基于BP神经网络的用电器分类识别技术的研究

朱桂川，周 磊

(杭州电子科技大学微电子 CAD研究所，浙江 杭州 310018)



基于BP神经网络的用电器分类识别技术的研究

朱桂川，周 磊

(杭州电子科技大学微电子 CAD研究所，浙江 杭州 310018)

针对样本与待测电器特征值的欧式距离分类方式在电器识别分类中的局限性，提出了一种基于BP神经网络的分类方法.以电流波形的15次谐波系数作为系统的输入，通过样本数据对神经网络模型进行训练获得分类网络，实现对负载的分类识别.通过实验和应用证明，对用电器能进行有效分类，对于容性和感性等非线性负载的分类识别率在80%以上.与基于欧式距离的分类识别方法相比，具有更高的稳定性、准确性和更强的包容性.

电器分类；BP神经网络；欧式距离；谐波系数

0 引 言

火灾事故的危害性很大，特别是在人口密集居住区.对大功率、高发热用电器的使用进行识别和监控，能及时避免很多悲剧的发生.文献[1-2]分别提出了通过负载瞬态特征和欧式距离来识别用电器类型的方法，但该方法只是单纯依靠瞬态特征或欧式距离进行种类繁多的用电器分类，不同类别用电器数据与样本数据之间的匹配阈值较难确定，可操作性不强.文献[3]利用相关电气信息构建了用电负荷识别模型，检测用电情况及设备状态，但该模型需要采集瞬态和稳态的数据，故实时性不强.近年来模仿生物神经元突触连接结构而建立的神经网络模型被广泛应用.神经网络模型自身具有非线性映射、泛化和容错等特点，能够解决一般分类识别方法无法解决的难题.文献[4]提出了基于遗传算法的神经网络分类识别方法，结合负载功率、瞬态、稳态电流波形等电路参数进行识别，对家庭用电智能化具有一定的推动作用，但是数据采集困难且对硬件设备要求较高.文献[5]提出了基于Hopfield神经网络的自适应谐波电流检测算法，由于使用Hopfield网络有很大局限性，同时网络的单元是二次的，仅能接收两个不同的值，并且取决于输入的大小是否到达阈值.文献[6]通过BP神经网络对电路总功率中的计算机功率和非计算机功率进行区分，提取的参数仅能对单一的用电器进行分类，实际中无法适应复杂的情况.为了降低应用中对硬件的要求并尽可能对多种用电器进行分类识别，本文提出了一种基于BP神经网络的用电器分类识别算法，在尽量减少计算量的前提下提高识别准确度.

1 原理与方法

1.1 数据预处理

电路的电流数据是通过AD数据采集器进行收集的.电流的原始数据量大，故使用电流原始采集数据进行用电器分类识别计算量偏大，实际应用中所需要的硬件处理设备也过于复杂，此外，过多的数据作为神经网络的输入也会降低网络的训练效率，因此需要对采集的电流数据先进行傅里叶变换预处理，获得用电器的电流频率分量，便于进一步分析处理.

对任何信号波形f(t)经过傅里叶变换转换为各次谐波的组合，即：

(1)

(2)

(3)

根据对用电器的电流数据分析，通常对电流数据进行离散傅里叶变换并取前15次谐波系数作为该用电器的特征参数.同时，为避免在进行数据处理和识别过程中因功率的不同而引起的差异，对得到的傅里叶系数进行归一化处理.取一系列类似于Fi={|a1|,|a2|,|a3|,…,|a15|}的矢量组，然后进行归一化Gi=Fi/|Fi|.

1.2 系统设计

1.2.1 网络拓扑结构

图1 系统神经网络算法流程图

迅速获得分类结果是用电器实时监测系统的要求之一，所以本系统的设计兼顾考虑了算法的效率.单隐含层的BP神经网络通常能够解决一般的模式分类问题，较多隐含层的网络而言，具有较快的训练速度，因此本算法采取单隐层BP神经网络结构，系统设计流程如图1所示.系统模型将用电器的电流特征值作为网络模型的输入，分类结果作为网络模型的输出.由于对用电器电流信息的离散傅里叶变换提取波形15次谐波系数，所以神经网络结构中的输入节点数为15，根据用电器在电路中表现的元件特性将用电器归类为线性纯阻性、容性、感性及混合型4大类.

隐含层内部神经元个数的确定往往是神经网络系统设计过程中较难处理的问题，一方面隐含层节点的设计决定了整个网络功能的好坏，过多或过少都会使系统设计失败，节点较少则系统抗噪声性能差，节点过多可能会造成系统训练过拟合[7].另一方面隐含层神经元个数的确定无章可循，缺乏精确的理论求解公式.通常根据系统的实际输入输出来预估隐含层节点，并对一定范围内的组合验证取优.根据经验，参考文献[8]，隐含层中神经元个数的确定如下：

(4)

由上式可知，隐含层神经元个数与其前后相邻层的节点个数n，m具有一定关联.

1.2.2 网络的传递函数

BP神经网络中的传递函数是系统非线性映射关系的基础，由于在误差反向传递过程中需要对权值进行调整，使得在权值修改后预测输出与实际输出差距减小，所以要求误差ek的梯度下降与权值ωij，ωjk有以下关系：

(5)

(6)

由式(5)和式(6)可得BP神经网络的传递函数要求可导，针对不同的应用情况该函数单极性、双极性，根据用电器分类识别系统实际，仅需要分类系统具有单极性的映射关系，所以传递函数选择单极性的Sigmoid函数公式如下：

(7)

2 结果与分析

2.1 BP神经网络分类法

使用训练数据对初始分类网络进行训练，根据实际训练的效果不断对网络的参数进行优化，最后获得训练后的分类系统.从检验数据中随机地选取323条数据作为网络检验数据，测试结果如图2所示.

图2 BP神经网络分类结果

从图2中可以看出，根本本文提出的分类方法得到的预测输出与实际输出结果具有较高的吻合性.

2.2 欧式距离分类法

以相同的测试数据使用欧式距离分类识别方式对用电器数据进行分类.首先根据不同类别用电器的工作电流波形数据构建用电器的样本特征值，以构建的特征值为基准对待测用电器数据进行分类，计算待测用电器特征值与基准特征值之间的离差度，最后对待测用电器数据进分类识别，基于欧式距离算法分类识别结果如图3所示.

图3 欧式距离分类结果

图3表现出基于欧式距离分类方式对4类用电器数据的分类识别的效果差异，待测用电器样本主要被预测为第1类、第4类用电器，第2类、3类用电器预测结果与实际结果相差很大.

2.3 比较分析

对两种分类方法的实验数据进行进一步统计分析，通过混淆矩阵统计法得到的数据如图4所示.

图4 实验数据中混淆矩阵统计情况

根据图4中混淆矩阵统计法统计结果对两种分类方法的精度进行进一步评估，得到表1中的评估数据.评估指标主要包括真阳性(True Positive，TP)、真阴性(True Negative，TN)、假阳性(False Positive，FP)、假阴性(False Negative，FN)和综合指标F-Score.

表1 混淆矩阵数据评估结果

从表1的评估指标数据可以看出，本文分类方法的TP和TN指标明显高于欧式距离分类方法，且FP和FN指标明显低于欧式距离，本文分类方法的综合评估指标F-Score优于欧式距离分类方法，所以，本文提出的基于BP神经网络的分类识别方法在分类性能方面要明显优于基于欧式距离的分类方法.

3 系统应用

目前，基于BP神经网络算法的用电器分类系统通过前期的实验测试和改进已在杭州电子科技大学学生公寓试用，同时与硬件识别系统协同工作的上位机系统也已经完成开发，系统的上位机部分监控界面显示如图5所示.

图5 试点应用监控页面

应用BP神经网络改进后的用电器分类识别系统不仅能精确识别恶意负载，同时也能监控电脑、电风扇等非恶意负载的使用情况，在紧急情况下能远程切断电源，通过系统的监控解决了高校宿舍用电器监管困难的难题.

4 结束语

本文以用电器工作电流的谐波系数构建用电器的BP神经网络分类识别模型，能够处理用电器多样性引起的分类识别困难问题，对于复杂的混合型用电器也有较好的鲁棒性.本文提出的分类算法能够避免因识别样本的增加导致计算量增加的问题，应用中对硬件设备要求低，在精确识别过程中缩小了匹配电器的范围，提高了识别精确度.在宾馆、宿舍、出租房等环境用电器识别监控方面具有实际应用价值.

[1]高云,杨洪耕.基于暂态特征贴近度匹配的家用负荷识别[J].电力系统自动化,2013,37(9):54-59.

[2]赵云,钱斌,王科,等.基于特征相似度的非侵入式用电负荷识别模型研究[J].电气应用,2015(S1):199-203.

[3]苏诗荐,章杰,程树英,等.基于变权欧氏距离的学习型智能插座设计[J].福州大学学报(自然科学版),2015,43(2):188-193.

[4]张荣宝,张建.家庭用户端负载的非侵入式电能监测系统研究[J].机电元件,2015,35(3):12-15.

[5]郑宇.神经网络在学生公寓用电负荷识别中的应用研究[D].重庆:重庆大学,2007.

[6]王娟,高蒙,亢海伟.基于BP神经网络的负载识别和C语言实现[J].河北省科学院学报,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神经网络隐含层单元数的确定[J].天津理工大学学报,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，河南信阳人，硕士研究生，电子科学与技术.通信作者:周磊副教授，E-mail: zhoulei@hdu.edu.cn.

TP274

A

1001-9146(2016)06-0005-05