基于BP神经网络的智能台区识别方法研究*

李亚，樊汝森，蒋伟，杨俊杰，宋涛，赵勤学

（1.上海电力学院电子与信息工程学院，上海200090；2.国网上海市电力公司青浦供电公司，上海200122）

0 引 言

老旧小区、沿街门面和新建小区等地方，由于配电网台区信息更新不及时等原因，造成台区用户信息混乱、不准确甚至缺失，严重制约了智能电网建设进程。为提高配电变压器利用率降低线损，需要平衡各台区负载及台区三相负载，此外，为保证线损计算的准确性，供电管理部门需要经常普查台区用户信息，特别是用户台区和相位信息［1］。现有台区用户识别仪多数基于电力载波技术直接通信与否或电流脉冲技术［2-6］来识别台区信息，前者由于“共高压”“共地”“共电缆沟”等串扰问题［7］，实际应用中载波信号不能被变压器完全隔离，载波信号仍可藕合到其他变压器产生跨台区通信难题，使得台区识别准确度较低，文献［8］通过改变电力载波通信发射功率和查询帧长度来限制载波信号跨台区通信，但无法从根本上解决载波信号跨台区通信难题；后者需要在变压器出线端安装电流互感器，操作上存在一定安全隐患，且可控制性差。

针对现在台区用户识别存在的问题，提出一种基于前向误差传播（Back Propagation，BP）神经网络的智能台区用户信息识别方法并研制了该系统，通过电力载波通信可初步识别出已识别用户、无法识别用户和跨台区不确定用户，针对跨台区不确定用户基于电力载波信号品质和前向BP神经网络智能分类识别，可提高台区用户信息识别准确度，实现用户信息全识别，并将最终识别结果存储到外部存储器。该方法可有效解决“共高压”“共地”“共电缆沟”等串扰难题，大大降低工作人员工作量，具有识别台区用户信息准确度高、范围广、效率高等优点。

1 系统工作原理和结构

本台区用户信息识别系统包括多个识别器和手持器，系统结构如图1所示。每个识别器与相应变压器低压出线端三相电相连接，基于电力载波技术采用轮询或主动上报方式向采集器或载波电表发送查询帧，采集器通过RS485与电表通信，若通信成功，采集器或电表接收到查询帧后向识别器发送响应帧，识别器接收响应帧提取采集器或电表台区及相位信息，实现初步识别用户台区及相位，并将初步识别结果通过GPRS远程无线通信发送给手持器。

由于电力载波信号易受干扰使得电力载波通信距离有限，难以保障整个台区电力载波通信正常，因此某些用户可能无法通信而无法识别，此外，由于“共高压”、“共地”和“共电缆沟”等问题，电力载波信号可跨变压器藕合到其他台区，某些用户可与两个台区的识别器都能通信成功形成跨台区不确定用户。

手持器除了能够识别同台区用户，还可以采用前向BP神经网络实现跨台区用户识别。首先接收多个识别器初步识别结果后经过查询与比较，可初步识别出已正确识别用户、无法识别用户和跨台区不确定用户。手持器可与无法识别用户或跨台区用户直接连接，针对无法识别用户，采用轮询方式向已知相邻线路已识别用户直接发送查询帧，若通讯成功，手持器将接收到相应响应帧，则此用户与已识别用户同台区同相位；针对跨台区不确定用户，向两个待测台区的相应识别器和已识别用户发送查询帧，若通讯成功将会收到相应响应帧，提取响应帧的电力载波通信信号品质，基于前向BP神经网络可实现用户台区识别，并根据台区识别结果相应响应帧提取用户相位信息，实现用户台区和相位全识别，并将识别结果存储到SD卡。通过SD卡实现数据导入、导出等功能，实现对用户信息的更新和管理。此外，手持器还可以对各识别器的参数进行设置和查询。

2 BP神经网络模型与分析

在识别跨台区用户时，由于电力载波通信干扰源较多且复杂，电力载波通信信号品质不仅与通信距离相关，而且与负载、谐波等因素相关，使得设备与采集器之间通信的信号品质动态变化，此外，识别器及采集器通信的信号品质与台区识别结果并没有确切的数学关系，无法通过数学计算公式方法来准确识别跨台区用户，因此本文提出利用BP神经网络的自学习能力和逼近任意非线性关系能力来智能识别用户台区信息［9］。

图1 系统结构框图Fig.1 System structure block diagram

2.1 建立BP神经网络

BP神经网络只需一层隐含层即可拟合任意有限输入输出映射关系，基于仿真软件MATLAB 2012b的feedforwardnet函数可建立前向BP神经网络，为避免过度拟合，训练方式采用交叉训练验证测试方法，默认条件下训练集为样本集的70%，验证集为样本集的15%，测试集为样本集的15%，feedforwardnet函数输入参数只有隐含层节点数和训练函数，其输入输出节点数在训练时根据样本集自动确定，并在训练开始前自动进行归一化处理，使的前向BP神经网络应用更方便且性能更高。

分别测试30组跨台区用户与两台区识别器和各台区3支采集器之间电力载波通信信号品质作为训练样本输入数据，信号品质范围为0～15，其中0表示通信失败，15表示通信信号品质最好，若跨台区用户在1号台区则样本输出数据为［0 1］，若跨台区用户在2号台区，则样本输出数据为［0 1］，因此前向BP神经网络输入层有8个输入节点，输出层有2个输出节点。

2.2 确定隐藏层节点数

由于隐藏层节点数（Hidden Layer Node Numbers，HLNN）没有统一计算公式，HLNN过多容易导致计算复杂且达到相同训练效果时收敛速度慢，过少则容易导致训练时陷入局部极小值，因此HLNN常常需要根据样本进行实测确定。根据R.P.Lippmann提出的HLNN估算公式［10］可得HLNN为2，而根据初定HLNN经验公式［11］可得HLNN为6，因此HLNN可在2～8范围内选择。在主频为2.2 GHz、内存为2.0 G的惠普笔记本电脑上仿真时前向BP神经网络均方根误差（Mean Squared Error，MSE）、训练迭代次数Epoch和训练时间Time如表1所示，其中MSE较关键，MSE越小表明训练时验证集误差越小，训练效果越好。

表1 不同HLNN的BP神经网络性能Tab.1 BP neural network performance with different HLNN

由表1可知，HLNN在2～8范围内时Time在0.3 s～0.5 s范围内且相差不大，当HLNN取4时MSE最小，且综合性能较好，此时均方误差与训练次数关系如图2所示。

图2 HLNN为4时样本集MSE与EpochFig.2 Sample collection MSE and Epoch when HLNN is 4

由图2可知，前向BP神经网络经16次训练后验证集MSE最小且为2.320 9×10-15，MSE最小点位于图中圆心处，且验证集MSE和测试集MSE与训练集MSE变化趋势一致，此外，训练输出值与目标值回归分析如图3所示。

图3 输出值与目标值回归分析Fig.3 Regression analysis of output and target value

由图3可知，训练综合输出值与目标值成线性关系且输出值基本等于目标值，输出值与目标值综合回归系数接近为1，训练结果表明前向BP神经网络不仅训练精度高而且验证测试效果好，因此本系统选用HLNN为4的前向BP神经网络进行跨台区用户识别，隐藏层输出变换函数采用tansig非线性函数，输出层输出变换函数采用purelin线性函数，其结构如图4所示。

图4 前向BP神经网络结构Fig.4 Forward BP neural network structure

3 系统测试

3.1 BP神经网络仿真测试

前向BP神经网络经过训练后，采用30组测试数据作为测试集对其识别准确性进行测试，测试集不同于样本集，其中4组测试数据的测试结果如表2所示，测试集的输出值相对误差如图5所示，通过比较输出层节点输出值大小即可确定用户台区。

表2 BP神经网络识别准确性测试Tab.2 Accuracy recognition test of BP neural network

图5 测试集的输出值相对误差Fig.5 Relative error of output value of test sets

由表2可知，系统不以单次通信信号品质高低来识别台区，能够正确识别跨台区用户信息且具有较高的容差性能；由图5可知，系统输出值相对误差低于2%，输出值区别大，因此通过比较输出值大小可实现跨台区用户100%正确识别，识别准确性较高，理论上验证了基于电力载波信号品质和前向BP神经网络实现跨台区用户智能识别的可行性和准确性。

3.2 现场测试

为实际测试台区用户信息识别系统功能及性能，在实验室采用2台模拟配电变压器、2台识别器、9台采集器及1台手持器模拟现场环境搭建1号台区和2号台区进行测试，所有采集器安装在A相，系统测试环境如图6所示。

图6 系统测试环境Fig.6 Test environment of system

1号识别器与1号台区变压器低压出线端连接，2号识别器与2号台区变压器低压出线端连接。通过手持器或者识别器的触摸显示屏对识别器参数进行设置，包括识别起始时间、识别终止时间、轮询次数、重发次数、轮询等待时间等，1号识别器识别结果如图7所示。

图7 识别器识别结果Fig.7 Recognition result of identifier

由图 7可知，采集器 00072092、00072093、00072094、00072095、00072096与1号识别器同属一个台区，且其相位在A相，实现了识别器初步识别台区信息且性能良好。手持器接收两识别器识别信息后与已知台区记录用户信息进行查询与比较，测得00072091为无法识别用户，00072093为跨台区用户。将手持器与00072091采集器相连，并发送查询00072094采集器查询帧，手持器识别00072091采集器结果如图8所示。

图8 手持器识别00072091采集器结果Fig.8 Recognition result of handheld with 00072091

由图8可知手持器能够收到00072094采集器响应帧，且通信信号品质为最高15，则表明00072091采集器与00072094采集器同属一个台区且同相位。再将手持器与00072093采集器连接，分别向两识别器 和 00072092、00072094、00072095、00072097、00072098、00072099采集器发送查询帧，手持器识别00072093采集器结果如图9所示。

图9 手持器识别跨台区采集器Fig.9 Collector of handheld across transformer area

由图9可知，00072093采集器归属于1号台区，由于1号识别器对00072093采集器的相位识别为A相，因此最终确定00072093采集器位于1号台区的A相。测试结果与实际情况完全相同，因此，通过该方法不仅能够识别初步识别无法识别用户，还能有效识别跨台区用户，较好的实现了台区用户信息全识别。

4 结束语

针对跨台区用户归属难以确定的难题，提出了基于BP神经网络的智能台区识别方法。该方法在利用电力载波通信技术实现台区用户信息初步识别的基础上，并分类出已识别用户、无法识别用户和跨台区用户，然后利用BP神经网络模型结合电力载波信号品质进行跨台区用户识别，由于不以单次通信信号品质高低来识别台区，该方法识别容差性高。实验表明基于BP神经网络的智能台区识别方法能够准确识别跨台区用户，彻底解决跨台区用户归属难题，在此基础上完成了用户识别系统的试制。系统满足电力公司普查用户台区和相位信息要求，具有识别准确度高、范围广、效率高等优点，可有效解决跨台区通信串扰难题，大大减少工作人员工作量并降低成本。