基于防盜算法的多功能智能電力計量系統

摘" 要： 針對市場上傳統數字電表的局限性，提出一種多功能智能電力計量系統。該系統通過集成物聯網，實現智能電表的實時監控、波形諧波消除、防盜檢測和負荷預測等功能。采用傅里葉分析對諧波進行分解，并使用電感器將失真降低30%，以滿足IEEE 519標準。采用防盜算法，通過比較總用電量和單個電表用電量來識別異常情況。采用長短期記憶（LSTM）神經網絡進行下一天的負荷預測，平均絕對百分誤差為7.56%。實驗結果表明，該系統在增強供電質量、安全性、實時監控以及合理的短期預測方面都較好地滿足了市場的需求。

關鍵詞： 防盜算法； 智能電表； 電能計量系統； 諧波消除； 負荷預測； LSTM神經網絡

中圖分類號： TN911.23?34； TP391" " " " " " " " " "文獻標識碼： A" " " " " " " " " 文章編號： 1004?373X（2024）12?0177?05

Multifunctional smart power metering system based on anti?theft algorithm

HE Daoyuan， PAN Wei， WANG Zhigang， LI Mingran

（Nari?Tech Nanjing Control Systems Co.， Ltd.， Nanjing 211100， China）

Abstract： In order to address limitations of conventional digital meters， a multi?functional smart electricity metering system is proposed. By integrating Internet of Things， the system can realize the real?time monitoring of smart meter， wave harmonics elimination， anti?theft detection， and load forecasting. Fourier analysis is used to decompose harmonics， and inductors are used to reduce distortion by 30% to meet IEEE 519 standards. In the anti?theft algorithm， the total and individual meter consumptions are compared to identify anomalies. A long short?term memory neural network can be used to provide next?day load forecasts with a mean absolute percentage error of 7.56%. The experimental results show that the system can meet the market demand well in enhancing power supply quality， safety， real?time monitoring， and reasonable short?term forecasting.

Keywords： anti?theft algorithm; smart electricity meter; electricity metering system; harmonic elimination; load forecasting; LSTM neural network

0" 引" 言

隨著電力需求的快速增長，智能電表在提高用電效率和管理方面發揮著重要作用。然而傳統電表存在監控實時性差、防盜能力較弱等問題，無法滿足電力管理的需要。目前學術界針對智能電表設計提出了多種方案，如基于物聯網[1]的實時監控系統、采用云平臺的遠程控制[2]方案等。這些方案的設計主要集中在實時監控、遠程控制等功能上，但較少考慮功率質量控制和負荷預測等問題。本文針對市場需求，設計了集成物聯網的多功能智能電表系統。該系統不僅實現了實時監控、防盜算法等功能，還可以檢測和消除諧波、進行短期負荷預測。實驗結果表明，該系統能有效提高供電質量、安全性和管理水平。

1" 方" 法

1.1" 利用物聯網的智能電表架構

本文提出的多功能智能電表（Smart Meter， SM）具有三個主要的電信和IoT[3]功能。

1） 將電流和電壓互感器（Potential Transformers， PT）輸出集成到處理器中；

2） 將ESP8266 WiFi模塊集成到處理器單元中，以將數據發送到云端；

3） 設計服務器來分析數據。

基于物聯網的多功能智能電表系統每個部分和設計步驟中所需的零部件如下。

1） 電流和電壓互感器的集成

每個公寓至少有一個單相恒定電壓為220 V（230 V或110 V），頻率為50 Hz或60 Hz。在測量給定時間段的能耗時，重要的是測量電壓和電流的確切值。本文使用一個微控制器板來讀取DC 5 V以下的模擬電壓值。為了測量AC 220 V電壓，選擇了將220 V至5 V（AC?AC）電壓互感器和帶RC負載的AC?DC全波整流器用于原型的利用。為了測量電流的值，使用電流互感器（Current Transformer， CT），根據歐姆定律確定通過CT的電流。

2） 使用ESP8266 WiFi微控制器將數據傳輸到云端

ESP8266 WiFi微控制器用于將當前數據和電壓傳感器的數據發送到云平臺。由于ESP8266設計用于將數據集成到另一個微控制器中，CH?PD引腳在特征化微控制器[4]中根據輸入打開/關閉指令進行操作，故需要使引腳為高電平，以激活WiFi模塊。

3） 響應的服務器設計

目前有兩種流行的通信架構[5]：客戶端?服務器架構和對等架構（P2P技術）。在P2P范式中，家用PC可以通過互聯網直接與其他多個家用PC通信，以共享信息和數據。兩種通信架構如圖1所示。

1.2" 諧波檢測與消除

不同頻率的諧波波形，其頻率是基頻的倍數，可以分解為簡單的正弦波，并表示為傅里葉級數。根據傅里葉理論，正弦波無限級數的和表示諧波波動。傅里葉級數公式如下：

[x（t）=a0+n=1∞ancos（nω0t）+bnsin（nω0t）] （1）

式中：x（t）是任何周期性函數；an和bn是與第n階諧波相對應的傅里葉級數系數；ω0是基頻，表示第一個諧波項。

為了檢測諧波，可以使用離散傅里葉變換（Discrete Fourier Transform， DFT）或快速傅里葉變換（Fast Fourier Transform， FFT）[6]算法進行傅里葉級數分析。這些算法根據其次序從復雜信號中導出諧波值，信號的扭曲程度?總諧波失真（Total Harmonic Distortion， THD）可以通過獲取諧波的幅值來確定，公式如下：

[THD=n=2∞InI1] （2）

式中In為第n階電流諧波次序的幅值。表1所示為IEEE標準519準則[7]，規定的最大電流失真值。由于諧波無法完全從系統中消除，因此諧波值應該降低到與IEEE標準519相對應的可接受水平。

1.3" 防盜算法

預期SM將對任何竊電行為（包括防止篡改）[8]提供高度安全的保護，并且能夠迅速提供信息，以幫助運營商找到漏電電流的位置和幅度。首先，需要評估連接到總部系統（Head End System， HES）同步的所有消費者的總數；然后，初始化HES消耗與所有連接電表的總消耗之和之間的不匹配，以檢測是否存在電力盜竊行為；最后，采用負載切換算法來識別電力泄漏的區域或位置。電力分配的一般拓撲結構如圖2所示。

1.4" 負載預測

為了生成有效的負載預測，應選擇負載預測的時間跨度。根據時間跨度，負載預測可分為非常短期、短期、中期和長期四種類型。本文選擇短期負載預測[9]，因為它在控制和調度電力系統方面具有優勢，涉及到提前一天和提前一周的預測。

與RNN相比，LSTM的結構更復雜，如圖3所示。LSTM模型具有一個輸入門來更新存儲單元，一個遺忘門來遺忘不必要的狀態，以及一個輸出門來使當前狀態的信息可見。其中C是細胞狀態，x是輸入，y是輸出，W、U、V是權重。由于LSTM[10]隱藏節點結構和激活函數（即σ和tanh），所以能夠分發梯度并防止梯度消失/爆炸，因此，本文選擇LSTM[11]作為生成準確負載預測的算法。

2" 結果與討論

2.1" 諧波檢測與消除實驗結果

SM的設計包括帶RC負載的單相全波橋式整流器，然而這樣會在SM中產生諧波。為了分析整流器的性能，在Matlab Simulink環境中進行了模擬研究。交流電壓源設置為230 V，頻率為50 Hz。由于非線性負載導致源中諧波，因此在電壓上產生高諧波失真，本文采用快速傅里葉變換（FFT）算法來分析源電流波形。該算法是在復雜度為O（Nlog N）的情況下引入的，用于計算N點離散傅里葉變換（Discrete Fourier Transform， DFT）。FFT算法有多種，如Cooley?Turkey、Hexagonal、prime?factor等，可用于將時域信號轉換為頻域（頻譜）。FFT算法公式如下：

[X（n）（k）=n=evenx（n）e-j2πkNn] （3）

式中：N是運算次數，在計算中，對于每個k，都要進行N次復雜的乘法運算。由于傅里葉分析[12]將諧波分解為正弦項，因此使用FFT算法得到的曲線圖說明了n階諧波及其幅度。

在Matlab中對帶有RC負載的單相全波橋式整流器進行了傅里葉分析。圖4顯示了頻域中電流失真幅度（[InI1]），采用Matlab程序的FFT分析計算了電流的THD值；根據圖4，THD等于226.13%，諧波項的幅值與IEEE STD. 519標準中的值不相符，與基頻項的值相比較大。

為了制造SM，設備的諧波應符合IEEE標準。硬件包括AC適配器，型號為427C，以提高測量效率。該適配器包括用于消除諧波的隔離變壓器。隔離變壓器的優點是可以通過提高或降低系統電壓來匹配電壓，并為接地故障提供中性點參考接地。在模擬中引入變壓器后，電流波形變得類似于正弦波。

如圖5所示，對帶有RC負載和隔離變壓器的單相全波橋式整流器進行分析，結果表明，THD降至3.42%。雖然諧波無法完全消除，但其幅度已經減小到可接受的范圍內，即小于4%。電流失真的修改值滿足IEEE標準519的要求，根據IEEE指南，在PCC處，電壓的個別電壓失真和THD應分別小于3%和5%，電壓的諧波失真值小于3%，總之，諧波項的幅值降至基頻項幅值的4%以下。本文THD等于3.42%，滿足要求。

2.2" 防盜算法實驗結果

防盜算法的主要功能是將HES作為供電后的初始輸入點，以便管理和控制其他SM。因此，來自變壓器的主饋線連接到HES，然后在HES點之后跟蹤電力線路的分配到公寓。盜電識別是通過比較HES的電力消耗和N個SM的電力消耗值之和來執行的，通過定期通信和檢查HES單元和每個SM的用電量，可以使用以下公式來識別電力盜竊：

[theft=HES-i=1NSMi] （4）

如果盜竊函數的輸出為0，則沒有發生電力盜竊。如果在特定區域發生了盜竊，則將使用負載切換算法來確定其部分和位置，如圖6所示。

2.3" 智能電表測量結果

圖7所示為不同時間點的耗電量。根據圖7分析可知：連接的設備數量最多時，功率值最大；當設備數量最少時，功率指數最低。由于功率取決于電壓乘以電流，且所有并聯負載的電壓保持穩定（220 V），因此功耗顯示出與電流測量幾乎相同的特性。所有數值均來自SM的服務器數據庫。

2.4" 負載預測結果

圖8展示了使用LSTM提前一天獲取的負載預測結果。LSTM的架構基于Keras[13]。LSTM模型的參數為90%的訓練數據、10%的測試數據和96的序列長度，計算時間接近8 min。

LSTM的性能使用均方百分比誤差（Mean Absolute Percentage Error， MAPE）來評估，公式如下：

[MAPE=1nnyactual-yforecastyactual×100%] （5）

盡管預測的負載與實際負載具有相似的模式，但它們之間的定量誤差MAPE為7.56%，不過仍然在規定的0～13%可接受范圍內[14]。因此可以得出：使用LSTM生成的負載預測是合理的，并且適用于短期負載預測。

3" 結" 論

本文提出了一種基于物聯網的智能電表系統，能夠實現用電數據的實時監測和傳輸。該系統利用電壓和電流互感器采集用電數據，通過WiFi模塊傳輸至云平臺，并在服務器端進行詳細分析。本文應用傅里葉分析對供電波形進行解析，以便檢測諧波失真情況。通過在電路中引入電感器，成功將諧波失真幅度降低了30%，滿足IEEE 519標準的相關要求。此外，還設計了一種防盜算法，通過比較總供電量和各個電表的用電量，快速檢測出異常情況，實現了電力盜竊的防范。同時，本文采用了長短期記憶神經網絡進行提前一天的負荷預測，雖然平均預測誤差為7.56%，但仍在負荷預測精度的可接受范圍內。通過實驗結果驗證，本文系統在提高供電質量、確保電力安全、實現實時監控和合理負荷預測等方面具有顯著優勢。

參考文獻

[1] 張宇南，匡曉云，洪超，等.電力物聯網網絡欺騙資源優化部署模型[J].電力信息與通信技術，2021，19（10）：46?51.

[2] 張啟龍，陳湘萍.OneNET云平臺WiFi遠程控制的智能家居系統[J].現代電子技術，2020，43（14）：25?29.

[3] 鄭俊強，邵胤，瞿良勇.基于物聯網的IT多通道信息安全監控研究[J].微型電腦應用，2022，38（11）：111?114.

[4] 李想，李陽.32位微控制器在遠程網絡化測控系統研究[J].微型電腦應用，2020，36（7）：85?87.

[5] 何松生，潘建兵，龐振江.基于LoRa技術的故障指示器通信方案[J].電力信息與通信技術，2019，17（3）：35?41.

[6] 譚嘯.基于快速傅立葉變換（FFT）的發電系統信號處理及分析[J].四川水力發電，2020，39（z1）：117?119.

[7] BLOOMING T M， CARNOVALE D J. Application of IEEE STD 519?1992 harmonic limits [EB/OL]. [2023?04?12]. https：//www.xueshufan.com/publication/2131818710.

[8] 王磊，崔寶華，檀政，等.基于LabVIEW實現BP神經網絡的反竊電系統研究[J].微型電腦應用，2023，39（1）：97?100.

[9] 穆晨宇，薛文斌，穆羨瑛，等.基于VMD?LSTM?Attention模型的短期負荷預測研究[J].現代電子技術，2023，46（17）：174?178.

[10] 楊婧.基于k?means聚類和LSTM的供電臺區線損預測[J].微型電腦應用，2023，39（8）：76?78.

[11] 徐玉婷，田世明，陳宋宋，等.基于LSTM的居民負荷預測及其可調節潛力分析[J].電力信息與通信技術，2023，21（5）：1?8.

[12] 王照，胡日鵬，葛馨遠，等.基于傅立葉變換的電網線路污閃絕緣子檢測研究[J].電子技術，2020，49（9）：58?61.

[13] 高楷程.Keras神經網絡預測大樂透彩票的實現[J].微型電腦應用，2022，38（3）：189?192.

[14] BE?IROVI? E， ?OSOVI? M. Machine learning techniques for short?term load forecasting [C]// 2016 4th International Symposium on Environmental Friendly Energies and Applications. Belgrade， Serbia： IEEE， 2016： 1?4.

[15] 丁建順，張煒，周勝，等.數字化跨間隔電能計量系統的現場多維測試技術[J].電力科學與技術學報，2021，36（3）：180?187.