)進(jìn)行分析，并通過機(jī)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(jì)算結(jié)構(gòu)提高了計(jì)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(tái)設(shè)備連續(xù)數(shù)據(jù)識(shí)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(shí)方法[J].電測(cè)與儀表，2019，7（21）：1-8.

[3]?毛雪嬌，談健，姚穎蓓.基于長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的飽和負(fù)荷預(yù)測(cè)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(diǎn)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(cè)方法[J].計(jì)算機(jī)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(shí)別算法研究[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2019，49（8）：155-164.

[7]?閆會(huì)玉，宋宏，鄭澤宇.面向電氣設(shè)備的工況識(shí)別和數(shù)據(jù)壓縮方法[J].計(jì)算機(jī)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(shí)別方法[J].電測(cè)與儀表，2019，7（21）：1-7.

[9]?孟亦凡，李敬兆，張梅.基于LSTM邊緣計(jì)算與隨機(jī)森林霧決策的礦工狀態(tài)監(jiān)測(cè)設(shè)備[J].煤礦機(jī)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(yùn)行狀態(tài)預(yù)測(cè)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(shí)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(shí)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(shí)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(diǎn)、應(yīng)用場(chǎng)景與分析平臺(tái)[J].南方電網(wǎng)技術(shù)，2016，10（5）：102-110.

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

（收稿日期：2019.09.03）