學生宿舍違規電器監控系統設計

劉揚　張朝霞　盧允杰

摘? 要：針對學生宿舍用電安全問題，文章提出一種基于智能電表的宿舍用電器監控系統。系統分為智能電表和后臺監控平臺兩個部分。通過智能電表完成用電器特征數據的采集與處理，通過4G模塊將采集到的數據上傳至后臺監控平臺進行分析處理。構建BP神經網絡用電器識別系統，實現在線數據采集與監控，降低學生宿舍因用電設備短路、過載等問題而導致電氣事故發生的概率，提高高校后勤對學生宿舍用電安全的管理效率。

關鍵詞：數據處理;BP神經網絡;智能電表;在線監測

中圖分類號：TP29? ? ? ? ? ? ? ? ? ?文獻標識碼：A文章編號：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

隨著科技的發展和人民生活水平的提高，學生宿舍里的電子產品和大功率違規電器也越來越多，一旦發生電力火災不但會造成財產損失，還有可能造成人員傷亡[1，2]。2008年上海商學院的火災事件震驚中外。由于學生違規使用“熱得快”燒水，忘記拔掉插頭，高溫導致電器故障，引發火災。該宿舍內4名女生為了躲避火災的傷害，從6樓陽臺跳下，全部身亡。2020年9月13日凌晨，上海大學寶山校區3號宿舍發生火災，所幸消防救援人員及時趕到將火撲滅，沒有造成人員傷亡。這些發生在高校學生宿舍的火災一次次為校園安全用電防火敲響警鐘，目前高校選用的宿舍用電管理系統存在惡性負載識別率低、交互性差等問題，不能及時發現惡性負載的使用，對于學校允許使用的阻性負載也當成惡性負載進行斷電，增加了學生與宿管之間的矛盾[3-5]。在低成本高需求的情況下，采用智能電表完成用電器電力數據的采集與處理[6，7]，結合BP神經網絡算法構建用電器分類模型，MATLAB仿真結果表明，該方法對已學習的用電器具有較高的識別度，并對于多個用電器同時使用的復雜情況，也有較高的準確率[8]。

1? 系統總體設計方案

系統由智能電表、后臺監控平臺和用戶APP三部分構成。智能電表作為數據采集終端，將采集到的數據通過4G模塊上傳至后臺監控平臺，后臺監控平臺進一步分析處理所采集的數據，提取數據的負荷特征[9]。構建BP神經網絡模型對用電設備的負荷特征進行訓練，創建用電器識別特征庫。后臺監控平臺實行24小時不間斷的在線監測，發現某個學生在使用違規電器，則通過手機APP或微信公眾號推送給宿管人員，形成一套閉環的監控系統。

智能電表選用具有32位Cotex-M0內核處理器的HT6025作為控制模塊，包含2通道32位通用定時器，有五個串口、多達64個IO腳可供使用，集成看門狗、RTC等功能模塊;控制器完成數據采集與處理;電能計量模塊采集宿舍供電回路功率、電流信息[10];4G模塊負責智能電表與后臺監控平臺之間的通信。當發現有學生宿舍使用違規電器時，后臺監控平臺立即將學生宿舍信息以及所使用的違規電器信息通過微信公眾號推送給宿管人員，避免電氣火災的發生。圖1所示為智能電表硬件系統圖。

如圖2所示為非入侵式負荷識別框架圖，非入侵式負荷識別一般包括數據采集與處理、事件檢測、負荷特征提取、負荷識別[11]：

（1）數據采集與處理。非入侵式負荷識別的前提是要有真實有效的數據，本文以學生宿舍常用電器和大功率違規電器作為研究對象，通過智能電表采集用電器的功率、電壓、電流等電氣數據。本方法采用電流10次諧波作為用電器識別特征，數據采集過程中可能存在環境噪聲的干擾，需要對采集到的數據進行降噪處理，減少噪聲對實驗的影響[12]。

（2）事件檢測。對預處理后的數據進行事件檢測，判斷是否有負荷投切。

（3）負荷特征提取。在檢測到電路中有用電器的投入或切出后，通過快速傅立葉變換的方法提取有效的負荷特征，本文提取的負荷特征是穩態特征。

（4）負荷識別。將所提取的負荷特征與已經建立的負荷特征庫進行對比，進而識別出負荷類型[13]。

2? 小波去噪與諧波提取

2.1? 小波去噪

在數據采集的過程中，由于用電器的不斷開啟與斷開、電流互感器本身存在的誤差或電網波動會使所采集的信號容易受噪聲信號的干擾而產生尖峰毛刺，使得采集的數據存在高斯白噪聲，影響負荷識別的準確性，所以需要對采集的信號進行降噪處理。

采用小波軟閾值去噪法，通過設立合適的閾值，提取有用信號，過濾噪聲。小波系數比閾值高判定為有用信號;小波系數比閾值低則判定為噪聲，進行置零處理。最后對處理后的小波系數進行逆變換，實現噪聲濾除，小波閾值去噪流程如圖3所示。

選用學生宿舍常見的電腦+飲水機+吹風機+電動車電瓶的電流信號進行去噪測試，采用基于MATLAB的小波軟閾值去噪法針對電流信號去噪效果進行實驗驗證，小波基選用sym6，分解層數為3，進行電流去噪前后的電流信號波形對比，如圖4所示。

由MATLAB仿真結果可知，小波閾值法去噪效果很好，剔除了噪聲，保留了有用信號，為用電器分類識別提供了基礎。

2.2? 諧波提取

2.2.1? 波形分離算法

波形分離算法的作用是將原始波形數據中所包含的各個用電器的疊加波形進行分離，得到用電器各自的波形。該算法的輸入是多組用電器疊加波形，每個組合中可能只有單個用電器或者包含多個用電器同時使用，并且要求不同用電器疊加組合以具有足夠的豐富性，保證這個問題在理論上是可解的。例如：假設同一個房間內在不同時間段使用的單個或者多個用電器組合是不一樣的，采集某房間多個不同時間段的疊加波形，作為算法輸入。在理想的情況下，波形分離算法可以識別出每一個疊加波形包含有哪些用電器。

2.2.2? 算法思路

分離單一時間段內的疊加波形是一個十分困難的問題。但是如果有同一房間的很多不同時間段的疊加波形，它們都來源于這個房間中有限的幾種用電器，那么該問題在理論上就會變得可解，可以描述為：

已知某環境下的用電器數量小于或等于n，每一個用電器有一個對應的波形，則它們互不相同。現給定k個用電器的疊加波形，其中每個疊加波形可能是n個用電器中的任意幾個波形的疊加。目標是求解出其中所有用電器的波形，以及k個疊加波形分別是哪些用電器波形的疊加。

具體步驟為：

步驟1：采集電路中所需的電流數據。

步驟2：對采集的數據預處理。

步驟3：通過快速傅立葉變換計算導入電流信號的前10項奇次諧波系數，并將其存儲在特征矩陣中：

3? BP神經網絡識別模型

3.1? BP神經網絡原理

人工神經網絡是一種模擬動物神經網絡的行為特征，執行分布式和并行信息處理算法的數學模型。其中BP神經網絡也是一種人工神經網絡，BP神經網絡設計簡單，在面臨大多數問題時效率穩定，已成為最通用的網絡之一。網絡拓撲結構如圖6所示。

3.2? BP神經網絡實現過程

BP神經網絡算法在神經網絡算法和梯度下降法的基礎上，調節網絡的權值和閾值，降低了獲得輸出的誤差，利用網絡記憶訓練和學習收斂，使網絡訓練誤差逐漸逼近目標誤差，提高了算法輸出值與期望值的接近程度，BP神經網絡記憶訓練和學習收斂過程如圖7所示。

借助于新的樣本信息對BP神經網絡展開循環訓練工作，循環到步驟3，直到完成數據庫中m組樣本的訓練，持續輸入訓練樣本并執行步驟3，最終得到的網絡全局誤差E在達到目標誤差范圍之內，完成網絡的收斂訓練。

利用三層的BP神經網絡分析記憶訓練和學習收斂的具體實現，對整個網絡進行初始化，利用新的樣本數據對BP神經網絡進行重復訓練，直到完成數據庫中m組樣本的訓練，一直重復不斷地輸入訓練樣本，最終得到的網絡全局誤差E在目標誤差范圍之內，完成網絡的收斂訓練。使用MATLAB建立模型，從用電器特征庫中導入相關數據集，不斷調節參數以選出最優參數組合。BP神經網絡結構示意圖如圖8所示。

4? 負荷識別仿真與結果分析

選取電腦、吹風機、取暖器、飲水機、手機、電飯煲、洗衣機、熱水壺、小風扇，9種用電器及其混合組合共15種數據樣本進行訓練。依次將上述電器單獨或混合插到插排上，智能電表進行數據采集與處理，將數據傳輸到后臺監控平臺進行網絡訓練，保存訓練好的BP神經網絡識別模型，測試時，將一組測試數據輸入系統，系統會自動識別出是何種用電器。15種用電器使用情況下系統的識別準確度如表1所示。

由表1可知，系統能精準識別單個用電器，即使是在多種用電器混合使用時，系統的識別率也比較高，在用電環境相對簡單的學生宿舍非常適用。

使用混淆矩陣來評定BP神經網絡學習算法的性能。在監督學習中混淆矩陣為方陣，是一種可視化工具，主要用來比較分類結果與實際值的差別，混淆矩陣中的列代表預測類別，行代表數據的真實歸屬類別，主對角線代表模型預測與標簽一致的數目。所以主對角線上的數字越大，代表算法模型的預測結果越好，而混淆矩陣主對角線以外的值則越小越好。因此通過混淆矩陣我們可以清楚地知道算法模型的準確率[15]。圖9為15種用電環境下的混淆矩陣。

使用訓練數據對分類網絡進行訓練，根據訓練的效果不斷地對參數進行優化，最后獲得訓練后的分類系統，測試結果如圖10所示。

由MATLAB仿真結果可知，基于BP神經網絡的用電器分類模型，在各種復雜用電情況下可以精準識別出用電器類型，在低成本高需求的學生宿舍用電環境中尤為適用。

5? 結? 論

結合學生宿舍電能管理的特點和需求，對學生宿舍的用電設備進行研究，能夠及時發現違規大功率用電設備的接入，降低學生宿舍因用電設備短路、過載而導致用電事故發生的概率，提高高校后勤對學生宿舍用電安全的管理效率。本文通過智能電表采集用電器的電流數據并進行預處理，提取電流諧波作為識別特征，構建BP神經網絡用電器分類識別模型，能夠較好地識別學生宿舍、企事業單位公寓等環境中的用電器使用情況。選用智能電表作為采集計量終端，可以降低硬件配置成本，具有實際應用價值。

參考文獻：

[1] 戴彪.基于高校宿舍區域突發事件人員疏散的仿真與方法研究 [D].太原：中北大學，2017.

[2] 李娟.高校學生宿舍用電管理系統的設計與實現 [D].石家莊：河北科技大學，2015.

[3] 張春健.非侵入式家居電器負荷識別方法研究及應用 [D].濟南：山東大學，2021.

[4] 張臣國.小波分析在信號降噪中的應用研究 [D].成都：電子科技大學，2012.

[5] 程春雨，劉正龍，顏科宇，等.基于BP神經網絡的用電器識別系統設計 [J].實驗科學與技術，2021，19（2）：11-16.

[6] 李如意，黃明山，周東國，等.基于粒子群算法搜索的非侵入式電力負荷分解方法 [J].電力系統保護與控制，2016，44（8）：30-36.

[7] 劉忠輝，蔡高琰，梁炳基，等.基于電力數據分析的污染物排放監測方法研究 [J].信息技術與網絡安全，2021，40（2）：52-55+73.

[8] 梅凱.基于智能電表的非侵入式用電量分項計量系統設計 [D].廣州：廣東工業大學，2020.

[9] 呂成亮.基于OBD專有協議芯片的汽車數據采集系統的設計 [D].長沙：湖南大學，2017.

[10] 彭團結，孫旭東，任澤斌，等.宿舍樓大功率電器監控與智能管理系統設計 [J].科技創新與應用，2020（16）：92-93.

[11] 張濤.非侵入式家用電器負荷監測技術研究 [D].西安：西安電子科技大學，2020.

[12] 梅凱，蔡高琰，駱德漢，等.基于智能電表的電器用電量分類計量方法研究 [J].信息技術與網絡安全，2020，39（2）：62-68.

[13] 田潔.基于用戶行為分析的非侵入式家庭負荷分解研究 [D].北京：華北電力大學（北京），2019.

[14] 談曉成，吳新開，李忠.超聲回波信號的多閾值分段去噪方法研究 [J].微型機與應用，2015，34（9）：71-74.

[15] 王垚.基于人工神經網絡的人臉識別技術研究及應用 [D].西安：西安石油大學，2015.

作者簡介：劉揚（1996—），男，漢族，安徽淮南人，碩士研究生在讀，主要研究方向：非線性系統理論與多功能物聯網電表研究;

張朝霞（1976—），女，漢族，廣東佛山人，副教授，博士，主要研究方向：非線性系統等方面的教學與研究;

盧允杰（1980—），男，漢族，廣東佛山人，硬件工程師，本科，主要研究方向：物聯網通信技術、多功能電表研究。