基于BP神经网络电能远程计量系统的研究

1、基于BP神经网络电能远程计量系统的研究    1 引言传统的抄表方式是人工登门抄表，人工核算，人工收费，带来的是手续繁琐，统计工作量大，抄表不准确等问题，这种计量方法暴露出耗费人力物力、信息不及时、容易带来人为误差、不适于信息化管理等一系列问题1。人工神经网络(Artificial Neural Network，简称ANN，下同) 领域研究的背景工作开始于19世纪末20世纪初，是利用计算机技术模拟人脑的智能活动，模拟生物神经网络的结构和本文章由ABC论文坊ABC论文坊ABC论文坊提供信息传导方式，作为对人脑的一种简单抽象和模拟是由大量人工神经元广泛互连而

2、组成，它可用来模拟脑神经系统的结构和功能2。2 电能计量的现状2.1 人工抄表长期以来，人工抄表中的诸多问题一直困扰着供电企业，严重影响了供电企业改革的进度，人工抄表弊端如下：（1）成本高，劳动强度大。（2）造成线损统计不准。（3）抄表质量低，不明损失增加。（4）无法对用户用电行为有效监控。（5）无法适应用电信息采集。2.2 远程自动抄表远程抄表系统指采用计算机网络、通讯、电子技术，通过专用设备对表计数据自动读取和处理的全过程。自动抄表系统从实现方式划分，可分为本地抄表方式和远程抄表方式。现场抄表方式有红外抄表、无线抄表等，远程抄表方式有RS-485总线抄表、电力线载波抄表、LonWorks网

3、络抄表、以太网抄表等。3 BP神经网络反向传播网络(BackPropagation Network)简称BP网络。BP (Back Propagation)神经网络是一种神经网络学习算法，它是一种计算单个权值变化引起网络性能变化的较为简单的方法。由于BP算法过程包含从输出节点开始，反向地向第一隐含层传播由总误差引起的权值修正，所以称为反向传播。在人工神经网络的实际应用中，8090的人工神经网络模型都是采用BP网络或其变化形式的。BP网络是目前应用最成功和广泛的人工神经网络。3.1 BP模型的基本原理BP网络模型处理信息的基本原理是：输入信号Xi通过中间节点（隐层点）作用于输出节点，经过非线形变

4、换，产生输出信号Yk，网络训练的每个样本包括输入向量X和期望输出量t，网络输出值Y与期望输出值t之间的偏差，通过调整输入节点与隐层节点的联接强度取值Wij和隐层节点与输出节点之间的联接强度Tjk以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数（权值和阈值），训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息5。3.2 归一化处理3由于网络输入的物理量各不相同，数量相差甚远，所以必须在网络训练前先将样本数据进行归一化处理，即将输入信号归一到（0，1）,使得网络的输入样本中不存在奇异样本，以防止小数值信息被大数值

5、所淹没（净输入的绝对值过大而使神经元饱和）。归一化原理为：                                            （1）式中：为归一化后的

6、输入矢量；为任一输入矢量；为输入矢量中的最大值；为输入矢量中的最小值。4 电能数字识别4.1 BP模型建立4将已采集的图像和对应的实际数字作为BP神经网络的学习样本，将预测值作为输入量, 原始数据作为期望值, 对BP神经网络进行训练, 得到相应的权值和阀值，让BP通过自我学习，训练获得一个满意的模型。4.2 BP训练步骤BP算法轫是一种有监督式的学习算法，其主要思想是：输入学习样本，使用反向传播算法对网络的权值和偏差进行反复的调整训练，使输出的向量与期望向量尽可能地接近，当网络输出层的误差平方和小于指定的误差时训练完成，保存网络的权值和偏差。4.3 模型的仿真对于已获得的图像和实际数字作为输入

7、采用三层BP神经网络结构进行仿真，利用Matlab神经网络工具箱编写网络结构如图2所示：图2  三层BP神经网络结构对于100对数字图象进行计算机识别，经BP神经网络集中训练后得到的图象数据正确率可以达到90以上，说明BP建模可以满足电能数据识别仿真的精度要求。该网络模型经过大量数据的训练后，会更加完善，达到智能化的目的，能够实现电能远程采集、图像传播及通过神经网络自动识别的方法获得远程电能数据。5 结束语BP神经网络电能计量系统设计涉及到计算机技术、通信技术、电子测量技术，具有抄收速度快，精度高，实时性好，等突出优点。本文通过BP神经网络再对通过摄像头自动采集的电能数字进行特征提取并把此特征作为神经网络的输入，并作为网络的“训练样本”，用样本对网络进行训练，以达到对数字识别的目的。结果表明，模型收敛速度快、训练时间短等优点，具有一定的实用价值，为电能远程自动抄表提供了一种新的研究方法。参考文献1 董昕,王林,杨继勋.电能量采集及计费自动化系统设计J.合肥工业大学,2000(7). 2 飞思科技产品研发中心, MATLAB6.5辅助神经网络分析与设计M, 北京：电子工业出版社, 2003. 3  胡导福，文闪闪，何益鸣. 基于 BP神经网络的变压器故障诊断及其应用J. 电力科学与技术学报，2008（06）.4  孙毅，赵金