宿舍用电管理系统的恶性负载识别技术及其算法

潘万林 蔡君 刘炽辉

（1.河源理工学校 广东省河源市 517000 2.广东技术师范大学 广东省广州市 510665）

在时代的不断进步下，智能化设备普及范围得以扩大，宿舍用电电气的种类也在明显增加，传统用电管理模式已经无法满足宿舍用电需要。能够实现学生宿舍和超市等人口密集区域实现智能化和模块化管理，这也就对用电安全管理提出的新的要求[1]。

1 宿舍用电管理系统的恶性负载识别意义

学生公寓人员密集和用电管理复杂等现象明显，能够在保障正常用电的基础上进行恶性负载识别，对公寓用电管理及用电安全都存在着积极意义。电子技术的发展可以促使全电子式智能计量系统成为现实，但这些智能电表不具有恶性负载识别的功能。虽然这些智能用电管理系统具有负载识别的功能，但其所具有的检测精度远远没有能够达到令人满意的程度，也就无法满足工程需要，这就使得对恶性负载的精确识别仍然需要进一步研究[2]。

2 恶性负载识别形式

2.1 总功率限定法

总功率限定法的原理是宿舍的用电量极大使得宿舍用电负荷超过限定值的时候，MCU 发出断电命令后，就能够中断宿舍供电。一般的学生公寓智能管理系统利用这一方式控制宿舍的用电负荷，识别恶性负载。在学生公寓用电功率被限制在限定值以下的时候，MCU 在对公寓的电压和电流采样和计算之后可以得到其功率，最终准确判定功率是否超出限定值。

2.2 瞬时功率增加法

瞬时功率增加法也属于应用比较广泛的方式，其在实时测量电路功率的基础上识别恶性负载，瞬时功率增加法的基本原理是检测当前电路中的功率之后对功率值及时存储记录处理，在检测到某一个时刻的功率出现大幅度增加的时候，也就能够得出电路中启动了大功率负载。

2.3 波形比较法

在硬件电路的基础上对负载启动前和启动后的电压和电流实施模数转换和采样，然后对负载启动前后的电流波形相减，最终可以得出电流的差值波形，在差值波形乘上适当的比例因子之后的其峰值需要等于电压波形峰值，通过计算差值波形与电压波形围成的面积最终实现负载识别的目标。如果差值的面积接近于零，则其存在着恶性负载接入的现象，否则无恶性负载接入。

波形比较法的软件电路和硬件电路设计的时候都比较复杂，负载启动前后出现的波形测量起点要能够确保在不同周期的同一个时刻同时进行，否则识别并不可靠。从工程方面出发，在电路中出现毛刺干扰的时候，面积差也会出现较大变化，从而造成识别结果错误。

2.4 神经网络识别法

图1

神经网络法实现负载识别需要首先能够将采集得到的电压和电流信号实施A/D 转换，利用傅立叶变换或小波分析等方法进行特征数值提取，将提取的数值作为神经网络的输入，训练神经网络，通过对输出结果的分析可以最终识别恶性负载。目前在负载识别中使用比较多的为BP 神经网络。BP 神经网络结构为：输入层5 个神经元和隐层11 个神经元及输出层1 个神经元。这样设计的神经元结构对恶性负载识别的时候，在对网络输出结果和期望输出作线性回归能够得出的相关系数为0.994。这种方法可以在对计算机负载的间接识别的基础上识别恶性负载。神经网络法对恶性负载的识别精准程度比较高，但是需要大量的样本和训练，在建网的时候没有可以遵循的规律，其实际过程中的通用性需要进一步考证[3]。

3 恶性负载检测系统总体设计

恶性负载检测系统由电流检测模块和AD 转换模块及单片机处理模块等共同构成的，电流检测模块主要是在进行电流回路中的电流经电流互感器采样之后，使得其转化为电压，随后整流滤波。A/D 转换模块是对之前所具有的电压信号采样处理，将采集到的信号传输到单片机中，最终经过单片机对采得的信号处理后加以判断。由于学生宿舍的大部分电器都不属于大功率电器，因此能够正常的工作，只有在单个的接入功率超出设定最大数值的时候才可以识别恶性负载。而如果检测为恶性负载也不会马上就断电，因为可能是电网中的干扰或小功率电器产生的过冲，只有多次检测之后才可以使得控制继电器断开，对回路供电切断处理，而如果需要手动恢复供电，就需要按下复位按钮[4]。其系统结构框图如图1。

4 恶性负载识别算法

本文利用相似度识别负载的算法，并在硬件应用的基础上实现。从整体上出发，每一个用电器的稳定情况及电流和功率因数等都有各自的特点，如阻性负载稳态特征稳定和空调工作状态多变等。这一方式提取用电器投切后的暂态特征量和功率因数等多个特征参量，选取测量数据及数据库模版的最大相似数值确定用电的负荷，从而得出相应的工作状态和用电量，从而避免单一参数无法识别同类别相似用电器的缺点，利用以下公式描述电网的功率变化情况：

这一公式中，将QT作为标准功率，而将Qt作为负荷功率，以下述式子说明等值功率发电机惯性系数：

XLT为等值功率电气转换系数，而K 则为等值功率电气动能系数，ρ 为旋转速度。

设置相关数据属于电器负载的识别基准，假设全部的等值机组能够满足额定功率，就可以利用以下公式进行负荷调节参数计算：

对以上公式进行微分处理之后得出：

利用以下式子可以实现恶性负载识别：

dn为电气管路公称通径，dn＞η 为恶性负载，而dn＜η 则不是恶性负载。

根据周期性离散变换的方式得到负载相关数据，在等值功率动态平衡的情况下，确定电器是否处于恶性负载的状态中，杀跌恶性负载识别得以实现。

5 恶性负载识别程序

恶性负载识别系统可以利用 RN8302 内部波形存储单元实现FFT 处理，其缓存区包含着768 个地址单元，编址显示为200H-4FFH，每一个地址的单元字长为3 字节，其中可以存放一个ADC 数据，最大可以存储6 路ADC128 个点采样数据。采样数据在缓存控制寄存器中为单字节寄存器，这一寄存器控制各通道ADC 数据是否可以进行缓存，也决定缓存区的排列顺序及波形采样率。在向这一寄存器写入0X22H 的时候，将RN8302 设置为固定采样模式，其采样速率主要是6.4KHz。系统根据BUFCFG[3:0]配置比例启动波形数据写缓存区，BUFCFG[3:0]寄存器主要是位于WSAV-ECON 的4 位，这一寄存器对各通道ADC 数据是否缓存存在着决定影响。恶性负载识别算法要对电流数据实施采样，在进行BUFCFG 配置的时候，需要启动IA 及IB 和IC 采样。本文算法包含着两个方面的内容，首先一部分是基于面积和相位的恶性负载算法，系统能够明确检测到电流波形的跳变情况，如果出现波形跳变，则使用面积法进行线性负载功率提取处理，而如果不存在波形跳变的现象，使用相位法进行用电器是否为阻性负载判断，两者都需要设置功率阈值，在超出阈值的时候会出现系统控制继电器进行断电。另一部分算法为加窗基2FFT 恶性负载算法，是在特征矩阵中包含着宿舍日常用电器的奇次谐波分量，系统也要能够及时对电路中用电器采样分析，随后得出具体的特征分量，将其和特征矩阵的数据对比，如果特征矩阵包含着这一类数据，系统控制继电器也就会自行断电。

6 恶性负载识别算法优化

恶性负载识别算法在优化的时候，需要减少栅栏效应，在对信号长度N 固定的情况下提升采样频率，系统主要使用RN8302 芯片实现数据采集，针对采样信号基频为50Hz，芯片晶振主要是在8.192Mhz 的情况下促使系统采样频率能够达到6.4KHz。恶性负载识别算法优化系统的信号周期内的采样点显示为128，随着采样点的增加，信号分辨率也会随之得以优化。

同时在恶性负载识别算法优化的时候，充分减少频谱泄露，在时域采集的过程中处理信号，使信号周期呈现出倍数特点，但是在实际采集的时候，信号中会出现波动的现象，无法进行完整周期的截断。但可以在窗函数减少频谱的泄露下选择适当的窗函数，在边界范围内近似于零的时候，使得信号可以在边界处呈现出连续的状态，充分提高负载识别的精确程度。在算法中引入窗函数是为了能够将采集到的电流信号和对应时间点的窗函数相乘，随后根据采集电流信号含有多个频率分量，被测的电流信号本身具有随机性的特点，在分析的时候，也要能够注重谐波分析，因此，在恶性负载识别算法优化的时候，可以选择海明窗实施优化处理。

7 实验分析

根据恶性负载识别测试的结果得出宿舍用电管理终端能够快速对学生接入宿舍回路的恶性负载进行识别，得出分闸的相关指令，充分实现不同时间段的控制和负载控制及预付费控制等相关的逻辑控制，有效对宿舍实施用电监控处理。

8 结束语

随着当前社会生活中用电场景逐渐具有复杂多样的特点，而传统的用电管理模式功率限定法已经无法满足当前日常用电的需要，这就需要在关注用电负载特性的基础上明确得出当前恶性负载算法方面的局限性，结合宿舍用电管理的需要，注重分析用电负载特性和现有的恶性负载算法现状，从而得出新的恶性负载识别算法。实际中使用比较多的方式包含着总功率限定法及瞬时功率增加法和功率因数法等方式，而每种方式在负载识别的时候都具有一定局限性，无法满足实际识别的需要，且各自具有自身的局限性，这就需要明确基于负载内在规律的和通用的方法，促使负载识别的效果更加显著，在恶性负载识别系统优化的过程中，能够更好地达到比较经济理想的效果。