基于SOPC 的實驗室負荷智能監(jiān)測裝置

吳萬強， 彭良福， 甘 桂， 王逸凡

（1.西南民族大學電氣信息工程學院，成都610041；2.桂林電子科技大學廣西精密導航技術與應用重點實驗室，廣西桂林541004）

0 引 言

近年來，高校對于實驗室建設的投入在不斷增加［1］。實驗室的照明、儀器、設備等的運轉離不開電力，電力穩(wěn)定是支撐實驗室科研工作穩(wěn)步進行的基礎［2］。用電安全是高校實驗室工作的重要組成部分，是避免實驗室安全火災事故的關鍵。

對實驗室用電設備的監(jiān)測和管理是實驗室電網(wǎng)消耗端建設的一個重要部分。電網(wǎng)消耗端電能使用的智能化管理十分重要。負荷監(jiān)測技術可以幫助管理者了解用電器的使用情況，目前用電器的監(jiān)測大多數(shù)是侵入式的，在每個用電器的接入端安裝傳感器，通過傳感器實時采集信息［3］。這種方法需要在每個負荷處安裝相應的數(shù)據(jù)采集、傳感裝置，因此會消耗一定量的人力物力。非侵入式負荷監(jiān)測技術（Non-intrusive Load Monitoring，NILM）很好地解決了侵入式監(jiān)測的弊端。它只需要在用電入口安裝一個傳感器，通過采集和分析電網(wǎng)總的用電電流、電壓信息來監(jiān)測電網(wǎng)內的用電器［4］。

本文基于可編程片上系統(tǒng)（System On a Programmable Chip，SOPC）技術設計了一種非侵入式實驗室負荷智能監(jiān)測裝置，在Zybo Z7-20開發(fā)平臺上進行軟核設計的方法。Zybo Z7-20開發(fā)板包括現(xiàn)場可編程門陣列（Field Programmable Gate Array，F(xiàn)PGA）數(shù)字邏輯部分和雙ARM Cortex-A9處理器部分。SOPC作為可編程的高度集成的片上系統(tǒng)，實現(xiàn)了以往需要多個電路板或器件、芯片通過互聯(lián)才能實現(xiàn)的功能，賦予了其面對復雜情況時，可通過靈活的程序設計來解決問題的能力。

1 實驗室負荷特征分析

非侵入式負荷監(jiān)測方法是相對于侵入式監(jiān)測方法提出的，其應用示意圖如圖1所示。只需要在被檢測電網(wǎng)的電力入口處安裝監(jiān)測傳感器，通過傳感器采集電網(wǎng)內所有用電設備總的用電信息，一般是電壓和電流信息；運用合理的數(shù)學分析與計算方法對實際采集的用電數(shù)據(jù)進行處理和分析，得出電網(wǎng)內各個用電設備的運行情況［5］。

圖1 非侵入式負荷監(jiān)測示意圖

電網(wǎng)中每個負荷由于其獨特的硬件結構、功能，每個負荷在工作過程中都會表現(xiàn)出獨特的用電特征，即負荷特性。負荷特性是負荷智能監(jiān)測系統(tǒng)中負荷分解的核心要素，包括有功功率、無功功率、功率因數(shù)、電流有效值、諧波特性等［6］，這些特性也被稱為負荷的特征參數(shù)。本文在負荷分解時主要采用了電流有效值（I）、視在功率（S）、有功功率（P）、無功功率（Q）、功率因數(shù)（cos φ）5種穩(wěn)態(tài)下負荷特征參數(shù)。

在實際應用中電流、電壓信息是由ADC采樣而來，因此電壓、電流信息是離散的，相應的參數(shù)提取公式為對應的離散公式：

式中：U為電壓有效值；I為電流有效值；i（n）為第n次采樣時刻電流值；u（n）為第n次采樣時刻電壓值。

本文選取了實驗室中常用的5種用電器，分別是白熾燈（Bulb）、風扇（Fan）、示波器（Osc）、信號源（DDS）、電源（Pow）。對這5種用電器進行穩(wěn)態(tài)下的電壓、電流信息采樣，并通過上述的參數(shù)提取公式，提取出5種用電器單獨工作時的穩(wěn)態(tài)特征參數(shù)見表1。由表1可知，不同負荷在選取的5種特征參數(shù)上有著明顯的差距，基于所選取的5種特征參數(shù)進行負荷的監(jiān)測和識別是可行的［7］。

表1 負荷特征參數(shù)

2 非侵入式監(jiān)測裝置設計

2.1 系統(tǒng)的整體方案

基于SOPC技術設計了非侵入式實驗室負荷監(jiān)測裝置，解決實驗室負荷管理和監(jiān)測問題。裝置主要部分包括硬件電路模塊、SOPC系統(tǒng)和外設輔助模塊3部分，系統(tǒng)的總框圖如圖2所示。

硬件包括電源電路、電壓互感器、電流互感器、高精度比較電路和采樣電路。電源電路使用數(shù)字電源將220 V電壓進行降壓，使用LDO電路分別設計出5 V和3.3 V 輔助電源［8］。

鑒于裝置對電壓、電流的精度要求較高，選取了BWL／BVR精密線繞模壓采樣電阻、ZMPT107精密微型電壓互感器和KO-25RCT精密電流互感器。電壓互感器和電流互感器將電壓和電流信號進行隔離式的轉換，使用高精度的采樣電阻對兩種信號進行采樣［8］。

圖2 基于SOPC的非侵入式負荷監(jiān)測系統(tǒng)框圖

采樣電路的核心芯片采用AD7606，系統(tǒng)PL部分完成對AD7606的驅動和數(shù)據(jù)傳輸，使用AD7606的兩個采集通道分別完成電壓信號和電流信號的采集，使用AD7606的并行數(shù)據(jù)輸出模式與板卡完成數(shù)據(jù)通信，使用FPGA將采集的數(shù)據(jù)進行數(shù)據(jù)處理，提取所需的負荷特征參數(shù)［9］。

比較電路設計采用TLV3501，它是一款4.5 ns軌至軌的具有開啟和關閉功能的高性能比較器。比較電路將電壓互感器輸出的正弦交流信號轉換為方波信號，將信號輸出到FPGA的I／O引腳，由FPGA數(shù)字電路進行采樣，監(jiān)測電網(wǎng)的頻率波動。

SOPC系統(tǒng)是基于Zybo Z7-20全可編程片上系統(tǒng)架構平臺設計，包括FPGA數(shù)字邏輯部分（Promgrammable Logic，PL）和雙ARM Cortex-A9 處理器部分（Processing System，PS）。PL部分完成電網(wǎng)頻率的測量、負荷在穩(wěn)態(tài)下的特征值提取、采樣電路的驅動和數(shù)據(jù)傳輸［10］。PS部分搭建穩(wěn)態(tài)負荷監(jiān)測與識別算法，驅動和控制外設輔助模塊。外設輔助模塊包括按鍵、OLED顯示模塊，主要功能是完成結果的顯示。整個裝置實物如圖3所示。

圖3 裝置實物

2.2 負荷監(jiān)測與識別算法設計

負荷識別算法采用了基于機器學習的監(jiān)督學習模式下BP神經(jīng)網(wǎng)絡算法進行設計，使用Matlab的神經(jīng)網(wǎng)絡工具箱進行算法模型的構建和驗證［11］。在監(jiān)督學習模式下，對負荷進行標簽設定，選取的5種負荷及其標簽見表2。采用了獨熱碼的方式對負荷進行標記，設置標簽。對5種負荷及其組合進行了約定：當系統(tǒng)中有某一種負荷在工作時，標簽對應的位置的值設定為“1”，否則為“0”。當有5種負荷同時在工作時，對應的標簽為“［1 1 1 1 1］”，如當白熾燈、信號源同時工作時，對應的標簽為“［0 0 0 1 1］”，以此類推對31種組合進行標簽設計。

選取的負荷工作在穩(wěn)態(tài)時的5個電能參數(shù)即x＝［I，P，Q，S，cos φ］T作為神經(jīng)網(wǎng)絡的輸入層，在訓練算法的過程中，表2中的標簽為期望的輸出值，網(wǎng)絡的輸入層和輸出層的神經(jīng)元都為5個神經(jīng)元［12］。由于神經(jīng)網(wǎng)絡的隱含層的層數(shù)以及神經(jīng)元的個數(shù)的設計并沒有具體的理論可以參考，只能根據(jù)實際實驗的情況將神經(jīng)網(wǎng)絡的復雜程度由簡易到復雜的方式進行設計，根據(jù)多次的實驗，得到當網(wǎng)絡的結構為5層時的結果較好，見表3。

表2 負荷類型及標簽

表3 BP神經(jīng)網(wǎng)絡結構

BP神經(jīng)網(wǎng)絡的算法設計步驟包括BP神經(jīng)網(wǎng)絡的結構設計、BP神經(jīng)網(wǎng)絡的訓練和BP神經(jīng)網(wǎng)絡驗證和參數(shù)導出3個部分。第1步中的神經(jīng)網(wǎng)絡的構建已經(jīng)在表3中進行了說明，第2步中的網(wǎng)絡訓練和第3步的網(wǎng)絡驗證中，待分類的基本負荷種類是5種用電器，將建立的負荷特征數(shù)據(jù)集隨機分為兩部分，80%作為網(wǎng)絡的訓練集，20%作為網(wǎng)絡的驗證集，通過驗證集對訓練后的算法模型進行驗證，若預測的結果誤差較大，則重新構建BP神經(jīng)網(wǎng)絡模型［13］。最后將訓練好的BP神經(jīng)網(wǎng)絡的參數(shù)信息進行導出，使用C語言將BP神經(jīng)網(wǎng)絡算法模型在SOPC系統(tǒng)中進行重建，以便用來進行識別。

2.3 SOPC系統(tǒng)搭建

算法的主程序流程如圖4所示，系統(tǒng)開始工作后，進入初始化狀態(tài)，包括按鍵模塊、PmodOLEDrgb顯示屏以及PS對PL端的初始化，然后系統(tǒng)進行主程序的執(zhí)行，當PL端監(jiān)測到設備工作，啟動數(shù)據(jù)采集和數(shù)據(jù)處理模塊，對負荷進行特征值提取，并中斷PS，將特征參數(shù)通過總線傳輸?shù)絇S，PS端響應中斷，讀取負荷特征值，進行算法處理，完成對負荷的在線辨識，將結果通過PmodOLEDrgb顯示器進行顯示［14］。

圖4 主程序流程圖

對整個系統(tǒng)功能劃分，確定PL端和PS端各自完成的功能以及要達到的指標；完成PL端數(shù)字邏輯電路設計，利用仿真和邏輯綜合進行時序檢查和功能驗證；將設計的數(shù)字邏輯部分進行AXI4＿Lite接口的IP封裝，并再次進行邏輯綜合，檢查AXI4總線時序是否符合要求；將生成的IP核添加到VIVADO下的工程目錄，將IP添加到IP核管理器，在VIVADO下新建Block Design程序，將ZYNQ7 Processing System以及各功能模塊添加到Block中，配置參數(shù)和信號線連接，如圖5所示，包含了ZYNQ7 Processing System、時鐘和復位IP核、AXI總線接口IP核、負荷特征參數(shù)提取IP核（Load＿param）和PmodOLEDrgb驅動IP核5個部分。導出頂層文件并生成BIT文件；最后將生成的BIT文件導入SDK進行PS端軟件設計，完成系統(tǒng)功能。

圖5 SOPC系統(tǒng)配置

3 實驗及結果分析

3.1 算法參數(shù)建立

建立負荷特征數(shù)據(jù)庫有嚴格的標準［15］，使用十進制的double型數(shù)據(jù)表示負荷特征參數(shù)數(shù)據(jù)集。假設用電負荷的特征數(shù)據(jù)庫中有n（n＝31）種不同組合下工作的用電負荷，本文對每種負荷的組合方式提取了m（m＝50）組特征向量，其中每種組合下的用電負荷的特征向量空間可以表示為：

式中：x＝［I，P，Q，S，cos φ）］T。則包含所有組合下的用電負荷的特征值數(shù)據(jù)集為：

與之對應的標簽數(shù)據(jù)集為：

式中：Ynm為與Xnm一一對應的5維列向量。將整個數(shù)據(jù)集進行隨機化處理，將80%的數(shù)據(jù)集作為訓練集，20%的數(shù)據(jù)集作為驗證集。對BP神經(jīng)網(wǎng)絡訓練的方式采用Matlab工具的方式，對神經(jīng)網(wǎng)絡的參數(shù)進行初始化，并設定使訓練停止的條件。

訓練算法的過程使用訓練數(shù)據(jù)集對網(wǎng)絡的權重和偏置不斷優(yōu)化，驗證數(shù)據(jù)集用于評估訓練后的算法模型的性能，不參與網(wǎng)絡的訓練過程。輸入層到隱含層以及隱含層之間的節(jié)點轉移函數(shù)設置為“l(fā)ogsig”（sigmoid），隱含層到輸出層的節(jié)點轉移函數(shù)設置為“purelin”（ReLU），采用“trainscg”對網(wǎng)絡進行訓練，設置迭代次數(shù)epchos＝15 000次，學習率Lr＝0.001，最小梯度下降目標為min＿grad ＝0.000 001，max＿fail＝240，其他參數(shù)默認，在訓練過程中，以上幾個參數(shù)任意1個達到設定值則停止網(wǎng)絡訓練［16］。圖6是其中1次對BP神經(jīng)網(wǎng)絡的訓練結果。整個訓練過程一共迭代了15 000次，用時38 s，訓練迭代次數(shù)達到設置上限時強行停止。

圖6 BP神經(jīng)網(wǎng)絡訓練結果

3.2 調試結果

在足夠的數(shù)據(jù)集下訓練好神經(jīng)網(wǎng)絡之后，使用Matlab導出神經(jīng)網(wǎng)絡的各層權值和閾值參數(shù)。按照系統(tǒng)軟件設計搭建好SOPC系統(tǒng)，使用VIVADO綜合、實現(xiàn)工具將Verilog代碼轉換為硬件電路，并生成BitStream文件，再將該文件導出到SDK開發(fā)環(huán)境中。

在SDK開發(fā)環(huán)境中建立工程，使用C語言編寫代碼，在PS端讀取PL端寫入到對應寄存器的計算結果，并且在工程中建立神經(jīng)網(wǎng)絡識別算法，整個識別算法計算過程中的權值、閾值使用之前從Matlab中導出的權值、閾值進行運算。將PS讀到的值經(jīng)過轉換之后輸入到神經(jīng)網(wǎng)絡識別算法運算流程中，便可得到最終的運算結果。對運算結果與之前所做的獨熱碼一一進行對應，即可得到電路中正在工作的用設備。最終將系統(tǒng)所采集的功率信息、電流信息以及工作中的用電器名稱顯示在OLED屏幕上。

將5個用電器的31種組合依次插入監(jiān)測裝置用電入口插座中，系統(tǒng)均能夠自動識別用電器并顯示在OLED屏幕上，圖7顯示了其中8種組合的識別情況。顯示的I、P、S、Q、Pf分別為電流有效值、有功功率、視在功率、無功功率、功率因數(shù)；Dev后面的英文表示電路中當前工作的設備名稱，Bulb、DDS、Fan、Pow、Osc分別為白熾燈、信號發(fā)生儀、風扇、電源、示波器。經(jīng)過多輪重復試驗，監(jiān)測裝置均能夠準確、及時地將電路中用電器信息顯示在屏幕上。

圖7 系統(tǒng)實時識別結果

4 結 語

本文在非侵入式負荷監(jiān)測技術的基礎上，利用SOPC技術設計了實驗室負荷智能監(jiān)測裝置。監(jiān)測裝置使用全可編程邏輯平臺Zybo Z7-20作為系統(tǒng)處理模塊。在硬件系統(tǒng)的設計上，使用標準的電源排插模擬實驗室的供電入口，安裝高精度的電流、電壓互感器，并設計了高精度信號采樣電路、系統(tǒng)輔助電源電路、信號調理電路和數(shù)字邏輯電路。在軟件算法設計上，在Matlab中結合機器學習的監(jiān)督學習方式，使用BP神經(jīng)網(wǎng)絡建立負荷識別算法。然后選用實驗室中5種具有代表性的負荷，使用高精度ADC采樣負荷穩(wěn)態(tài)下的用電信息，并通過數(shù)學方法提取出負荷的特征參數(shù)構建特征數(shù)據(jù)庫。最后，使用該數(shù)據(jù)庫對設計的算法模型進行訓練和驗證，建立負荷識別算法并將模型參數(shù)信息導出，在SOPC系統(tǒng)下重建了該識別算法，完成對負荷辨識的算法設計。

仿真及調試結果表明：在Matlab仿真建立識別算法模型時，算法能夠對5種負荷的31種組合達到100%識別，說明本文設計的算法是可行的。在實際調試時，將訓練好的識別算法導入到SOPC系統(tǒng)中，系統(tǒng)在實際工作時也能夠達到對31種組合情況的100%識別，說明監(jiān)測裝置是可行的。由于高校寢室的用電器種類和數(shù)量較少，符合檢測裝置的應用范圍，檢測裝置除了應用在實驗室場景，也可以應用于高校寢室的用電管理。

監(jiān)測裝置仍有幾點不足和可以改進之處，首先在設計時選用的用電設備不能代表所有實驗室的用電設備，因此監(jiān)測裝置有一定的局限性；其次監(jiān)測裝置只是完成了基礎功能，后續(xù)可以將算法移植到嵌入式系統(tǒng)中，并可加入數(shù)據(jù)傳輸模塊使監(jiān)測裝置更加智能化；在進行過多的負荷檢測時，識別率會稍有下降，訓練時間的增加幅度會提高，不利于應用在負荷較多的場景下。