學(xué)生宿舍違規(guī)電器監(jiān)控系統(tǒng)設(shè)計(jì)

劉揚(yáng)　張朝霞　盧允杰

摘? 要：針對學(xué)生宿舍用電安全問題，文章提出一種基于智能電表的宿舍用電器監(jiān)控系統(tǒng)。系統(tǒng)分為智能電表和后臺監(jiān)控平臺兩個(gè)部分。通過智能電表完成用電器特征數(shù)據(jù)的采集與處理，通過4G模塊將采集到的數(shù)據(jù)上傳至后臺監(jiān)控平臺進(jìn)行分析處理。構(gòu)建BP神經(jīng)網(wǎng)絡(luò)用電器識別系統(tǒng)，實(shí)現(xiàn)在線數(shù)據(jù)采集與監(jiān)控，降低學(xué)生宿舍因用電設(shè)備短路、過載等問題而導(dǎo)致電氣事故發(fā)生的概率，提高高校后勤對學(xué)生宿舍用電安全的管理效率。

關(guān)鍵詞：數(shù)據(jù)處理;BP神經(jīng)網(wǎng)絡(luò);智能電表;在線監(jiān)測

中圖分類號：TP29? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識碼：A文章編號：2096-4706（2021）20-0001-06

Design of Monitoring System for Illegal Electrical Appliance in

Student Dormitory

LIU Yang ZHANG Chaoxia LU Yunjie

（1.School of Mechatronic Engineering and Automation， Foshan University， Foshan? 528225， China; 2.Guangdong Haodi Innovation Technology Co.， Ltd.， Foshan? 528000， China）

Abstract： Aiming at the problem of electricity safety in students' dormitory， this paper proposes a dormitory electrical appliance monitoring system based on intelligent electricity meter. The system is divided into two parts： intelligent electricity meter and background monitoring platform. Complete the collection and processing of electrical appliance characteristic data through the intelligent electricity meter， and upload the collected data to the background monitoring platform for analysis and processing through the 4G module. The BP neural network electrical appliance identification system is constructed to realize online data acquisition and monitoring， reduce the probability of electrical accidents caused by short circuit and overload of electric equipments in student dormitories， and improve the management efficiency of University logistics for electricity safety in student dormitories.

Keywords： data processing; BP neural network; intelligent electricity meter; online monitoring

0? 引? 言

隨著科技的發(fā)展和人民生活水平的提高，學(xué)生宿舍里的電子產(chǎn)品和大功率違規(guī)電器也越來越多，一旦發(fā)生電力火災(zāi)不但會造成財(cái)產(chǎn)損失，還有可能造成人員傷亡[1，2]。2008年上海商學(xué)院的火災(zāi)事件震驚中外。由于學(xué)生違規(guī)使用“熱得快”燒水，忘記拔掉插頭，高溫導(dǎo)致電器故障，引發(fā)火災(zāi)。該宿舍內(nèi)4名女生為了躲避火災(zāi)的傷害，從6樓陽臺跳下，全部身亡。2020年9月13日凌晨，上海大學(xué)寶山校區(qū)3號宿舍發(fā)生火災(zāi)，所幸消防救援人員及時(shí)趕到將火撲滅，沒有造成人員傷亡。這些發(fā)生在高校學(xué)生宿舍的火災(zāi)一次次為校園安全用電防火敲響警鐘，目前高校選用的宿舍用電管理系統(tǒng)存在惡性負(fù)載識別率低、交互性差等問題，不能及時(shí)發(fā)現(xiàn)惡性負(fù)載的使用，對于學(xué)校允許使用的阻性負(fù)載也當(dāng)成惡性負(fù)載進(jìn)行斷電，增加了學(xué)生與宿管之間的矛盾[3-5]。在低成本高需求的情況下，采用智能電表完成用電器電力數(shù)據(jù)的采集與處理[6，7]，結(jié)合BP神經(jīng)網(wǎng)絡(luò)算法構(gòu)建用電器分類模型，MATLAB仿真結(jié)果表明，該方法對已學(xué)習(xí)的用電器具有較高的識別度，并對于多個(gè)用電器同時(shí)使用的復(fù)雜情況，也有較高的準(zhǔn)確率[8]。

1? 系統(tǒng)總體設(shè)計(jì)方案

系統(tǒng)由智能電表、后臺監(jiān)控平臺和用戶APP三部分構(gòu)成。智能電表作為數(shù)據(jù)采集終端，將采集到的數(shù)據(jù)通過4G模塊上傳至后臺監(jiān)控平臺，后臺監(jiān)控平臺進(jìn)一步分析處理所采集的數(shù)據(jù)，提取數(shù)據(jù)的負(fù)荷特征[9]。構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型對用電設(shè)備的負(fù)荷特征進(jìn)行訓(xùn)練，創(chuàng)建用電器識別特征庫。后臺監(jiān)控平臺實(shí)行24小時(shí)不間斷的在線監(jiān)測，發(fā)現(xiàn)某個(gè)學(xué)生在使用違規(guī)電器，則通過手機(jī)APP或微信公眾號推送給宿管人員，形成一套閉環(huán)的監(jiān)控系統(tǒng)。

智能電表選用具有32位Cotex-M0內(nèi)核處理器的HT6025作為控制模塊，包含2通道32位通用定時(shí)器，有五個(gè)串口、多達(dá)64個(gè)IO腳可供使用，集成看門狗、RTC等功能模塊;控制器完成數(shù)據(jù)采集與處理;電能計(jì)量模塊采集宿舍供電回路功率、電流信息[10];4G模塊負(fù)責(zé)智能電表與后臺監(jiān)控平臺之間的通信。當(dāng)發(fā)現(xiàn)有學(xué)生宿舍使用違規(guī)電器時(shí)，后臺監(jiān)控平臺立即將學(xué)生宿舍信息以及所使用的違規(guī)電器信息通過微信公眾號推送給宿管人員，避免電氣火災(zāi)的發(fā)生。圖1所示為智能電表硬件系統(tǒng)圖。

如圖2所示為非入侵式負(fù)荷識別框架圖，非入侵式負(fù)荷識別一般包括數(shù)據(jù)采集與處理、事件檢測、負(fù)荷特征提取、負(fù)荷識別[11]：

（1）數(shù)據(jù)采集與處理。非入侵式負(fù)荷識別的前提是要有真實(shí)有效的數(shù)據(jù)，本文以學(xué)生宿舍常用電器和大功率違規(guī)電器作為研究對象，通過智能電表采集用電器的功率、電壓、電流等電氣數(shù)據(jù)。本方法采用電流10次諧波作為用電器識別特征，數(shù)據(jù)采集過程中可能存在環(huán)境噪聲的干擾，需要對采集到的數(shù)據(jù)進(jìn)行降噪處理，減少噪聲對實(shí)驗(yàn)的影響[12]。

（2）事件檢測。對預(yù)處理后的數(shù)據(jù)進(jìn)行事件檢測，判斷是否有負(fù)荷投切。

（3）負(fù)荷特征提取。在檢測到電路中有用電器的投入或切出后，通過快速傅立葉變換的方法提取有效的負(fù)荷特征，本文提取的負(fù)荷特征是穩(wěn)態(tài)特征。

（4）負(fù)荷識別。將所提取的負(fù)荷特征與已經(jīng)建立的負(fù)荷特征庫進(jìn)行對比，進(jìn)而識別出負(fù)荷類型[13]。

2? 小波去噪與諧波提取

2.1? 小波去噪

在數(shù)據(jù)采集的過程中，由于用電器的不斷開啟與斷開、電流互感器本身存在的誤差或電網(wǎng)波動會使所采集的信號容易受噪聲信號的干擾而產(chǎn)生尖峰毛刺，使得采集的數(shù)據(jù)存在高斯白噪聲，影響負(fù)荷識別的準(zhǔn)確性，所以需要對采集的信號進(jìn)行降噪處理。

采用小波軟閾值去噪法，通過設(shè)立合適的閾值，提取有用信號，過濾噪聲。小波系數(shù)比閾值高判定為有用信號;小波系數(shù)比閾值低則判定為噪聲，進(jìn)行置零處理。最后對處理后的小波系數(shù)進(jìn)行逆變換，實(shí)現(xiàn)噪聲濾除，小波閾值去噪流程如圖3所示。

選用學(xué)生宿舍常見的電腦+飲水機(jī)+吹風(fēng)機(jī)+電動車電瓶的電流信號進(jìn)行去噪測試，采用基于MATLAB的小波軟閾值去噪法針對電流信號去噪效果進(jìn)行實(shí)驗(yàn)驗(yàn)證，小波基選用sym6，分解層數(shù)為3，進(jìn)行電流去噪前后的電流信號波形對比，如圖4所示。

由MATLAB仿真結(jié)果可知，小波閾值法去噪效果很好，剔除了噪聲，保留了有用信號，為用電器分類識別提供了基礎(chǔ)。

2.2? 諧波提取

2.2.1? 波形分離算法

波形分離算法的作用是將原始波形數(shù)據(jù)中所包含的各個(gè)用電器的疊加波形進(jìn)行分離，得到用電器各自的波形。該算法的輸入是多組用電器疊加波形，每個(gè)組合中可能只有單個(gè)用電器或者包含多個(gè)用電器同時(shí)使用，并且要求不同用電器疊加組合以具有足夠的豐富性，保證這個(gè)問題在理論上是可解的。例如：假設(shè)同一個(gè)房間內(nèi)在不同時(shí)間段使用的單個(gè)或者多個(gè)用電器組合是不一樣的，采集某房間多個(gè)不同時(shí)間段的疊加波形，作為算法輸入。在理想的情況下，波形分離算法可以識別出每一個(gè)疊加波形包含有哪些用電器。

2.2.2? 算法思路

分離單一時(shí)間段內(nèi)的疊加波形是一個(gè)十分困難的問題。但是如果有同一房間的很多不同時(shí)間段的疊加波形，它們都來源于這個(gè)房間中有限的幾種用電器，那么該問題在理論上就會變得可解，可以描述為：

已知某環(huán)境下的用電器數(shù)量小于或等于n，每一個(gè)用電器有一個(gè)對應(yīng)的波形，則它們互不相同?，F(xiàn)給定k個(gè)用電器的疊加波形，其中每個(gè)疊加波形可能是n個(gè)用電器中的任意幾個(gè)波形的疊加。目標(biāo)是求解出其中所有用電器的波形，以及k個(gè)疊加波形分別是哪些用電器波形的疊加。

具體步驟為：

步驟1：采集電路中所需的電流數(shù)據(jù)。

步驟2：對采集的數(shù)據(jù)預(yù)處理。

步驟3：通過快速傅立葉變換計(jì)算導(dǎo)入電流信號的前10項(xiàng)奇次諧波系數(shù)，并將其存儲在特征矩陣中：

3? BP神經(jīng)網(wǎng)絡(luò)識別模型

3.1? BP神經(jīng)網(wǎng)絡(luò)原理

人工神經(jīng)網(wǎng)絡(luò)是一種模擬動物神經(jīng)網(wǎng)絡(luò)的行為特征，執(zhí)行分布式和并行信息處理算法的數(shù)學(xué)模型。其中BP神經(jīng)網(wǎng)絡(luò)也是一種人工神經(jīng)網(wǎng)絡(luò)，BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)簡單，在面臨大多數(shù)問題時(shí)效率穩(wěn)定，已成為最通用的網(wǎng)絡(luò)之一。網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖6所示。

3.2? BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)過程

BP神經(jīng)網(wǎng)絡(luò)算法在神經(jīng)網(wǎng)絡(luò)算法和梯度下降法的基礎(chǔ)上，調(diào)節(jié)網(wǎng)絡(luò)的權(quán)值和閾值，降低了獲得輸出的誤差，利用網(wǎng)絡(luò)記憶訓(xùn)練和學(xué)習(xí)收斂，使網(wǎng)絡(luò)訓(xùn)練誤差逐漸逼近目標(biāo)誤差，提高了算法輸出值與期望值的接近程度，BP神經(jīng)網(wǎng)絡(luò)記憶訓(xùn)練和學(xué)習(xí)收斂過程如圖7所示。

借助于新的樣本信息對BP神經(jīng)網(wǎng)絡(luò)展開循環(huán)訓(xùn)練工作，循環(huán)到步驟3，直到完成數(shù)據(jù)庫中m組樣本的訓(xùn)練，持續(xù)輸入訓(xùn)練樣本并執(zhí)行步驟3，最終得到的網(wǎng)絡(luò)全局誤差E在達(dá)到目標(biāo)誤差范圍之內(nèi)，完成網(wǎng)絡(luò)的收斂訓(xùn)練。

利用三層的BP神經(jīng)網(wǎng)絡(luò)分析記憶訓(xùn)練和學(xué)習(xí)收斂的具體實(shí)現(xiàn)，對整個(gè)網(wǎng)絡(luò)進(jìn)行初始化，利用新的樣本數(shù)據(jù)對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行重復(fù)訓(xùn)練，直到完成數(shù)據(jù)庫中m組樣本的訓(xùn)練，一直重復(fù)不斷地輸入訓(xùn)練樣本，最終得到的網(wǎng)絡(luò)全局誤差E在目標(biāo)誤差范圍之內(nèi)，完成網(wǎng)絡(luò)的收斂訓(xùn)練。使用MATLAB建立模型，從用電器特征庫中導(dǎo)入相關(guān)數(shù)據(jù)集，不斷調(diào)節(jié)參數(shù)以選出最優(yōu)參數(shù)組合。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖8所示。

4? 負(fù)荷識別仿真與結(jié)果分析

選取電腦、吹風(fēng)機(jī)、取暖器、飲水機(jī)、手機(jī)、電飯煲、洗衣機(jī)、熱水壺、小風(fēng)扇，9種用電器及其混合組合共15種數(shù)據(jù)樣本進(jìn)行訓(xùn)練。依次將上述電器單獨(dú)或混合插到插排上，智能電表進(jìn)行數(shù)據(jù)采集與處理，將數(shù)據(jù)傳輸?shù)胶笈_監(jiān)控平臺進(jìn)行網(wǎng)絡(luò)訓(xùn)練，保存訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)識別模型，測試時(shí)，將一組測試數(shù)據(jù)輸入系統(tǒng)，系統(tǒng)會自動識別出是何種用電器。15種用電器使用情況下系統(tǒng)的識別準(zhǔn)確度如表1所示。

由表1可知，系統(tǒng)能精準(zhǔn)識別單個(gè)用電器，即使是在多種用電器混合使用時(shí)，系統(tǒng)的識別率也比較高，在用電環(huán)境相對簡單的學(xué)生宿舍非常適用。

使用混淆矩陣來評定BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的性能。在監(jiān)督學(xué)習(xí)中混淆矩陣為方陣，是一種可視化工具，主要用來比較分類結(jié)果與實(shí)際值的差別，混淆矩陣中的列代表預(yù)測類別，行代表數(shù)據(jù)的真實(shí)歸屬類別，主對角線代表模型預(yù)測與標(biāo)簽一致的數(shù)目。所以主對角線上的數(shù)字越大，代表算法模型的預(yù)測結(jié)果越好，而混淆矩陣主對角線以外的值則越小越好。因此通過混淆矩陣我們可以清楚地知道算法模型的準(zhǔn)確率[15]。圖9為15種用電環(huán)境下的混淆矩陣。

使用訓(xùn)練數(shù)據(jù)對分類網(wǎng)絡(luò)進(jìn)行訓(xùn)練，根據(jù)訓(xùn)練的效果不斷地對參數(shù)進(jìn)行優(yōu)化，最后獲得訓(xùn)練后的分類系統(tǒng)，測試結(jié)果如圖10所示。

由MATLAB仿真結(jié)果可知，基于BP神經(jīng)網(wǎng)絡(luò)的用電器分類模型，在各種復(fù)雜用電情況下可以精準(zhǔn)識別出用電器類型，在低成本高需求的學(xué)生宿舍用電環(huán)境中尤為適用。

5? 結(jié)? 論

結(jié)合學(xué)生宿舍電能管理的特點(diǎn)和需求，對學(xué)生宿舍的用電設(shè)備進(jìn)行研究，能夠及時(shí)發(fā)現(xiàn)違規(guī)大功率用電設(shè)備的接入，降低學(xué)生宿舍因用電設(shè)備短路、過載而導(dǎo)致用電事故發(fā)生的概率，提高高校后勤對學(xué)生宿舍用電安全的管理效率。本文通過智能電表采集用電器的電流數(shù)據(jù)并進(jìn)行預(yù)處理，提取電流諧波作為識別特征，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)用電器分類識別模型，能夠較好地識別學(xué)生宿舍、企事業(yè)單位公寓等環(huán)境中的用電器使用情況。選用智能電表作為采集計(jì)量終端，可以降低硬件配置成本，具有實(shí)際應(yīng)用價(jià)值。

參考文獻(xiàn)：

[1] 戴彪.基于高校宿舍區(qū)域突發(fā)事件人員疏散的仿真與方法研究 [D].太原：中北大學(xué)，2017.

[2] 李娟.高校學(xué)生宿舍用電管理系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn) [D].石家莊：河北科技大學(xué)，2015.

[3] 張春健.非侵入式家居電器負(fù)荷識別方法研究及應(yīng)用 [D].濟(jì)南：山東大學(xué)，2021.

[4] 張臣國.小波分析在信號降噪中的應(yīng)用研究 [D].成都：電子科技大學(xué)，2012.

[5] 程春雨，劉正龍，顏科宇，等.基于BP神經(jīng)網(wǎng)絡(luò)的用電器識別系統(tǒng)設(shè)計(jì) [J].實(shí)驗(yàn)科學(xué)與技術(shù)，2021，19（2）：11-16.

[6] 李如意，黃明山，周東國，等.基于粒子群算法搜索的非侵入式電力負(fù)荷分解方法 [J].電力系統(tǒng)保護(hù)與控制，2016，44（8）：30-36.

[7] 劉忠輝，蔡高琰，梁炳基，等.基于電力數(shù)據(jù)分析的污染物排放監(jiān)測方法研究 [J].信息技術(shù)與網(wǎng)絡(luò)安全，2021，40（2）：52-55+73.

[8] 梅凱.基于智能電表的非侵入式用電量分項(xiàng)計(jì)量系統(tǒng)設(shè)計(jì) [D].廣州：廣東工業(yè)大學(xué)，2020.

[9] 呂成亮.基于OBD專有協(xié)議芯片的汽車數(shù)據(jù)采集系統(tǒng)的設(shè)計(jì) [D].長沙：湖南大學(xué)，2017.

[10] 彭團(tuán)結(jié)，孫旭東，任澤斌，等.宿舍樓大功率電器監(jiān)控與智能管理系統(tǒng)設(shè)計(jì) [J].科技創(chuàng)新與應(yīng)用，2020（16）：92-93.

[11] 張濤.非侵入式家用電器負(fù)荷監(jiān)測技術(shù)研究 [D].西安：西安電子科技大學(xué)，2020.

[12] 梅凱，蔡高琰，駱德漢，等.基于智能電表的電器用電量分類計(jì)量方法研究 [J].信息技術(shù)與網(wǎng)絡(luò)安全，2020，39（2）：62-68.

[13] 田潔.基于用戶行為分析的非侵入式家庭負(fù)荷分解研究 [D].北京：華北電力大學(xué)（北京），2019.

[14] 談曉成，吳新開，李忠.超聲回波信號的多閾值分段去噪方法研究 [J].微型機(jī)與應(yīng)用，2015，34（9）：71-74.

[15] 王垚.基于人工神經(jīng)網(wǎng)絡(luò)的人臉識別技術(shù)研究及應(yīng)用 [D].西安：西安石油大學(xué)，2015.

作者簡介：劉揚(yáng)（1996—），男，漢族，安徽淮南人，碩士研究生在讀，主要研究方向：非線性系統(tǒng)理論與多功能物聯(lián)網(wǎng)電表研究;

張朝霞（1976—），女，漢族，廣東佛山人，副教授，博士，主要研究方向：非線性系統(tǒng)等方面的教學(xué)與研究;

盧允杰（1980—），男，漢族，廣東佛山人，硬件工程師，本科，主要研究方向：物聯(lián)網(wǎng)通信技術(shù)、多功能電表研究。