论文部分内容阅读
随着经济的飞速发展,全社会用电量不断增加,能源短缺问题日益严峻,为了更加高效、合理地规划电能的使用,非侵入式用电负荷监测与识别系统应用而生,大到大型数据中心和工厂,小到家庭供电系统,该系统都能实现电力负载的监控和识别,使用户及时了解所属用电器的运行状态,为采取相应措施提供信息支撑。负载识别作为非侵入式用电负荷监测系统的核心技术,目前大多数计算都是由远程服务器完成,基于嵌入式系统的负载识别方法不是很多,现有的系统实时性差,面对复杂场景识别准确率也不高,可升级扩展性不强。针对这一问题,本文提出了基于ARM Cortex_M3和SVM的非侵入式电力负载识别方法。本文设计了基于ARM Cortex__M3和SVM的非侵入式电力负载识别系统的结构,包括数据采集和处理模块、电源供电模块、负载识别和分解模块以及窄带物联网通信模块。其工作流程为:首先利用数据采集模块对电网中电参数进行采集;其次提取可以作为负载识别的特征参数;随后对SVM算法进行优化,在上位机对SVM多分类器进行训练,将算法的预测部分和训练模型部署到CortexX_M3中,实现电力负载的在线识别和进行功率分解;最终将分析结果显示在用户终端并通过窄带物联网上传云服务器。经过实验和测试,本文提出的非侵入式负载识别方法能够实现监测、识别和分解的功能,在实验环境下,数据采集结果误差不超过1.5%,电力负载整体识别准确率高于96%,与基于服务器的负载识别准确率相差不大,功率分解结果误差不超过2%,符合设计要求,达到了预期目标。本文主要工作如下:(1)采集了十四种单负载和十六组混合负载电力数据共两万多条,并通过数据分析提取特征参数;(2)根据特征参数特点,对SVM多分类算法进行裁剪和优化,使其能够运行于Cortex_M3中,实现了嵌入式在线负载识别;(3)设计了数据采集和处理方式,编写了数据采集和SVM分类算法程序代码;(4)对系统数据采集、负载识别和功率分解进行实测,数据和结果通过窄带物联网进行展示。论文主要创新点为:通过将SVM电力负载识别算法成功部署在Cortex_M3的方式将电力负载识别过程下移到嵌入式系统中,有一定的应用价值。