学生宿舍违规电器监控系统设计

2021-05-09刘扬张朝霞卢允杰

现代信息科技 2021年20期

刘扬　张朝霞　卢允杰

摘要：针对学生宿舍用电安全问题，文章提出一种基于智能电表的宿舍用电器监控系统。系统分为智能电表和后台监控平台两个部分。通过智能电表完成用电器特征数据的采集与处理，通过4G模块将采集到的数据上传至后台监控平台进行分析处理。构建BP神经网络用电器识别系统，实现在线数据采集与监控，降低学生宿舍因用电设备短路、过载等问题而导致电气事故发生的概率，提高高校后勤对学生宿舍用电安全的管理效率。

关键词：数据处理;BP神经网络;智能电表;在线监测

中图分类号：TP29 文献标识码：A文章编号：2096-4706（2021）20-0001-06

Design of Monitoring System for Illegal Electrical Appliance in

Student Dormitory

LIU Yang ZHANG Chaoxia LU Yunjie

（1.School of Mechatronic Engineering and Automation， Foshan University， Foshan 528225， China; 2.Guangdong Haodi Innovation Technology Co.， Ltd.， Foshan 528000， China）

Abstract： Aiming at the problem of electricity safety in students' dormitory， this paper proposes a dormitory electrical appliance monitoring system based on intelligent electricity meter. The system is divided into two parts： intelligent electricity meter and background monitoring platform. Complete the collection and processing of electrical appliance characteristic data through the intelligent electricity meter， and upload the collected data to the background monitoring platform for analysis and processing through the 4G module. The BP neural network electrical appliance identification system is constructed to realize online data acquisition and monitoring， reduce the probability of electrical accidents caused by short circuit and overload of electric equipments in student dormitories， and improve the management efficiency of University logistics for electricity safety in student dormitories.

Keywords： data processing; BP neural network; intelligent electricity meter; online monitoring

0 引言

隨着科技的发展和人民生活水平的提高，学生宿舍里的电子产品和大功率违规电器也越来越多，一旦发生电力火灾不但会造成财产损失，还有可能造成人员伤亡[1，2]。2008年上海商学院的火灾事件震惊中外。由于学生违规使用“热得快”烧水，忘记拔掉插头，高温导致电器故障，引发火灾。该宿舍内4名女生为了躲避火灾的伤害，从6楼阳台跳下，全部身亡。2020年9月13日凌晨，上海大学宝山校区3号宿舍发生火灾，所幸消防救援人员及时赶到将火扑灭，没有造成人员伤亡。这些发生在高校学生宿舍的火灾一次次为校园安全用电防火敲响警钟，目前高校选用的宿舍用电管理系统存在恶性负载识别率低、交互性差等问题，不能及时发现恶性负载的使用，对于学校允许使用的阻性负载也当成恶性负载进行断电，增加了学生与宿管之间的矛盾[3-5]。在低成本高需求的情况下，采用智能电表完成用电器电力数据的采集与处理[6，7]，结合BP神经网络算法构建用电器分类模型，MATLAB仿真结果表明，该方法对已学习的用电器具有较高的识别度，并对于多个用电器同时使用的复杂情况，也有较高的准确率[8]。

1 系统总体设计方案

系统由智能电表、后台监控平台和用户APP三部分构成。智能电表作为数据采集终端，将采集到的数据通过4G模块上传至后台监控平台，后台监控平台进一步分析处理所采集的数据，提取数据的负荷特征[9]。构建BP神经网络模型对用电设备的负荷特征进行训练，创建用电器识别特征库。后台监控平台实行24小时不间断的在线监测，发现某个学生在使用违规电器，则通过手机APP或微信公众号推送给宿管人员，形成一套闭环的监控系统。

智能电表选用具有32位Cotex-M0内核处理器的HT6025作为控制模块，包含2通道32位通用定时器，有五个串口、多达64个IO脚可供使用，集成看门狗、RTC等功能模块;控制器完成数据采集与处理;电能计量模块采集宿舍供电回路功率、电流信息[10];4G模块负责智能电表与后台监控平台之间的通信。当发现有学生宿舍使用违规电器时，后台监控平台立即将学生宿舍信息以及所使用的违规电器信息通过微信公众号推送给宿管人员，避免电气火灾的发生。图1所示为智能电表硬件系统图。

如图2所示为非入侵式负荷识别框架图，非入侵式负荷识别一般包括数据采集与处理、事件检测、负荷特征提取、负荷识别[11]：

（1）数据采集与处理。非入侵式负荷识别的前提是要有真实有效的数据，本文以学生宿舍常用电器和大功率违规电器作为研究对象，通过智能电表采集用电器的功率、电压、电流等电气数据。本方法采用电流10次谐波作为用电器识别特征，数据采集过程中可能存在环境噪声的干扰，需要对采集到的数据进行降噪处理，减少噪声对实验的影响[12]。

（2）事件检测。对预处理后的数据进行事件检测，判断是否有负荷投切。

（3）负荷特征提取。在检测到电路中有用电器的投入或切出后，通过快速傅立叶变换的方法提取有效的负荷特征，本文提取的负荷特征是稳态特征。

（4）负荷识别。将所提取的负荷特征与已经建立的负荷特征库进行对比，进而识别出负荷类型[13]。

2 小波去噪与谐波提取

2.1 小波去噪

在数据采集的过程中，由于用电器的不断开启与断开、电流互感器本身存在的误差或电网波动会使所采集的信号容易受噪声信号的干扰而产生尖峰毛刺，使得采集的数据存在高斯白噪声，影响负荷识别的准确性，所以需要对采集的信号进行降噪处理。

采用小波软阈值去噪法，通过设立合适的阈值，提取有用信号，过滤噪声。小波系数比阈值高判定为有用信号;小波系数比阈值低则判定为噪声，进行置零处理。最后对处理后的小波系数进行逆变换，实现噪声滤除，小波阈值去噪流程如图3所示。

选用学生宿舍常见的电脑+饮水机+吹风机+电动车电瓶的电流信号进行去噪测试，采用基于MATLAB的小波软阈值去噪法针对电流信号去噪效果进行实验验证，小波基选用sym6，分解层数为3，进行电流去噪前后的电流信号波形对比，如图4所示。

由MATLAB仿真结果可知，小波阈值法去噪效果很好，剔除了噪声，保留了有用信号，为用电器分类识别提供了基础。

2.2 谐波提取

2.2.1 波形分离算法

波形分离算法的作用是将原始波形数据中所包含的各个用电器的叠加波形进行分离，得到用电器各自的波形。该算法的输入是多组用电器叠加波形，每个组合中可能只有单个用电器或者包含多个用电器同时使用，并且要求不同用电器叠加组合以具有足够的丰富性，保证这个问题在理论上是可解的。例如：假设同一个房间内在不同时间段使用的单个或者多个用电器组合是不一样的，采集某房间多个不同时间段的叠加波形，作为算法输入。在理想的情况下，波形分离算法可以识别出每一个叠加波形包含有哪些用电器。

2.2.2 算法思路

分离单一时间段内的叠加波形是一个十分困难的问题。但是如果有同一房间的很多不同时间段的叠加波形，它们都来源于这个房间中有限的几种用电器，那么该问题在理论上就会变得可解，可以描述为：

已知某环境下的用电器数量小于或等于n，每一个用电器有一个对应的波形，则它们互不相同。现给定k个用电器的叠加波形，其中每个叠加波形可能是n个用电器中的任意几个波形的叠加。目标是求解出其中所有用电器的波形，以及k个叠加波形分别是哪些用电器波形的叠加。

具体步骤为：

步骤1：采集电路中所需的电流数据。

步骤2：对采集的数据预处理。

步骤3：通过快速傅立叶变换计算导入电流信号的前10项奇次谐波系数，并将其存儲在特征矩阵中：

3 BP神经网络识别模型

3.1 BP神经网络原理

人工神经网络是一种模拟动物神经网络的行为特征，执行分布式和并行信息处理算法的数学模型。其中BP神经网络也是一种人工神经网络，BP神经网络设计简单，在面临大多数问题时效率稳定，已成为最通用的网络之一。网络拓扑结构如图6所示。

3.2 BP神经网络实现过程

BP神经网络算法在神经网络算法和梯度下降法的基础上，调节网络的权值和阈值，降低了获得输出的误差，利用网络记忆训练和学习收敛，使网络训练误差逐渐逼近目标误差，提高了算法输出值与期望值的接近程度，BP神经网络记忆训练和学习收敛过程如图7所示。

借助于新的样本信息对BP神经网络展开循环训练工作，循环到步骤3，直到完成数据库中m组样本的训练，持续输入训练样本并执行步骤3，最终得到的网络全局误差E在达到目标误差范围之内，完成网络的收敛训练。

利用三层的BP神经网络分析记忆训练和学习收敛的具体实现，对整个网络进行初始化，利用新的样本数据对BP神经网络进行重复训练，直到完成数据库中m组样本的训练，一直重复不断地输入训练样本，最终得到的网络全局误差E在目标误差范围之内，完成网络的收敛训练。使用MATLAB建立模型，从用电器特征库中导入相关数据集，不断调节参数以选出最优参数组合。BP神经网络结构示意图如图8所示。

4 负荷识别仿真与结果分析

选取电脑、吹风机、取暖器、饮水机、手机、电饭煲、洗衣机、热水壶、小风扇，9种用电器及其混合组合共15种数据样本进行训练。依次将上述电器单独或混合插到插排上，智能电表进行数据采集与处理，将数据传输到后台监控平台进行网络训练，保存训练好的BP神经网络识别模型，测试时，将一组测试数据输入系统，系统会自动识别出是何种用电器。15种用电器使用情况下系统的识别准确度如表1所示。

由表1可知，系统能精准识别单个用电器，即使是在多种用电器混合使用时，系统的识别率也比较高，在用电环境相对简单的学生宿舍非常适用。

使用混淆矩阵来评定BP神经网络学习算法的性能。在监督学习中混淆矩阵为方阵，是一种可视化工具，主要用来比较分类结果与实际值的差别，混淆矩阵中的列代表预测类别，行代表数据的真实归属类别，主对角线代表模型预测与标签一致的数目。所以主对角线上的数字越大，代表算法模型的预测结果越好，而混淆矩阵主对角线以外的值则越小越好。因此通过混淆矩阵我们可以清楚地知道算法模型的准确率[15]。图9为15种用电环境下的混淆矩阵。

使用训练数据对分类网络进行训练，根据训练的效果不断地对参数进行优化，最后获得训练后的分类系统，测试结果如图10所示。

由MATLAB仿真结果可知，基于BP神经网络的用电器分类模型，在各种复杂用电情况下可以精准识别出用电器类型，在低成本高需求的学生宿舍用电环境中尤为适用。

5 结论

结合学生宿舍电能管理的特点和需求，對学生宿舍的用电设备进行研究，能够及时发现违规大功率用电设备的接入，降低学生宿舍因用电设备短路、过载而导致用电事故发生的概率，提高高校后勤对学生宿舍用电安全的管理效率。本文通过智能电表采集用电器的电流数据并进行预处理，提取电流谐波作为识别特征，构建BP神经网络用电器分类识别模型，能够较好地识别学生宿舍、企事业单位公寓等环境中的用电器使用情况。选用智能电表作为采集计量终端，可以降低硬件配置成本，具有实际应用价值。

参考文献：

[1] 戴彪.基于高校宿舍区域突发事件人员疏散的仿真与方法研究 [D].太原：中北大学，2017.

[2] 李娟.高校学生宿舍用电管理系统的设计与实现 [D].石家庄：河北科技大学，2015.

[3] 张春健.非侵入式家居电器负荷识别方法研究及应用 [D].济南：山东大学，2021.

[4] 张臣国.小波分析在信号降噪中的应用研究 [D].成都：电子科技大学，2012.

[5] 程春雨，刘正龙，颜科宇，等.基于BP神经网络的用电器识别系统设计 [J].实验科学与技术，2021，19（2）：11-16.

[6] 李如意，黄明山，周东国，等.基于粒子群算法搜索的非侵入式电力负荷分解方法 [J].电力系统保护与控制，2016，44（8）：30-36.

[7] 刘忠辉，蔡高琰，梁炳基，等.基于电力数据分析的污染物排放监测方法研究 [J].信息技术与网络安全，2021，40（2）：52-55+73.

[8] 梅凯.基于智能电表的非侵入式用电量分项计量系统设计 [D].广州：广东工业大学，2020.

[9] 吕成亮.基于OBD专有协议芯片的汽车数据采集系统的设计 [D].长沙：湖南大学，2017.

[10] 彭团结，孙旭东，任泽斌，等.宿舍楼大功率电器监控与智能管理系统设计 [J].科技创新与应用，2020（16）：92-93.

[11] 张涛.非侵入式家用电器负荷监测技术研究 [D].西安：西安电子科技大学，2020.