学生公寓恶性负载识别方法综述

《学生公寓恶性负载识别方法综述》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、学生公寓恶性负载识别方法综述摘要：本文阐明了学生公寓恶性负载的概念，阐述了已经在实践中取得应用的几种恶性负载识别方法，对其优缺点进行了分析。在此基础上提出笔者对于恶性负载识别研究的看法，并对其今后的发展方向作了展望。关键词：恶性负载；总功率限定；瞬时功率；小波变换中图分类号：TM714电气火灾历来是火灾的防控难点，每年全国各地因宿舍电器火灾导致的伤亡事故屡有发生，宿舍安全用电管理一直是有关部门力图破解的难题。近年来学生公寓事故的调查结果显示，在宿舍使用热得快、电炉子等恶性负载是引起火灾和触电事故的主要原因[1]。1恶性负载识别意义从学生公寓用电安全和用电管理的角度出发

2、，将热得快、电炉子等大功率的电热器件称为恶性负载[2]。恶性负载的性质近似呈阻性，其原因在于：（1）从能量角度来看，恶性负载将吸收的电能大部分转化为热能释放出来。（2）从伏安特性来看，恶性负载的伏安特性近似于电阻的伏安特性。6不同负载具有不同的特征，而当不同负载混合使用时，要对其进行识别并非易事。学生公寓人员密集、负载类型多、用电管理复杂，如何在确保正常用电的情况下实现恶性负载的识别，对公寓用电管理及用电安全有十分重要的意义。电子技术的发展使全电子式智能计量系统成为现实，但这些智能电表并不具备恶性负载识别功能。尽管某些智能用电管理系统具备了一定的负载识别功能，但其检测

3、精度并未达到令人满意的程度，无法满足工程上的需要。因此，如何实现对恶性负载的精确识别仍是一个有价值的研究方向[3]。2恶性负载识别方法当前，恶性负载识别的方法大致可分为时域法和频域法两类。时域分析方法主要包括总功率限定法、瞬时功率增加法、波形比较法等；频域分析方法主要包括基于小波变换识别法、基于神经元网络识别法以及小波变换和人工神经元网络结合的方法等[4.5]。2.1总功率限定法6其原理是当学生在公寓里的用电量极大而致使公寓的用电负荷超过限定值时，MCU发出断电命令使宿舍供电中断。一般的学生公寓智能管理系统都使用这种方法对公寓的负荷进行控制，可初步实现恶性负载的识别。

4、当学生公寓的用电功率被限定在一个限定值以下时，MCU不断对公寓的电压、电流进行采样和计算并得到其功率，判定功率是否超出限定值。学生在公寓内使用热得快等负载时，就会被MCU检测到功率超限，如此便实现了恶性负载识别。2.2瞬时功率增加法瞬时功率增加法也是应用较为广泛的方法，它通过实时测量电路中的功率来进行恶性负载识别。其基本原理是：检测当前电路中的功率并将功率值及时存储记录，当检测到某一时刻的功率值增加很大时（学生公寓中非恶性负载的功率一般都较小），证明电路中启动了一个大功率负载。2.3波形比较法通过硬件电路分别对负载启动前和启动后的电压和电流进行模数转换和采样，然后对负

5、载启动前后的电流波形进行相减得到电流的差值波形，将差值波形乘上一个适当的比例因子，使其峰值与电压波形峰值相等，通过计算差值波形与电压波形围成的面积达到负载识别的目的。判断依据是：如果差值面积近似为零，则有恶性负载接入，否则无恶性负载接入。波形比较法的软件电路和硬件电路的设计均比较复杂，因为负载启动前后两次波形的测量起点必须保证在不同周期的同一时刻开始，否则进行的识别是不可靠的。从工程上看，当电路中出现毛刺干扰时，面积差将会变化，也会导致错误的识别结果。2.4小波变换识别法6小波分析法具有多分辨率的特点，是一种时间窗和频率窗都可以改变的时频局部化分析方法。研究表明，对于

6、恶性负载的识别利用Dmeyer小波函数和5层分解效果较好。采用Dmeyer小波函数对原始负载信号的电流波形进行5层小波分解，将信号S表示为各层高频部分和低频部分之和，即：S=a1+d1=a2+d2+d1=a3+d3+d2+d1=a4+d4+d3+d2+d1=a5+d5+d4+d3+d2+d1a1至a5代表各层的概貌部分，d1至d5代表各层的细节部分。对采样得到的白炽灯、电炉子、日光灯、计算机等负载以及它们混合负载的电流波形进行小波分析，分析后认为采用各负载电流值的平方和Sumpower、细节部分第五层的能量Power5、概貌部分第五层的能量与细节部分第五层的能量的比值

7、R作为特征值进行负载识别可达到较好效果，依据如下：（1）当R≈1.4时，证明是纯计算机负载。（2）当R>25且Sumpower的数量级≥108，说明含大功率的阻性负载。（3）当R≤25且Power5的数量级是105或106时，证明是含计算机的混合负载。2.5神经网络识别法6神经网络法实现负载识别的基本过程是：把所采集的电压和电流信号进行A/D转换，利用傅立叶变换或小波分析等方法提取特征值，将其作为神经网络的输入并对神经网络进行训练，通过对输出结果的分析实现对恶性负载的识别。目前在负载识别中应用较多的是BP神经网络。采用的BP神经网络的结构为：输入层5