• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于SOPC 的實驗室負荷智能監(jiān)測裝置

    2020-08-25 09:08:56吳萬強彭良福王逸凡
    實驗室研究與探索 2020年6期
    關鍵詞:用電器特征參數(shù)用電

    吳萬強, 彭良福, 甘 桂, 王逸凡

    (1.西南民族大學電氣信息工程學院,成都610041;2.桂林電子科技大學廣西精密導航技術與應用重點實驗室,廣西桂林541004)

    0 引 言

    近年來,高校對于實驗室建設的投入在不斷增加[1]。實驗室的照明、儀器、設備等的運轉離不開電力,電力穩(wěn)定是支撐實驗室科研工作穩(wěn)步進行的基礎[2]。用電安全是高校實驗室工作的重要組成部分,是避免實驗室安全火災事故的關鍵。

    對實驗室用電設備的監(jiān)測和管理是實驗室電網(wǎng)消耗端建設的一個重要部分。電網(wǎng)消耗端電能使用的智能化管理十分重要。負荷監(jiān)測技術可以幫助管理者了解用電器的使用情況,目前用電器的監(jiān)測大多數(shù)是侵入式的,在每個用電器的接入端安裝傳感器,通過傳感器實時采集信息[3]。這種方法需要在每個負荷處安裝相應的數(shù)據(jù)采集、傳感裝置,因此會消耗一定量的人力物力。非侵入式負荷監(jiān)測技術(Non-intrusive Load Monitoring,NILM)很好地解決了侵入式監(jiān)測的弊端。它只需要在用電入口安裝一個傳感器,通過采集和分析電網(wǎng)總的用電電流、電壓信息來監(jiān)測電網(wǎng)內的用電器[4]。

    本文基于可編程片上系統(tǒng)(System On a Programmable Chip,SOPC)技術設計了一種非侵入式實驗室負荷智能監(jiān)測裝置,在Zybo Z7-20開發(fā)平臺上進行軟核設計的方法。Zybo Z7-20開發(fā)板包括現(xiàn)場可編程門陣列(Field Programmable Gate Array,F(xiàn)PGA)數(shù)字邏輯部分和雙ARM Cortex-A9處理器部分。SOPC作為可編程的高度集成的片上系統(tǒng),實現(xiàn)了以往需要多個電路板或器件、芯片通過互聯(lián)才能實現(xiàn)的功能,賦予了其面對復雜情況時,可通過靈活的程序設計來解決問題的能力。

    1 實驗室負荷特征分析

    非侵入式負荷監(jiān)測方法是相對于侵入式監(jiān)測方法提出的,其應用示意圖如圖1所示。只需要在被檢測電網(wǎng)的電力入口處安裝監(jiān)測傳感器,通過傳感器采集電網(wǎng)內所有用電設備總的用電信息,一般是電壓和電流信息;運用合理的數(shù)學分析與計算方法對實際采集的用電數(shù)據(jù)進行處理和分析,得出電網(wǎng)內各個用電設備的運行情況[5]。

    圖1 非侵入式負荷監(jiān)測示意圖

    電網(wǎng)中每個負荷由于其獨特的硬件結構、功能,每個負荷在工作過程中都會表現(xiàn)出獨特的用電特征,即負荷特性。負荷特性是負荷智能監(jiān)測系統(tǒng)中負荷分解的核心要素,包括有功功率、無功功率、功率因數(shù)、電流有效值、諧波特性等[6],這些特性也被稱為負荷的特征參數(shù)。本文在負荷分解時主要采用了電流有效值(I)、視在功率(S)、有功功率(P)、無功功率(Q)、功率因數(shù)(cos φ)5種穩(wěn)態(tài)下負荷特征參數(shù)。

    在實際應用中電流、電壓信息是由ADC采樣而來,因此電壓、電流信息是離散的,相應的參數(shù)提取公式為對應的離散公式:

    式中:U為電壓有效值;I為電流有效值;i(n)為第n次采樣時刻電流值;u(n)為第n次采樣時刻電壓值。

    本文選取了實驗室中常用的5種用電器,分別是白熾燈(Bulb)、風扇(Fan)、示波器(Osc)、信號源(DDS)、電源(Pow)。對這5種用電器進行穩(wěn)態(tài)下的電壓、電流信息采樣,并通過上述的參數(shù)提取公式,提取出5種用電器單獨工作時的穩(wěn)態(tài)特征參數(shù)見表1。由表1可知,不同負荷在選取的5種特征參數(shù)上有著明顯的差距,基于所選取的5種特征參數(shù)進行負荷的監(jiān)測和識別是可行的[7]。

    表1 負荷特征參數(shù)

    2 非侵入式監(jiān)測裝置設計

    2.1 系統(tǒng)的整體方案

    基于SOPC技術設計了非侵入式實驗室負荷監(jiān)測裝置,解決實驗室負荷管理和監(jiān)測問題。裝置主要部分包括硬件電路模塊、SOPC系統(tǒng)和外設輔助模塊3部分,系統(tǒng)的總框圖如圖2所示。

    硬件包括電源電路、電壓互感器、電流互感器、高精度比較電路和采樣電路。電源電路使用數(shù)字電源將220 V電壓進行降壓,使用LDO電路分別設計出5 V和3.3 V 輔助電源[8]。

    鑒于裝置對電壓、電流的精度要求較高,選取了BWL/BVR精密線繞模壓采樣電阻、ZMPT107精密微型電壓互感器和KO-25RCT精密電流互感器。電壓互感器和電流互感器將電壓和電流信號進行隔離式的轉換,使用高精度的采樣電阻對兩種信號進行采樣[8]。

    圖2 基于SOPC的非侵入式負荷監(jiān)測系統(tǒng)框圖

    采樣電路的核心芯片采用AD7606,系統(tǒng)PL部分完成對AD7606的驅動和數(shù)據(jù)傳輸,使用AD7606的兩個采集通道分別完成電壓信號和電流信號的采集,使用AD7606的并行數(shù)據(jù)輸出模式與板卡完成數(shù)據(jù)通信,使用FPGA將采集的數(shù)據(jù)進行數(shù)據(jù)處理,提取所需的負荷特征參數(shù)[9]。

    比較電路設計采用TLV3501,它是一款4.5 ns軌至軌的具有開啟和關閉功能的高性能比較器。比較電路將電壓互感器輸出的正弦交流信號轉換為方波信號,將信號輸出到FPGA的I/O引腳,由FPGA數(shù)字電路進行采樣,監(jiān)測電網(wǎng)的頻率波動。

    SOPC系統(tǒng)是基于Zybo Z7-20全可編程片上系統(tǒng)架構平臺設計,包括FPGA數(shù)字邏輯部分(Promgrammable Logic,PL)和雙ARM Cortex-A9 處理器部分(Processing System,PS)。PL部分完成電網(wǎng)頻率的測量、負荷在穩(wěn)態(tài)下的特征值提取、采樣電路的驅動和數(shù)據(jù)傳輸[10]。PS部分搭建穩(wěn)態(tài)負荷監(jiān)測與識別算法,驅動和控制外設輔助模塊。外設輔助模塊包括按鍵、OLED顯示模塊,主要功能是完成結果的顯示。整個裝置實物如圖3所示。

    圖3 裝置實物

    2.2 負荷監(jiān)測與識別算法設計

    負荷識別算法采用了基于機器學習的監(jiān)督學習模式下BP神經(jīng)網(wǎng)絡算法進行設計,使用Matlab的神經(jīng)網(wǎng)絡工具箱進行算法模型的構建和驗證[11]。在監(jiān)督學習模式下,對負荷進行標簽設定,選取的5種負荷及其標簽見表2。采用了獨熱碼的方式對負荷進行標記,設置標簽。對5種負荷及其組合進行了約定:當系統(tǒng)中有某一種負荷在工作時,標簽對應的位置的值設定為“1”,否則為“0”。當有5種負荷同時在工作時,對應的標簽為“[1 1 1 1 1]”,如當白熾燈、信號源同時工作時,對應的標簽為“[0 0 0 1 1]”,以此類推對31種組合進行標簽設計。

    選取的負荷工作在穩(wěn)態(tài)時的5個電能參數(shù)即x=[I,P,Q,S,cos φ]T作為神經(jīng)網(wǎng)絡的輸入層,在訓練算法的過程中,表2中的標簽為期望的輸出值,網(wǎng)絡的輸入層和輸出層的神經(jīng)元都為5個神經(jīng)元[12]。由于神經(jīng)網(wǎng)絡的隱含層的層數(shù)以及神經(jīng)元的個數(shù)的設計并沒有具體的理論可以參考,只能根據(jù)實際實驗的情況將神經(jīng)網(wǎng)絡的復雜程度由簡易到復雜的方式進行設計,根據(jù)多次的實驗,得到當網(wǎng)絡的結構為5層時的結果較好,見表3。

    表2 負荷類型及標簽

    表3 BP神經(jīng)網(wǎng)絡結構

    BP神經(jīng)網(wǎng)絡的算法設計步驟包括BP神經(jīng)網(wǎng)絡的結構設計、BP神經(jīng)網(wǎng)絡的訓練和BP神經(jīng)網(wǎng)絡驗證和參數(shù)導出3個部分。第1步中的神經(jīng)網(wǎng)絡的構建已經(jīng)在表3中進行了說明,第2步中的網(wǎng)絡訓練和第3步的網(wǎng)絡驗證中,待分類的基本負荷種類是5種用電器,將建立的負荷特征數(shù)據(jù)集隨機分為兩部分,80%作為網(wǎng)絡的訓練集,20%作為網(wǎng)絡的驗證集,通過驗證集對訓練后的算法模型進行驗證,若預測的結果誤差較大,則重新構建BP神經(jīng)網(wǎng)絡模型[13]。最后將訓練好的BP神經(jīng)網(wǎng)絡的參數(shù)信息進行導出,使用C語言將BP神經(jīng)網(wǎng)絡算法模型在SOPC系統(tǒng)中進行重建,以便用來進行識別。

    2.3 SOPC系統(tǒng)搭建

    算法的主程序流程如圖4所示,系統(tǒng)開始工作后,進入初始化狀態(tài),包括按鍵模塊、PmodOLEDrgb顯示屏以及PS對PL端的初始化,然后系統(tǒng)進行主程序的執(zhí)行,當PL端監(jiān)測到設備工作,啟動數(shù)據(jù)采集和數(shù)據(jù)處理模塊,對負荷進行特征值提取,并中斷PS,將特征參數(shù)通過總線傳輸?shù)絇S,PS端響應中斷,讀取負荷特征值,進行算法處理,完成對負荷的在線辨識,將結果通過PmodOLEDrgb顯示器進行顯示[14]。

    圖4 主程序流程圖

    對整個系統(tǒng)功能劃分,確定PL端和PS端各自完成的功能以及要達到的指標;完成PL端數(shù)字邏輯電路設計,利用仿真和邏輯綜合進行時序檢查和功能驗證;將設計的數(shù)字邏輯部分進行AXI4_Lite接口的IP封裝,并再次進行邏輯綜合,檢查AXI4總線時序是否符合要求;將生成的IP核添加到VIVADO下的工程目錄,將IP添加到IP核管理器,在VIVADO下新建Block Design程序,將ZYNQ7 Processing System以及各功能模塊添加到Block中,配置參數(shù)和信號線連接,如圖5所示,包含了ZYNQ7 Processing System、時鐘和復位IP核、AXI總線接口IP核、負荷特征參數(shù)提取IP核(Load_param)和PmodOLEDrgb驅動IP核5個部分。導出頂層文件并生成BIT文件;最后將生成的BIT文件導入SDK進行PS端軟件設計,完成系統(tǒng)功能。

    圖5 SOPC系統(tǒng)配置

    3 實驗及結果分析

    3.1 算法參數(shù)建立

    建立負荷特征數(shù)據(jù)庫有嚴格的標準[15],使用十進制的double型數(shù)據(jù)表示負荷特征參數(shù)數(shù)據(jù)集。假設用電負荷的特征數(shù)據(jù)庫中有n(n=31)種不同組合下工作的用電負荷,本文對每種負荷的組合方式提取了m(m=50)組特征向量,其中每種組合下的用電負荷的特征向量空間可以表示為:

    式中:x=[I,P,Q,S,cos φ)]T。則包含所有組合下的用電負荷的特征值數(shù)據(jù)集為:

    與之對應的標簽數(shù)據(jù)集為:

    式中:Ynm為與Xnm一一對應的5維列向量。將整個數(shù)據(jù)集進行隨機化處理,將80%的數(shù)據(jù)集作為訓練集,20%的數(shù)據(jù)集作為驗證集。對BP神經(jīng)網(wǎng)絡訓練的方式采用Matlab工具的方式,對神經(jīng)網(wǎng)絡的參數(shù)進行初始化,并設定使訓練停止的條件。

    訓練算法的過程使用訓練數(shù)據(jù)集對網(wǎng)絡的權重和偏置不斷優(yōu)化,驗證數(shù)據(jù)集用于評估訓練后的算法模型的性能,不參與網(wǎng)絡的訓練過程。輸入層到隱含層以及隱含層之間的節(jié)點轉移函數(shù)設置為“l(fā)ogsig”(sigmoid),隱含層到輸出層的節(jié)點轉移函數(shù)設置為“purelin”(ReLU),采用“trainscg”對網(wǎng)絡進行訓練,設置迭代次數(shù)epchos=15 000次,學習率Lr=0.001,最小梯度下降目標為min_grad =0.000 001,max_fail=240,其他參數(shù)默認,在訓練過程中,以上幾個參數(shù)任意1個達到設定值則停止網(wǎng)絡訓練[16]。圖6是其中1次對BP神經(jīng)網(wǎng)絡的訓練結果。整個訓練過程一共迭代了15 000次,用時38 s,訓練迭代次數(shù)達到設置上限時強行停止。

    圖6 BP神經(jīng)網(wǎng)絡訓練結果

    3.2 調試結果

    在足夠的數(shù)據(jù)集下訓練好神經(jīng)網(wǎng)絡之后,使用Matlab導出神經(jīng)網(wǎng)絡的各層權值和閾值參數(shù)。按照系統(tǒng)軟件設計搭建好SOPC系統(tǒng),使用VIVADO綜合、實現(xiàn)工具將Verilog代碼轉換為硬件電路,并生成BitStream文件,再將該文件導出到SDK開發(fā)環(huán)境中。

    在SDK開發(fā)環(huán)境中建立工程,使用C語言編寫代碼,在PS端讀取PL端寫入到對應寄存器的計算結果,并且在工程中建立神經(jīng)網(wǎng)絡識別算法,整個識別算法計算過程中的權值、閾值使用之前從Matlab中導出的權值、閾值進行運算。將PS讀到的值經(jīng)過轉換之后輸入到神經(jīng)網(wǎng)絡識別算法運算流程中,便可得到最終的運算結果。對運算結果與之前所做的獨熱碼一一進行對應,即可得到電路中正在工作的用設備。最終將系統(tǒng)所采集的功率信息、電流信息以及工作中的用電器名稱顯示在OLED屏幕上。

    將5個用電器的31種組合依次插入監(jiān)測裝置用電入口插座中,系統(tǒng)均能夠自動識別用電器并顯示在OLED屏幕上,圖7顯示了其中8種組合的識別情況。顯示的I、P、S、Q、Pf分別為電流有效值、有功功率、視在功率、無功功率、功率因數(shù);Dev后面的英文表示電路中當前工作的設備名稱,Bulb、DDS、Fan、Pow、Osc分別為白熾燈、信號發(fā)生儀、風扇、電源、示波器。經(jīng)過多輪重復試驗,監(jiān)測裝置均能夠準確、及時地將電路中用電器信息顯示在屏幕上。

    圖7 系統(tǒng)實時識別結果

    4 結 語

    本文在非侵入式負荷監(jiān)測技術的基礎上,利用SOPC技術設計了實驗室負荷智能監(jiān)測裝置。監(jiān)測裝置使用全可編程邏輯平臺Zybo Z7-20作為系統(tǒng)處理模塊。在硬件系統(tǒng)的設計上,使用標準的電源排插模擬實驗室的供電入口,安裝高精度的電流、電壓互感器,并設計了高精度信號采樣電路、系統(tǒng)輔助電源電路、信號調理電路和數(shù)字邏輯電路。在軟件算法設計上,在Matlab中結合機器學習的監(jiān)督學習方式,使用BP神經(jīng)網(wǎng)絡建立負荷識別算法。然后選用實驗室中5種具有代表性的負荷,使用高精度ADC采樣負荷穩(wěn)態(tài)下的用電信息,并通過數(shù)學方法提取出負荷的特征參數(shù)構建特征數(shù)據(jù)庫。最后,使用該數(shù)據(jù)庫對設計的算法模型進行訓練和驗證,建立負荷識別算法并將模型參數(shù)信息導出,在SOPC系統(tǒng)下重建了該識別算法,完成對負荷辨識的算法設計。

    仿真及調試結果表明:在Matlab仿真建立識別算法模型時,算法能夠對5種負荷的31種組合達到100%識別,說明本文設計的算法是可行的。在實際調試時,將訓練好的識別算法導入到SOPC系統(tǒng)中,系統(tǒng)在實際工作時也能夠達到對31種組合情況的100%識別,說明監(jiān)測裝置是可行的。由于高校寢室的用電器種類和數(shù)量較少,符合檢測裝置的應用范圍,檢測裝置除了應用在實驗室場景,也可以應用于高校寢室的用電管理。

    監(jiān)測裝置仍有幾點不足和可以改進之處,首先在設計時選用的用電設備不能代表所有實驗室的用電設備,因此監(jiān)測裝置有一定的局限性;其次監(jiān)測裝置只是完成了基礎功能,后續(xù)可以將算法移植到嵌入式系統(tǒng)中,并可加入數(shù)據(jù)傳輸模塊使監(jiān)測裝置更加智能化;在進行過多的負荷檢測時,識別率會稍有下降,訓練時間的增加幅度會提高,不利于應用在負荷較多的場景下。

    猜你喜歡
    用電器特征參數(shù)用電
    用電安全
    故障診斷中信號特征參數(shù)擇取方法
    基于特征參數(shù)化的木工CAD/CAM系統(tǒng)
    用煤用電用氣保障工作的通知
    安全用電知識多
    例析電路中不同用電器的最大功率
    用電安全要注意
    單相用電器分析檢測裝置
    智富時代(2018年5期)2018-07-18 17:52:04
    基于PSO-VMD的齒輪特征參數(shù)提取方法研究
    透析簡單電路
    白银市| 恩施市| 达尔| 乌拉特前旗| 内江市| 阿勒泰市| 乌兰察布市| 惠水县| 叶城县| 晋中市| 三门县| 龙江县| 兰溪市| 芦山县| 山丹县| 白朗县| 安岳县| 长寿区| 石首市| 昌邑市| 芦溪县| 穆棱市| 鄂温| 鹰潭市| 酒泉市| 沂南县| 沛县| 繁峙县| 久治县| 都江堰市| 宜城市| 元江| 壤塘县| 广河县| 南召县| 柏乡县| 应城市| 临城县| 威宁| 乌什县| 临泉县|