基于BP神經(jīng)網(wǎng)絡(luò)的用電器分類識別技術(shù)的研究

朱桂川，周 磊

(杭州電子科技大學(xué)微電子 CAD研究所，浙江 杭州 310018)

?

基于BP神經(jīng)網(wǎng)絡(luò)的用電器分類識別技術(shù)的研究

朱桂川，周 磊

(杭州電子科技大學(xué)微電子 CAD研究所，浙江 杭州 310018)

針對樣本與待測電器特征值的歐式距離分類方式在電器識別分類中的局限性，提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的分類方法.以電流波形的15次諧波系數(shù)作為系統(tǒng)的輸入，通過樣本數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練獲得分類網(wǎng)絡(luò)，實(shí)現(xiàn)對負(fù)載的分類識別.通過實(shí)驗(yàn)和應(yīng)用證明，對用電器能進(jìn)行有效分類，對于容性和感性等非線性負(fù)載的分類識別率在80%以上.與基于歐式距離的分類識別方法相比，具有更高的穩(wěn)定性、準(zhǔn)確性和更強(qiáng)的包容性.

電器分類；BP神經(jīng)網(wǎng)絡(luò)；歐式距離；諧波系數(shù)

0 引 言

火災(zāi)事故的危害性很大，特別是在人口密集居住區(qū).對大功率、高發(fā)熱用電器的使用進(jìn)行識別和監(jiān)控，能及時(shí)避免很多悲劇的發(fā)生.文獻(xiàn)[1-2]分別提出了通過負(fù)載瞬態(tài)特征和歐式距離來識別用電器類型的方法，但該方法只是單純依靠瞬態(tài)特征或歐式距離進(jìn)行種類繁多的用電器分類，不同類別用電器數(shù)據(jù)與樣本數(shù)據(jù)之間的匹配閾值較難確定，可操作性不強(qiáng).文獻(xiàn)[3]利用相關(guān)電氣信息構(gòu)建了用電負(fù)荷識別模型，檢測用電情況及設(shè)備狀態(tài)，但該模型需要采集瞬態(tài)和穩(wěn)態(tài)的數(shù)據(jù)，故實(shí)時(shí)性不強(qiáng).近年來模仿生物神經(jīng)元突觸連接結(jié)構(gòu)而建立的神經(jīng)網(wǎng)絡(luò)模型被廣泛應(yīng)用.神經(jīng)網(wǎng)絡(luò)模型自身具有非線性映射、泛化和容錯(cuò)等特點(diǎn)，能夠解決一般分類識別方法無法解決的難題.文獻(xiàn)[4]提出了基于遺傳算法的神經(jīng)網(wǎng)絡(luò)分類識別方法，結(jié)合負(fù)載功率、瞬態(tài)、穩(wěn)態(tài)電流波形等電路參數(shù)進(jìn)行識別，對家庭用電智能化具有一定的推動(dòng)作用，但是數(shù)據(jù)采集困難且對硬件設(shè)備要求較高.文獻(xiàn)[5]提出了基于Hopfield神經(jīng)網(wǎng)絡(luò)的自適應(yīng)諧波電流檢測算法，由于使用Hopfield網(wǎng)絡(luò)有很大局限性，同時(shí)網(wǎng)絡(luò)的單元是二次的，僅能接收兩個(gè)不同的值，并且取決于輸入的大小是否到達(dá)閾值.文獻(xiàn)[6]通過BP神經(jīng)網(wǎng)絡(luò)對電路總功率中的計(jì)算機(jī)功率和非計(jì)算機(jī)功率進(jìn)行區(qū)分，提取的參數(shù)僅能對單一的用電器進(jìn)行分類，實(shí)際中無法適應(yīng)復(fù)雜的情況.為了降低應(yīng)用中對硬件的要求并盡可能對多種用電器進(jìn)行分類識別，本文提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的用電器分類識別算法，在盡量減少計(jì)算量的前提下提高識別準(zhǔn)確度.

1 原理與方法

1.1 數(shù)據(jù)預(yù)處理

電路的電流數(shù)據(jù)是通過AD數(shù)據(jù)采集器進(jìn)行收集的.電流的原始數(shù)據(jù)量大，故使用電流原始采集數(shù)據(jù)進(jìn)行用電器分類識別計(jì)算量偏大，實(shí)際應(yīng)用中所需要的硬件處理設(shè)備也過于復(fù)雜，此外，過多的數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入也會降低網(wǎng)絡(luò)的訓(xùn)練效率，因此需要對采集的電流數(shù)據(jù)先進(jìn)行傅里葉變換預(yù)處理，獲得用電器的電流頻率分量，便于進(jìn)一步分析處理.

對任何信號波形f(t)經(jīng)過傅里葉變換轉(zhuǎn)換為各次諧波的組合，即：

(1)

(2)

(3)

根據(jù)對用電器的電流數(shù)據(jù)分析，通常對電流數(shù)據(jù)進(jìn)行離散傅里葉變換并取前15次諧波系數(shù)作為該用電器的特征參數(shù).同時(shí)，為避免在進(jìn)行數(shù)據(jù)處理和識別過程中因功率的不同而引起的差異，對得到的傅里葉系數(shù)進(jìn)行歸一化處理.取一系列類似于Fi={|a1|,|a2|,|a3|,…,|a15|}的矢量組，然后進(jìn)行歸一化Gi=Fi/|Fi|.

1.2 系統(tǒng)設(shè)計(jì)

1.2.1 網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

圖1 系統(tǒng)神經(jīng)網(wǎng)絡(luò)算法流程圖

迅速獲得分類結(jié)果是用電器實(shí)時(shí)監(jiān)測系統(tǒng)的要求之一，所以本系統(tǒng)的設(shè)計(jì)兼顧考慮了算法的效率.單隱含層的BP神經(jīng)網(wǎng)絡(luò)通常能夠解決一般的模式分類問題，較多隱含層的網(wǎng)絡(luò)而言，具有較快的訓(xùn)練速度，因此本算法采取單隱層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，系統(tǒng)設(shè)計(jì)流程如圖1所示.系統(tǒng)模型將用電器的電流特征值作為網(wǎng)絡(luò)模型的輸入，分類結(jié)果作為網(wǎng)絡(luò)模型的輸出.由于對用電器電流信息的離散傅里葉變換提取波形15次諧波系數(shù)，所以神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中的輸入節(jié)點(diǎn)數(shù)為15，根據(jù)用電器在電路中表現(xiàn)的元件特性將用電器歸類為線性純阻性、容性、感性及混合型4大類.

隱含層內(nèi)部神經(jīng)元個(gè)數(shù)的確定往往是神經(jīng)網(wǎng)絡(luò)系統(tǒng)設(shè)計(jì)過程中較難處理的問題，一方面隱含層節(jié)點(diǎn)的設(shè)計(jì)決定了整個(gè)網(wǎng)絡(luò)功能的好壞，過多或過少都會使系統(tǒng)設(shè)計(jì)失敗，節(jié)點(diǎn)較少則系統(tǒng)抗噪聲性能差，節(jié)點(diǎn)過多可能會造成系統(tǒng)訓(xùn)練過擬合[7].另一方面隱含層神經(jīng)元個(gè)數(shù)的確定無章可循，缺乏精確的理論求解公式.通常根據(jù)系統(tǒng)的實(shí)際輸入輸出來預(yù)估隱含層節(jié)點(diǎn)，并對一定范圍內(nèi)的組合驗(yàn)證取優(yōu).根據(jù)經(jīng)驗(yàn)，參考文獻(xiàn)[8]，隱含層中神經(jīng)元個(gè)數(shù)的確定如下：

(4)

由上式可知，隱含層神經(jīng)元個(gè)數(shù)與其前后相鄰層的節(jié)點(diǎn)個(gè)數(shù)n，m具有一定關(guān)聯(lián).

1.2.2 網(wǎng)絡(luò)的傳遞函數(shù)

BP神經(jīng)網(wǎng)絡(luò)中的傳遞函數(shù)是系統(tǒng)非線性映射關(guān)系的基礎(chǔ)，由于在誤差反向傳遞過程中需要對權(quán)值進(jìn)行調(diào)整，使得在權(quán)值修改后預(yù)測輸出與實(shí)際輸出差距減小，所以要求誤差ek的梯度下降與權(quán)值ωij，ωjk有以下關(guān)系：

(5)

(6)

由式(5)和式(6)可得BP神經(jīng)網(wǎng)絡(luò)的傳遞函數(shù)要求可導(dǎo)，針對不同的應(yīng)用情況該函數(shù)單極性、雙極性，根據(jù)用電器分類識別系統(tǒng)實(shí)際，僅需要分類系統(tǒng)具有單極性的映射關(guān)系，所以傳遞函數(shù)選擇單極性的Sigmoid函數(shù)公式如下：

(7)

2 結(jié)果與分析

2.1 BP神經(jīng)網(wǎng)絡(luò)分類法

使用訓(xùn)練數(shù)據(jù)對初始分類網(wǎng)絡(luò)進(jìn)行訓(xùn)練，根據(jù)實(shí)際訓(xùn)練的效果不斷對網(wǎng)絡(luò)的參數(shù)進(jìn)行優(yōu)化，最后獲得訓(xùn)練后的分類系統(tǒng).從檢驗(yàn)數(shù)據(jù)中隨機(jī)地選取323條數(shù)據(jù)作為網(wǎng)絡(luò)檢驗(yàn)數(shù)據(jù)，測試結(jié)果如圖2所示.

圖2 BP神經(jīng)網(wǎng)絡(luò)分類結(jié)果

從圖2中可以看出，根本本文提出的分類方法得到的預(yù)測輸出與實(shí)際輸出結(jié)果具有較高的吻合性.

2.2 歐式距離分類法

以相同的測試數(shù)據(jù)使用歐式距離分類識別方式對用電器數(shù)據(jù)進(jìn)行分類.首先根據(jù)不同類別用電器的工作電流波形數(shù)據(jù)構(gòu)建用電器的樣本特征值，以構(gòu)建的特征值為基準(zhǔn)對待測用電器數(shù)據(jù)進(jìn)行分類，計(jì)算待測用電器特征值與基準(zhǔn)特征值之間的離差度，最后對待測用電器數(shù)據(jù)進(jìn)分類識別，基于歐式距離算法分類識別結(jié)果如圖3所示.

圖3 歐式距離分類結(jié)果

圖3表現(xiàn)出基于歐式距離分類方式對4類用電器數(shù)據(jù)的分類識別的效果差異，待測用電器樣本主要被預(yù)測為第1類、第4類用電器，第2類、3類用電器預(yù)測結(jié)果與實(shí)際結(jié)果相差很大.

2.3 比較分析

對兩種分類方法的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行進(jìn)一步統(tǒng)計(jì)分析，通過混淆矩陣統(tǒng)計(jì)法得到的數(shù)據(jù)如圖4所示.

圖4 實(shí)驗(yàn)數(shù)據(jù)中混淆矩陣統(tǒng)計(jì)情況

根據(jù)圖4中混淆矩陣統(tǒng)計(jì)法統(tǒng)計(jì)結(jié)果對兩種分類方法的精度進(jìn)行進(jìn)一步評估，得到表1中的評估數(shù)據(jù).評估指標(biāo)主要包括真陽性(True Positive，TP)、真陰性(True Negative，TN)、假陽性(False Positive，F(xiàn)P)、假陰性(False Negative，F(xiàn)N)和綜合指標(biāo)F-Score.

表1 混淆矩陣數(shù)據(jù)評估結(jié)果

從表1的評估指標(biāo)數(shù)據(jù)可以看出，本文分類方法的TP和TN指標(biāo)明顯高于歐式距離分類方法，且FP和FN指標(biāo)明顯低于歐式距離，本文分類方法的綜合評估指標(biāo)F-Score優(yōu)于歐式距離分類方法，所以，本文提出的基于BP神經(jīng)網(wǎng)絡(luò)的分類識別方法在分類性能方面要明顯優(yōu)于基于歐式距離的分類方法.

3 系統(tǒng)應(yīng)用

目前，基于BP神經(jīng)網(wǎng)絡(luò)算法的用電器分類系統(tǒng)通過前期的實(shí)驗(yàn)測試和改進(jìn)已在杭州電子科技大學(xué)學(xué)生公寓試用，同時(shí)與硬件識別系統(tǒng)協(xié)同工作的上位機(jī)系統(tǒng)也已經(jīng)完成開發(fā)，系統(tǒng)的上位機(jī)部分監(jiān)控界面顯示如圖5所示.

圖5 試點(diǎn)應(yīng)用監(jiān)控頁面

應(yīng)用BP神經(jīng)網(wǎng)絡(luò)改進(jìn)后的用電器分類識別系統(tǒng)不僅能精確識別惡意負(fù)載，同時(shí)也能監(jiān)控電腦、電風(fēng)扇等非惡意負(fù)載的使用情況，在緊急情況下能遠(yuǎn)程切斷電源，通過系統(tǒng)的監(jiān)控解決了高校宿舍用電器監(jiān)管困難的難題.

4 結(jié)束語

本文以用電器工作電流的諧波系數(shù)構(gòu)建用電器的BP神經(jīng)網(wǎng)絡(luò)分類識別模型，能夠處理用電器多樣性引起的分類識別困難問題，對于復(fù)雜的混合型用電器也有較好的魯棒性.本文提出的分類算法能夠避免因識別樣本的增加導(dǎo)致計(jì)算量增加的問題，應(yīng)用中對硬件設(shè)備要求低，在精確識別過程中縮小了匹配電器的范圍，提高了識別精確度.在賓館、宿舍、出租房等環(huán)境用電器識別監(jiān)控方面具有實(shí)際應(yīng)用價(jià)值.

[1]高云,楊洪耕.基于暫態(tài)特征貼近度匹配的家用負(fù)荷識別[J].電力系統(tǒng)自動(dòng)化,2013,37(9):54-59.

[2]趙云,錢斌,王科,等.基于特征相似度的非侵入式用電負(fù)荷識別模型研究[J].電氣應(yīng)用,2015(S1):199-203.

[3]蘇詩薦,章杰,程樹英,等.基于變權(quán)歐氏距離的學(xué)習(xí)型智能插座設(shè)計(jì)[J].福州大學(xué)學(xué)報(bào)(自然科學(xué)版),2015,43(2):188-193.

[4]張榮寶,張建.家庭用戶端負(fù)載的非侵入式電能監(jiān)測系統(tǒng)研究[J].機(jī)電元件,2015,35(3):12-15.

[5]鄭宇.神經(jīng)網(wǎng)絡(luò)在學(xué)生公寓用電負(fù)荷識別中的應(yīng)用研究[D].重慶:重慶大學(xué),2007.

[6]王娟,高蒙,亢海偉.基于BP神經(jīng)網(wǎng)絡(luò)的負(fù)載識別和C語言實(shí)現(xiàn)[J].河北省科學(xué)院學(xué)報(bào),2005,22(1):11-14.

[7]SRIVASTAVA N, HINTON G, KRIZHEVSKY A, et al. Dropout: a simple way to prevent neural networks from overfitting[J]. Journal of Machine Learning Research, 2014, 15(1):1929-1958.

[8]沈花玉,王兆霞,高成耀,等.BP神經(jīng)網(wǎng)絡(luò)隱含層單元數(shù)的確定[J].天津理工大學(xué)學(xué)報(bào),2008,24(5):13-15.

Research on Classification and Recognition Technology for Electrical Appliance Based on BP Neural Network

ZHU Guichuan, ZHOU Lei

(InstituteofMicroelectronicCAD,HangzhouDianziUniversity,HangzhouZhejiang310018,China)

Specific to the limitation of the Euclidean distance classification method in the electrical appliances classification between the sample and eigenvalues of the measured electrical appliance, a classification method based on BP neural network is proposed. In the method, 15 harmonic coefficients of the current waveform acts as the input of the system, with the sample data to train the neural network model to obtain the classification and identification network of the load. Extensive experimental and applied results show that the method can classify the electrical appliances effectively, and the classification and recognition rate of the nonlinear load such as capacitive and inductive is more than 80%. Simultaneously, the method is more stable, accurate and inclusive than the ones based on Euclidean distance.

appliance classification; BP neural networks; Euclidean distance; harmonic coefficients

10.13954/j.cnki.hdu.2016.06.002

2016-07-04

朱桂川(1989-)，男，河南信陽人，碩士研究生，電子科學(xué)與技術(shù).通信作者:周磊副教授，E-mail: zhoulei@hdu.edu.cn.

TP274

A

1001-9146(2016)06-0005-05