基于物聯(lián)網(wǎng)及神經(jīng)網(wǎng)絡(luò)的諧波診斷儀研制

鄭思凡，郭寶英

(1.黎明職業(yè)大學(xué) 機(jī)電工程與自動(dòng)化學(xué)院，福建 泉州 362000；2.仰恩大學(xué) 工程技術(shù)學(xué)院， 福建 泉州 362000)

基于物聯(lián)網(wǎng)及神經(jīng)網(wǎng)絡(luò)的諧波診斷儀研制

鄭思凡1，郭寶英2

(1.黎明職業(yè)大學(xué) 機(jī)電工程與自動(dòng)化學(xué)院，福建 泉州 362000；2.仰恩大學(xué) 工程技術(shù)學(xué)院， 福建 泉州 362000)

隨著深度學(xué)習(xí)等人工智能技術(shù)的發(fā)展，為了充分挖掘計(jì)算機(jī)數(shù)據(jù)處理潛力并應(yīng)用在實(shí)際的電網(wǎng)故障檢測上，在物聯(lián)網(wǎng)及模式識(shí)別技術(shù)的基礎(chǔ)上，實(shí)現(xiàn)一個(gè)Stm32為前端智能信號(hào)采集結(jié)點(diǎn)，后端以Matlab為數(shù)據(jù)處理引擎的基于“互聯(lián)網(wǎng)+”架構(gòu)的分布式電網(wǎng)暫態(tài)故障諧波診斷儀。實(shí)驗(yàn)證明：相比傳統(tǒng)的諧波分析儀，該診斷儀具有在線實(shí)時(shí)提取故障諧波小波能量特征，并具有多層前饋神經(jīng)網(wǎng)絡(luò)的實(shí)時(shí)診斷識(shí)別故障類型的功能。同時(shí)，也表明儀器分布式的網(wǎng)絡(luò)架構(gòu)比傳統(tǒng)儀器對新算法新技術(shù)具有更大的移植空間。

小波能量譜; 暫態(tài)諧波; Levenberg-Marquardt; 機(jī)器學(xué)習(xí); LWip協(xié)議棧

當(dāng)前，隨著碼分多址CDMA及正交頻分復(fù)用OFDM等擴(kuò)頻通訊技術(shù)發(fā)展，使得互聯(lián)網(wǎng)通訊進(jìn)入4G時(shí)代，而這種新的信息通信技術(shù)及平臺(tái)，給傳統(tǒng)各行業(yè)帶來新的發(fā)展契機(jī)，在將互聯(lián)網(wǎng)的成果深度融合并使之在社會(huì)資源優(yōu)化配置中起作用后，使得各行業(yè)呈現(xiàn)出一個(gè)新的“互聯(lián)網(wǎng)+”的發(fā)展生態(tài)。另一方面，根據(jù)國家電網(wǎng)“十三五”規(guī)劃[1]，為適應(yīng)新能源及多元化負(fù)荷快速發(fā)展，配電網(wǎng)轉(zhuǎn)型升級顯得非常緊迫，特別是以配電網(wǎng)為支撐平臺(tái)，實(shí)現(xiàn)大數(shù)據(jù)、物聯(lián)網(wǎng)、云計(jì)算等技術(shù)在電網(wǎng)運(yùn)行管理的深化應(yīng)用，使配電網(wǎng)智能化、信息化，實(shí)現(xiàn)用電服務(wù)的多渠道互動(dòng)、分布式電源的友好接入、智能電表的多元雙向互動(dòng)功能。由于節(jié)能與高效是電網(wǎng)建設(shè)中的兩大目標(biāo)，因此影響電網(wǎng)功率因子的諧波污染成了一個(gè)重要課題，具有較大的經(jīng)濟(jì)社會(huì)效益。而在諧波檢測儀的研制方面，當(dāng)前的工業(yè)成品如美國Fluke電子儀器儀表公司、德國Janitza儀表公司、上海寶鋼安大電能質(zhì)量有限公司[2]、長沙威勝信息技術(shù)有限公司等生產(chǎn)的三相不平衡度檢測儀、諧波檢測儀等測試功能單一，只局限于分析周期性的穩(wěn)態(tài)整次諧波，對于非整次諧波(間諧波)和電網(wǎng)大量存在的暫態(tài)擾動(dòng)產(chǎn)生的諧波則不具備智能識(shí)別和診斷功能。有鑒于此，本文立足于將大數(shù)據(jù)中機(jī)器學(xué)習(xí)算法結(jié)合小波多分辨率分解提取諧波特征實(shí)現(xiàn)一個(gè)在線訓(xùn)練、能夠?qū)崟r(shí)對突變諧波智能分類的產(chǎn)品，幫助用戶實(shí)現(xiàn)電能質(zhì)量監(jiān)控和治理的智能儀表，利于供電部門加強(qiáng)對電能質(zhì)量的技術(shù)監(jiān)督和對電力系統(tǒng)的運(yùn)行管理。

1 諧波診斷儀整體思路及架構(gòu)

為充分利用當(dāng)前大數(shù)據(jù)技術(shù)潛力及物聯(lián)網(wǎng)技術(shù)，本課題組將整個(gè)諧波診斷儀規(guī)劃為一個(gè)分布式的網(wǎng)絡(luò)架構(gòu)，前端利用當(dāng)前主流的32位單片機(jī)stm32F107為智能采集節(jié)點(diǎn)，通過嵌入輕量級的TCP/IP協(xié)議棧(LwIP)實(shí)現(xiàn)一個(gè)socket通訊的客戶端，后端則利用vs2010的CAsyncSocket類實(shí)現(xiàn)一個(gè)socket服務(wù)端，利用CAsyncSocket類的可重入接收事件處理函數(shù)區(qū)分各通訊socket句柄來完成一對多的通訊功能。根據(jù)國際電氣和電子工程師協(xié)會(huì)制定的IEEE 1100，IEEE-519，IEEE-C62.41[3]等的對電網(wǎng)諧波種類的規(guī)定，重點(diǎn)對電壓凹陷(sag)、電壓凸起(swell)、暫態(tài)脈沖(spike)、暫態(tài)震蕩(oscillatory transient) 、諧波(harmonics)這5種常見諧波進(jìn)行分類識(shí)別。

諧波數(shù)據(jù)的處理主要包括諧波特征向量的提取及分類，采用“db4”小波函數(shù)對電網(wǎng)信號(hào)進(jìn)行12個(gè)尺度分解，并計(jì)算每個(gè)尺度的能量占比，將諧波各個(gè)小波分解尺度的能量占比與標(biāo)準(zhǔn)電網(wǎng)信號(hào)的相應(yīng)小波分解的能量占比相減，把各個(gè)尺度與正常信號(hào)的能量占比之差共12個(gè)數(shù)，作為一個(gè)12維特征空間的向量參與下一階段的神經(jīng)網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)，以此建立各個(gè)特征與相應(yīng)諧波類型的非線性映射關(guān)系。

諧波分類是個(gè)模式識(shí)別的問題，考慮到matlab當(dāng)前已經(jīng)集成相當(dāng)豐富的模式識(shí)別的算法，其中包括神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、無監(jiān)督自聚類、貝葉斯分類器以及基于深度學(xué)習(xí)的多隱層卷積神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)算法工具箱,為了使系統(tǒng)具有算法拓展空間，同時(shí)充分挖掘云計(jì)算的速度優(yōu)勢，采用在VC++.net中直接嵌入Matlab數(shù)據(jù)處理引擎的方法[4]，對前端STM32 單片機(jī)采集的數(shù)據(jù)進(jìn)行小波變換完成特征提取并進(jìn)行神經(jīng)網(wǎng)絡(luò)運(yùn)算識(shí)別。系統(tǒng)總結(jié)構(gòu)與功能組成圖1所示。

圖1 系統(tǒng)總結(jié)構(gòu)與功能組成

2 電網(wǎng)遠(yuǎn)程數(shù)據(jù)采集

2.1數(shù)據(jù)采集與數(shù)據(jù)傳輸?shù)牟⑿泄ぷ鲉栴}

目前，市面上諧波分析儀一般分析的最高諧波為25次諧波，而暫態(tài)諧波(如暫態(tài)震蕩或暫態(tài)脈沖)一般包含比從5次諧波更高的頻譜分量，為不丟失暫態(tài)諧波的高頻特征分量，在此采用5K采樣頻率。對于stm32F107則選擇AD1的通道10、對應(yīng)引腳PC0、 AD轉(zhuǎn)換模式為單次轉(zhuǎn)換，定時(shí)器觸發(fā)。因?yàn)椴蓸娱g隔200us，為保證最大采樣精度，在此選取AD轉(zhuǎn)換周期為71.5個(gè) ADCCLK，關(guān)鍵設(shè)置代碼[7]如下：

……;

ADC_DeInit(ADC1); //選擇AD1

RCC_ADCCLKConfig(RCC_PCLK2_Div4); //設(shè)置ADC模塊外設(shè)時(shí)鐘ADCCLK=14MHZ；

RCC_APB2PeriphClockCmd(RCC_ADC1, ENABLE); //使能ADC對應(yīng)GPIO口,外設(shè)區(qū)域及復(fù)用功能時(shí)鐘

//初始化ADC模塊對應(yīng)GPIO

GPIO_InitStructure.GPIO_Pin = GPIO_ADC1_Pin;

GPIO_InitStructure.GPIO_Mode = GPIO_Mode_AIN;

GPIO_Init(GPIO_ADC1, &GPIO_InitStructure);

ADC_InitStructure.ADC_Mode = ADC_Mode_Independent; //ADC1和ADC2工作在獨(dú)立模式

ADC_InitStructure.ADC_ScanConvMode = DISABLE; //工作在獨(dú)立模式

ADC_InitStructure.ADC_ContinuousConvMode = DISABLE; //轉(zhuǎn)換工作在單次轉(zhuǎn)換模式

ADC_InitStructure.ADC_ExternalTrigConv = ADC_ExternalTrigConv_T2_CC2; //由TIM2的CC2觸發(fā)

ADC_InitStructure.ADC_DataAlign = ADC_DataAlign_Right; //ADC數(shù)據(jù)右對齊

ADC_InitStructure.ADC_NbrOfChannel = 1; //ADC通道數(shù)目為1

ADC_Init(ADC1, &ADC_InitStructure);

ADC_RegularChannelConfig(ADC1, ADC_Channel_10, 1, ADC_SampleTime_71Cycles5); //指定ADC轉(zhuǎn)換的通道和轉(zhuǎn)換周期

……;

每采滿1024個(gè)數(shù)據(jù)后即啟動(dòng)一次遠(yuǎn)程TCP/IP數(shù)據(jù)傳輸，由服務(wù)端完成特征提取與識(shí)別，為了保證在數(shù)據(jù)傳輸與數(shù)據(jù)采集并行工作，程序?qū)?shù)據(jù)采集工作交由硬件DMA后臺(tái)進(jìn)行，主程序則通過1024個(gè)數(shù)據(jù)DMA傳輸完成標(biāo)志位啟動(dòng)相關(guān)的socket遠(yuǎn)程TCP/IP通訊。具體實(shí)現(xiàn)代碼如下：

……;

if(DMA_GetITStatus(DMA1_IT_TC1))

{ DMA_ClearFlag(DMA1_FLAG_TC1);//清楚傳輸完成標(biāo)志

ADC_DMACmd(ADC1, DISABLE); //暫停DMA傳輸

ADC_Cmd(ADC1, DISABLE); //暫停AD轉(zhuǎn)換

DMA_InitStructure.DMA_MemoryBaseAddr = ADC_DMAresultB; //重新設(shè)置DMA目標(biāo)緩沖區(qū)

DMA_Init(DMA_Channel10, &DMA_InitStructure); /

ADC_DMACmd(ADC1, ENABLE); ADC_Cmd(ADC1, ENABLE); //重啟DMA與AD轉(zhuǎn)換

for(k=0;k<1024;k++)

{

ADC_floatVal[k]=(float)(ADC_DMAresult[k]*3.3/4096);

}

……;

TCP_Client_Send_Data(tcp_data,sizeof(tcp_data));//啟動(dòng)遠(yuǎn)程socket傳輸

……;

其中tcp_data為最終發(fā)送給服務(wù)端的單字節(jié)數(shù)組，其數(shù)據(jù)來源于前述共用體數(shù)組的Intdat成員。ADC_DMAresultB與之前的ADC_DMAresult構(gòu)成DMA的雙緩沖結(jié)構(gòu)，當(dāng)主程序?qū)ζ渲幸粋€(gè)緩沖區(qū)進(jìn)行數(shù)據(jù)定標(biāo)，浮點(diǎn)數(shù)格式轉(zhuǎn)換以及數(shù)據(jù)搬移和socket傳輸?shù)热蝿?wù)時(shí)，另外一個(gè)緩沖區(qū)可以同時(shí)以DMA后臺(tái)收集AD轉(zhuǎn)換結(jié)果的方式并行工作,從而保證系統(tǒng)的實(shí)時(shí)性。

2.2浮點(diǎn)數(shù)的封裝及格式轉(zhuǎn)換

Stm32f107的AD轉(zhuǎn)換分辨率為12位，當(dāng)使用規(guī)則轉(zhuǎn)換時(shí)，其轉(zhuǎn)換結(jié)果放在32位寄存器ADC_DR里，經(jīng)過右對齊設(shè)置后，取ADC_DR寄存器的[0:11]位作為轉(zhuǎn)換結(jié)果，當(dāng)開啟DMA模式時(shí)，把轉(zhuǎn)換結(jié)果將連續(xù)自動(dòng)存放在所定義的16位uint類型數(shù)組ADC_DMAresult里。此采樣結(jié)果并無量綱，經(jīng)過參考電壓的定標(biāo)轉(zhuǎn)換后,實(shí)際的電壓值是以4字節(jié)的單精度浮點(diǎn)數(shù)形式存儲(chǔ)，為了方便TCP/IP的socket字節(jié)為單位的傳輸，將16位的整型數(shù)組與浮點(diǎn)數(shù)數(shù)組以共用體的形式定義在同一塊內(nèi)存空間，這樣在服務(wù)端用C編譯器的情況下仍然可以正確地映射回浮點(diǎn)數(shù)。此共用體定義如下：

union MyFloatUint

{ float fVal;

unsigned char Intdat[4];

}ADC_floatVal[1024];

其中ADC_floatVal為所定義的共用體數(shù)組，每批1 024個(gè)定標(biāo)后的電壓采樣值以浮點(diǎn)數(shù)形式存儲(chǔ)在此共用體的fVal成員里。

2.3遠(yuǎn)程數(shù)據(jù)socket傳輸實(shí)現(xiàn)

基于物聯(lián)網(wǎng)技術(shù)的電網(wǎng)遠(yuǎn)程數(shù)據(jù)采集在硬件上是利用Stm32F107內(nèi)嵌的MAC控制器與以太網(wǎng)DMA控制器搭配外置的PHY芯片DM9161來構(gòu)建一個(gè)完整的服務(wù)端的局域網(wǎng)[8]。軟件上，則利用ST公司已經(jīng)移植好的一個(gè)輕量級的TCP/IP協(xié)議棧LWIP來實(shí)現(xiàn)一個(gè)應(yīng)用層編程接口，其中，協(xié)議棧的LwIP_Init函數(shù)則完成由IEEE 802.3標(biāo)準(zhǔn)所規(guī)定的物理層傳輸速度、數(shù)據(jù)編碼方式和獨(dú)立介質(zhì)接口MII時(shí)鐘及IO配置等參數(shù)的初始化，在數(shù)據(jù)鏈路層則完成MAC物理地址的初始化。在利用宏IP4_ADDR完成IP層網(wǎng)關(guān)及遠(yuǎn)程服務(wù)端目標(biāo)IP地址設(shè)置后，編程者只需要在應(yīng)用層創(chuàng)建socket通訊的結(jié)構(gòu)體并設(shè)置相關(guān)事件處理的回調(diào)函數(shù)便可進(jìn)行遠(yuǎn)程TCP/IP通訊。應(yīng)用層具體實(shí)現(xiàn)的代碼如下：

struct tcp_pcb *Clipcb;

struct ip_addr ipaddr;

struct ip_addr ipaddr_1;

IP4_ADDR(&ipaddr,192,168,1,2);

Clipcb = tcp_new(); /* 建立通信的TCP控制塊(Clipcb) */

tcp_bind(Clipcb,IP_ADDR_ANY,1025); /* 綁定本地IP地址和端口號(hào) */

tcp_connect(Clipcb,&ipaddr,1027,TcpCli_Connected);

其中TcpCli_Connected為連接成功后的回調(diào)函數(shù)。

3 故障諧波樣本的確立

3.1諧波的定義及matlab數(shù)學(xué)建模

因?yàn)楦鞣N暫態(tài)諧波及電壓擾動(dòng)的具體參數(shù)范圍隨著用電設(shè)備和負(fù)載的不同而不同，在工程實(shí)踐上，對于帶有機(jī)器學(xué)習(xí)功能的儀表來說，使用前必須對現(xiàn)場實(shí)際出現(xiàn)的故障暫態(tài)諧波做大量的采集來建立樣本并進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練后，才可投入真正使用?？紤]到本文旨在于研制一種具有遠(yuǎn)程采集及實(shí)時(shí)在線診斷的通用儀表系統(tǒng)，因此采用文獻(xiàn)三及國際電氣和電子工程師協(xié)會(huì)制定的IEEE 1100，IEEE-519，IEEE-C62.41等的對電網(wǎng)諧波通用的數(shù)學(xué)模型出發(fā)來構(gòu)建諧波樣本。其中五種常見諧波即電壓凹陷(sag)、電壓凸起(swell)、暫態(tài)脈沖(spike)、暫態(tài)震蕩(oscillatory transient) 、諧波(harmonics)各自的數(shù)學(xué)模型如下表1所示[3]。

表1 5種諧波數(shù)學(xué)模型及參考條件

其中T為基波周期0.02 ms；t1，t2為暫態(tài)諧波發(fā)生與結(jié)束時(shí)刻；ωd為基波角頻率，在此取100π；u為階躍函數(shù)；a1,a2,a3分別為1次，3次，5次諧波幅度；H為構(gòu)成暫態(tài)諧波最高次數(shù)，k為構(gòu)成暫態(tài)脈沖的調(diào)制指數(shù)，fn為暫態(tài)震蕩頻率。

3.2諧波樣本的批量生成

為了對各諧波的信號(hào)特征進(jìn)行學(xué)習(xí)，在諧波數(shù)學(xué)模型的基礎(chǔ)上對上述各模型參數(shù)按照其定義范圍取隨機(jī)值，同時(shí)加入30 db信噪比的高斯白噪聲，對每種諧波模型循環(huán)運(yùn)行100次便得到各種諧波樣本100套。以電壓凹陷為例，樣本具體以如下方式運(yùn)行matlab仿真代碼得到：

……………..；

t1=randint(1,1,[510,630]);t2=randint(1,1,[840,923]);%隨機(jī)生成諧波起止時(shí)刻

y1=stepfun(t,t1);y2=stepfun(t,t2);

y3=y1-y2;

a=randint(1,1,[100 900])/1000;%隨機(jī)產(chǎn)生凹陷幅度

data=(1-a*y3).*sin(w0*0.0002*t);%產(chǎn)生SAG信號(hào)

data_noise=awgn(data,30,‘measured’);%產(chǎn)生30dB的高斯白噪聲

……………..；

其中t為采樣序號(hào)，因此，在5K采樣頻率下要得到t對應(yīng)的采樣時(shí)刻必須乘以因子0.000 2。

4 諧波特征提取

4.1小波能量譜計(jì)算

因?yàn)闀簯B(tài)諧波不同于能量無窮大的功率信號(hào)或周期信號(hào)，其在時(shí)頻域均為幅度有限的信號(hào)，因此采用小波變換對其在時(shí)頻域作二維的正交投影分解[5]。連續(xù)小波變換定義如下：

(1)

其中a為與頻率相關(guān)的尺度參數(shù)，b為時(shí)間偏移參數(shù)。將a，b參數(shù)離散化，使a尺度參數(shù)形成2的冪次關(guān)系，可以得到如下形式的小波基函數(shù)與尺度基函數(shù)：

ψm,n(t)=2-m/2ψ(2-mt-n)，m,n∈Z，

(2)

φm,n(t)=2-m/2φ(2-mt-n)，m,n∈Z。

(3)

理論上可以證明這樣構(gòu)成的各基函數(shù)依然正交，此時(shí)各尺度及各時(shí)間偏移的小波基函數(shù)及尺度基函數(shù)的正交關(guān)系分別可以表示如下：

(4)

(5)

將上述小波基函數(shù)的遞歸關(guān)系看成是濾波器的輸入及輸出，則可以推導(dǎo)出小波母函數(shù)對應(yīng)的濾波器系數(shù)，由此可以得到工程上小波變換的快速算法mallat算法。因此，為了計(jì)算小波的小波能量譜特征，在matlab中，由封裝了mallat算法的wavedec函數(shù)完成小波12個(gè)尺度MRA分解后，再由detcoef取得各尺度分解系數(shù)，并計(jì)算各尺度能量占比。計(jì)算公式如下：

(6)

其中，信號(hào)總能量為：

(7)

xk為信號(hào)采樣點(diǎn)，信號(hào)各尺度小波變換的能量為：

(8)

按照此方法可以得到正常電網(wǎng)正弦波12尺度小波分解能量譜如下：

Epure=[E1pure,E2pure,E3pure,…,E12pure]。

(9)

而各諧波的12尺度小波分解能量譜如下：

Esignal=[E1signal,E2signal,E3signal,…,E12signal]。

(10)

為了突出異常的能量分量，將上述二者的差值作為各暫態(tài)諧波的小波能量譜特征矢量，表達(dá)式如下：

ΔE=Esignal-Epure

(11)

4.2各諧波的小波能量譜特征提取結(jié)果

按照式(11)得到100個(gè)樣本的電壓凹陷、電壓突升、暫態(tài)震蕩、暫態(tài)脈沖和諧波3，5，7奇數(shù)諧波這五種故障諧波的小波分解尺度能量分布如圖2～6所示。

圖2 電壓凹陷小波分解尺度能量分布 圖3 電壓突升小波分解尺度能量分布

圖4 暫態(tài)震蕩小波分解尺度能量分布 圖5 暫態(tài)脈沖小波分解尺度能量分布

圖6 奇數(shù)諧波小波分解尺度能量分布

5 樣本的神經(jīng)網(wǎng)絡(luò)訓(xùn)練及諧波識(shí)別

5.1神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確立

根據(jù)映射存在定理[6]可知:“給定任一連續(xù)函數(shù)，這里u是閉單位區(qū)間(0，1)， 則總可以精確地用一個(gè)三層感知器網(wǎng)絡(luò)實(shí)現(xiàn)”。因此，采用1個(gè)隱層的多層前饋神經(jīng)網(wǎng)絡(luò)進(jìn)行機(jī)器學(xué)習(xí)與識(shí)別，因?yàn)樘卣魇噶康木S數(shù)為12，為防止過擬合，假設(shè)其局部極值點(diǎn)不超過12，故隱層節(jié)點(diǎn)數(shù)取12；由于需要識(shí)別5種諧波，故輸出神經(jīng)元個(gè)數(shù)取5以分別對5種諧波進(jìn)行一對一編碼，編碼方式為每種諧波對應(yīng)一個(gè)神經(jīng)元輸出1，其余為-1。為了在輸入層對特征矢量完成五種故障的初步歸類，輸入神經(jīng)元個(gè)數(shù)也取5。另外，設(shè)置訓(xùn)練算法為Levenberg-Marquardt，神經(jīng)元的激活函數(shù)為Sigmoid函數(shù)后，在Matlab可得到如圖7所示的右神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

圖7 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

5.2特征向量的預(yù)處理及訓(xùn)練結(jié)果

在神經(jīng)網(wǎng)絡(luò)訓(xùn)練前，5種樣本的12維特征矢量組成12行500列的矩陣，每列代表一個(gè)樣本，輸出矩陣為編碼后的5行500列矩陣，每列代表一個(gè)編碼輸出，對應(yīng)一種諧波。另外，因?yàn)樯窠?jīng)元激活函數(shù)斜率在[-1,1]外趨于0，求梯度時(shí)對連接權(quán)值的影響很小，故在輸入神經(jīng)網(wǎng)絡(luò)前，對數(shù)據(jù)作歸一化處理，將所有數(shù)據(jù)映射到[-1,1]區(qū)間，經(jīng)過預(yù)處理后，算法只經(jīng)過14次循環(huán)就達(dá)到預(yù)期的誤差目標(biāo)。算法訓(xùn)練結(jié)果如圖8所示。

圖8 訓(xùn)練性能

6 實(shí)時(shí)識(shí)別效果驗(yàn)證

訓(xùn)練好網(wǎng)絡(luò)后，按照之前的仿真模型重新運(yùn)行便可得到新的500套測試樣本，為驗(yàn)證準(zhǔn)確率并同時(shí)驗(yàn)證實(shí)時(shí)性，將此樣本由Stm32計(jì)算生成來模擬AD采集后經(jīng)過Socket網(wǎng)絡(luò)編程接口傳輸至PC服務(wù)端，服務(wù)端在對測試樣本同樣歸一化后輸入進(jìn)行分類識(shí)別，最后按照編碼方式即諧波的類別映射到輸出最大值(即+1)神經(jīng)元的位置，只要逐一比較測試集樣本輸出與相應(yīng)類型諧波訓(xùn)練集輸出矢量最大值腳標(biāo)，即可完成識(shí)別正確率的統(tǒng)計(jì)。對五種諧波進(jìn)行交叉驗(yàn)證后得到識(shí)別結(jié)果如表2所示。

表2 測試樣本識(shí)別結(jié)果匯總

由表2可見，誤判率最高發(fā)生在暫態(tài)脈沖與奇次諧波之間，這主要是由于高次諧波產(chǎn)生的脈沖與暫態(tài)脈沖能量分布接近所致?？傮w上識(shí)別準(zhǔn)確率達(dá)到95%以上，可以滿足一般的工業(yè)應(yīng)用要求。

7 結(jié) 論

本文在32位單片機(jī)Stm32基礎(chǔ)上通過嵌入輕量級TCP/IP協(xié)議棧完成一個(gè)分布式的遠(yuǎn)程電網(wǎng)諧波信號(hào)采集節(jié)點(diǎn)，服務(wù)端則嵌入Matlab數(shù)據(jù)處理引擎，完成對諧波信號(hào)的小波能量譜特征提取及基于神經(jīng)網(wǎng)絡(luò)的識(shí)別，準(zhǔn)確率達(dá)95%以上。因?yàn)橄到y(tǒng)的采集與數(shù)據(jù)傳輸是并行工作的，在保證實(shí)時(shí)性的情況下，充分挖掘Matlab強(qiáng)大的數(shù)據(jù)處理能力，為未來進(jìn)一步移植新的機(jī)器學(xué)習(xí)算法提供了移植拓展空間。

[1] 張運(yùn)洲,程路.中國電力 “十三五” 及中長期發(fā)展的重大問題研究[J].中國電力,2015 (1):3.

[2] 李素萍,夏飛,彭道剛.基于嵌入式的旋轉(zhuǎn)設(shè)備狀態(tài)監(jiān)測診斷系統(tǒng)研究[J].機(jī)電一體化,2016(3):15.

[3] KANNAN A,KYMAR V,CHANDRASEKAR T,et al.A review of power quality standards,electrical software tools,issues and solutions[C]∥Renewable Energy and Sustainable Energy (ICRESE),2013 International Conference on.IEEE,2014:91.

[4] LU Y, WAN L, LIU Y. Development of an experimental software for rub-impact fault recognition research[C]∥Control and Decision Conference (CCDC),2015 27th Chinese.IEEE,2015:4605.

[5] ROY S,NATH S.Classification of power quality disturbances using features of signals[J].International Journal of Scientific and Research Publications,2012,2(11):1.

[6] 趙會(huì)敏,雒江濤,楊軍超,等.集成 BP 神經(jīng)網(wǎng)絡(luò)預(yù)測模型的研究與應(yīng)用[J].電信科學(xué),2017,32(2):64.

[7] 代勇.基于 STM32 定時(shí)電壓采集與報(bào)警系統(tǒng)的設(shè)計(jì)[J].電子世界,2017 (7):180.

[8] 劉嘉誠,段磊磊,朱鄖濤,等.基于以太網(wǎng)的溫濕度檢測及控制系統(tǒng)設(shè)計(jì)[J].湖北農(nóng)機(jī)化,2017(2):58.

Abstract: With the development of artificial intelligence technology such as deep learning, in order to fully exploit the potential of computer data processing and apply it to the actual electricity power fault detection, this paper implements an internet-architecture distributed power quality transient fault diagnosis instrument which used Stm32 as a front-end intelligent signal acquisition node, and Matlab as the data processing engine based on the Internet of things and the pattern recognition technology. Experiments show that, compared with the traditional harmonic analyzer, the diagnostic instrument developed in this paper has the performance of extracting harmonic wavelet energy characteristics and identifying the type of transient harmonics in real-time via a multi-layer feed forward neural network. At the same time, it also shows that the instrument, based on the distributed network architecture, has a broader space to update more powerful algorithm than the traditional instrument.

Keywords: wavelet energy spectrum; transient harmonics; Levenberg-Marquardt; machine learning; LWip protocol stac

(責(zé)任編輯：黃韡 英文審校：楊德權(quán))

DevelopmentofHarmonicDiagnosticInstrumentBasedonInternetofThingsandNeuralNetwork

ZHENGSifan1,GUOBaoying2

(1. College of Mechanical Engineering and Automation, Liming Vocational University, Quanzhou 362000, China;2. College of Engineering and Technology, Yang’en University, Quanzhou 362000, China)

TP 37

A

2017-03-15

鄭思凡(1975-)，男，實(shí)驗(yàn)師，主要從事人工智能技術(shù)與計(jì)算機(jī)視覺研究。

泉州市科技局科研項(xiàng)目(2014Z138)

1008-8075(2017)03-0070-08

10.13446/j.cnki.jlvu.20170046