林区电力监测及预测系统的设计

林区电力监测及预测系统的设计凌滨，李锦香（东北林业大学机电工程学院，黑龙江哈尔滨150040）摘要：近年来林区工业的发展使林区的用电量逐年增加，供电问题日益突显。

为实现对林区电力系统供电状况的监测并预测未来一定时间内的用电量，设计了电力监测及预测系统。

该系统由ＡＲＭ嵌入式系统和计量芯片共同完成电量采集和处理，将经过统计处理的用电量参数传送到计算机后，由ＢＰ神经网络系统进行长期用电量的预测，对电力系统安全及经济运行具有十分重要的意义。

关键词：计量芯片；ARM 嵌入式；神经网络预测中图分类号：ＴＰ２７３文献标识码：Ａ文章编号：２０９５－２９５３（２０１５）０１－００３２－０３Design of Electric Power Monitoring and Forecasting System in Forest AreasLING Bin ，LI Jin-xiang（ＣｏｌｌｅｇｅｏｆＭｅｃｈａｎｉｃａｌａｎｄＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＮｏｒｔｈｅａｓｔＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ，ＨａｒｂｉｎＨｅｉｌｏｎｇｊｉａｎｇ１５００４０，Ｃｈｉｎａ）Abstract ：Ｄｕｅｔｏｔｈｅｙｅａｒ－ｂｙ－ｙｅａｒｉｎｃｒｅａｓｅｉｎｔｈｅｅｌｅｃｔｒｉｃｐｏｗｅｒｃｏｎｓｕｍｐｔｉｏｎｉｎｆｏｒｅｓｔａｒｅａｓｃａｕｓｅｄｂｙｉｎｄｕｓｔｒｉａｌｄｅｖｅｌｏｐ－ｍｅｎｔｉｎｒｅｃｅｎｔｙｅａｒｓ，ｐｏｗｅｒｓｕｐｐｌｙ－ｒｅｌａｔｅｄｐｒｏｂｌｅｍｓｈａｖｅｂｅｃｏｍｅｉｎｃｒｅａｓｉｎｇｌｙｐｒｏｍｉｎｅｎｔ．Ｉｎｏｒｄｅｒｔｏｍｏｎｉｔｏｒｔｈｅｐｏｗｅｒｓｕｐｐｌｙｓｔａｔｕｓｏｆｔｈｅｐｏｗｅｒｓｕｐｐｌｙｓｙｓｔｅｍａｎｄｆｏｒｅｃａｓｔｐｏｗｅｒｃｏｎｓｕｍｐｔｉｏｎｉｎａｃｅｒｔａｉｎｐｅｒｉｏｄｉｎｆｕｔｕｒｅｉｎｆｏｒｅｓｔａｒｅａｓ，ａｎｅｌｅｃ－ｔｒｉｃｐｏｗｅｒａｎｄｐｒｅｄｉｃｔｉｏｎｓｙｓｔｅｍｉｓｄｅｓｉｇｎ．ＴｈｅｓｙｓｔｅｍｃｏｍｐｌｅｔｅｓｅｌｅｃｔｒｉｃｑｕａｎｔｉｔｙｃｏｌｌｅｃｔｉｏｎａｎｄｔｒｅａｔｍｅｎｔｔｈｒｏｕｇｈａｎＡＲＭｅｍｂｅｄｄｅｄｓｙｓｔｅｍａｎｄｍｅｔｅｒｉｎｇｃｈｉｐ．Ａｆｔｅｒｅｌｅｃｔｒｉｃｑｕａｎｔｉｔｙｐａｒａｍｅｔｅｒｓｇｏｉｎｇｔｈｒｏｕｇｈｓｔａｔｉｓｔｉｃｐｒｏｃｅｓｓｉｎｇａｒｅｔｒａｎｓｍｉｔｔｅｄｔｏｔｈｅｃｏｍｐｕｔｅｒ，ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｓｙｓｔｅｍｃｏｎｄｕｃｔａｌｏｎｇ－ｔｅｒｍｅｌｅｃｔｒｉｃｑｕａｎｔｉｔｙｆｏｒｅｃａｓｔ．Ｉｔｉｓｏｆｇｒｅａｔｉｍｐｏｒｔａｎｃｅｆｏｒｓａｆｅａｎｄｅｃｏｎｏｍｉｃｏｐｅｒａｔｉｏｎｏｆｔｈｅｅｌｅｃｔｒｉｃｐｏｗｅｒｓｙｓｔｅｍ．Key words ：ｍｅｔｅｒｉｎｇｃｈｉｐ；ＡＲＭｅｍｂｅｄｄｅｄ；ｎｅｕｒａｌｎｅｔｗｏｒｋｐｒｅｄｉｃｔｉｏｎ电能质量问题是指任何导致用电设备故障或不能正常工作的电压、电流或频率的偏差［1］。

随着用电需求增加和电力系统规模扩大，非线性、冲击性、不平衡的负荷日益增多，所导致的电能质量问题也越来越严重，造成电网供电质量低，运行状况恶劣。

电能质量引起的纠纷和电网事故逐年上升，因此电能质量监测管理工作显得越来越重要［2］。

电能质量监测是收集、分析并将原始测量数据解释为有用信息的过程，建立完善的电能质量监测系统是管理电力系统并提高电能质量的前提条件［3］。

传统的电能质量监测手段和管理模式存在实时性差、监测指标少、工作量大、测量误差大和缺乏判断依据等缺点，已不能满足人们对电能质量的使用要求。

一方面要求得到电能质量更为准确的实时信息，另一方面要求电能质量监测系统能够提供更为直观的分析结果，以便对电能质量问题作出相应的决策。

目前，电能质量监测系统正朝着在线监测、实时分析、网络化和智能化的方向发展。

日益成熟和完善的网络技术和嵌入式实时系统技术已经被引入到电能质量监测领域，传统的设计方法逐渐被摒弃［4-9］。

1基于嵌入式和神经网络的电力监测预测系统概述基于嵌入式和神经网络的电力监测及预测系统结收稿日期：2014－09－15第一作者简介：凌滨（1962—），男，黑龙江哈尔滨人，东北林业大学副教授，硕士，主要从事电量测量与预测方向的研究。

第43卷第1期林业机械与木工设备Vo143No.12015年1月FORESTRY MACHINERY &WOODWORKING EQUIPMENTJan.2015DOI:10.13279/ki.fmwe.2015.0009图1电力监测及预测系统框图构框图如图1所示。

电量采集及监测部分按照功能分为计量和控制两大模块。

计量模块以专用电能芯片ADE7878为核心，实现对工频周期信号参数有效值的准确测量；控制模块由ARM 处理器及其外围电路共同组成，完成人机界面、谐波分析、数据存储和通讯等功能。

ARM 处理器通过SPI 通讯接口达到读写、控制ADE7878实现基本电量的读取和谐波等数据的采集［10］。

嵌入式系统对监测数据进行分析整理后，将有用的数据信息传送到计算机。

这些数据将作为样本进行BP 神经网络的建模、学习和仿真，根据仿真结果选择最为合适的网络作为预测网络。

2电量采集及监测ADE7878是高精度的三相多功能电能计量集成芯片，其内部集成了7路24位2阶Σ-△型ADC ，其中，3路用于三相电压采样，3路用于三相电流采样，还有1路用于零线电流采样。

这7路模拟输入构成电流和电压通道，在此通道内可进行多种计算以得到不同的电力参数，并将结果存储到指定的寄存器中，供嵌入式系统读取数据，然后对数据进行分析处理，达到监测的目的。

S3C2440A 采用了ARM920T 的内核，0.13um 的CMOS 标准宏单元和存储器单元，采用了新的总线架构AMBA 。

S3C2440A 的特点是其核心处理器（CPU ），该处理器是16/32位ARM920T 的RISC 处理器。

ARM920T 实现了MMU 、AMBA BUS 和Harvard 高速缓冲体系结构，这一结构具有独立的16kB 指令Cache 和16kB 数据Cache 。

通过提供的一套完整通用系统外设，S3C2440A 可减少整体系统成本且无需配置额外的组件，达到了低价格、低功耗、高性能的要求［11］。

ADE7878和ARM 嵌入式构成的电量采集及监测部分硬件连接如图2所示。

来自电网的高电压、大电流经过电压、电流互感器调理后，提供给ADE7878进行采样、A/D 转换，得到其离散化采样序列，经过一定的算法得到电压、电流有效值，有功、无功、视在功率，功率因数角和频率等电力参数；功率经由内部累加得到有功和无功电能；所有电力参数都存储到ADE7878内指定的寄存器中。

ADE7878在处理完一次数据采集后产生一个中断信号IRQ0，ARM 处理器接收到中断请求后，通过读取中断状态寄存器显示的中断事件性质，以此访问ADE7878中相应的数据寄存器，读取ADE7878中的电压、电流瞬时值等数据，进而对数据进行分析、统计和处理。

3BP 神经网络预测用电量的变化受天气情况和人们社会活动等诸多因素的影响存在大量非线性关系，而人工神经网络特别擅长处理此类非线性问题，因此其被认为是一种非常有效的电力预测技术。

BP 网络是一种多层前馈型神经网络，它是一种误差反向传播学习算法，其学习规则是利用最速下降法，通过反向传播来不断调整网络的阈值和权值，直至网络的误差平方和最小。

BP 网络模型的拓扑结构包括输入层、隐含层和输出层，其网络结构如图3所示［12］。

ＵａＵｂＵｃＡＤＥ７８７８计量芯片电压互感器ＳＰＩ接口电流互感器ＩａＩｂＩｃ供电模块Ｓ３Ｃ２４４０ＡＴＩＣ实时时钟存储单元ＲＳ４８５通讯控制输出ＬＣＤ显示计算机神经网络预测系统图2ADE7878与S3C2440A 连接电路图图3BP 神经网络结构图１２１２１２ｉｊｋ凌滨，等：林区电力监测及预测系统的设计33第1期４０１９５３８３７３６３５３４３３３２３１ＣＩＫＳＯＳＩＩＯ１２３４５６７８９１０３０２９２８２７２６２５２４２３２２２１ＮＣＩＢＮＩＣＰＩＣＮＩＮＰＩＮＮＲＥＦＨＮＯＵＩＶＮＶＣＰＮＣ１１１２１３１４１５１６１７１８１９２０ＩＣＰｄＣＡＩＡＰＩＢＰＩＣＰＣＲＹＳＴＡＬＶＤＤＸＴＯＲＴＣＸＴＯＲＴＣＡＢＣＡＢＣＣ２Ｃ１ＮＣＰＭ０ＰＭ１ＲＥＳＥＴＤＶＤＤＤＣＮＤＩＡＰＩＡＮＩＢＰＮＣＮＣＲＱＯＣＬＫＯＵＴＣＬＫＮＶＤＤＡＧＮＤＡＶＤＤＶＡＰＶＢＰＮＣC ８C １０C ６C ７C 1０R ３C １１C １２ＲＥＳＥＴｍＲＥＳＥＴＶＡＰＶＢＰＶＣＰL １３L １２L １１L １０L ９L ８L ５L ６L ７S １D １3.1确定学习样本和目标样本本林区电力预测系统采用云南省某林区2001—2009年的数据为样本，根据分析选取每年的工业生产总值、林区工人人均收入、养殖业总产量和年用电量（监测系统的采集统计值）作为主要影响因子，选择连续三年的影响因子作为输入，以此来预测第四年的用电量并将其作为输出，所选样本可以得到9个组合，其中，7个作为训练样本，2个用来验证。

样本数据见表1。

3.2BP神经网络参数选取进行BP神经网络设计主要是从网络的层数、各层神经元个数和训练函数来考虑。

根据选定的样本数据可知，输入层节点个数i为12，输出层节点数k为1。

对于单隐层的BP神经网络，隐层节点个数可以通过经验公式j=（i+1）k来计算，得到j=13［13］。

隐层神经元传递函数采用S型正切函数tansig，输出层神经元传递函数采用S型对数函数logsig，训练函数采用LvenbergMarquardt规则训练的trainlm函数［14-15］。

3.3预测仿真结果分析预测网络对2011年和2012年两年的用电量进行预测，并将预测结果与实际结果进行了比较，见表2。

4结束语根据以上仿真结果可知，利用神经网络进行电力预测的精度能够满足实际要求，其是对林区电力发展的长期预测，可为电力发展规划提供参考。

基于嵌入式的监测系统实时性较强，系统集成度高，运行安全可靠。

参考文献：［1］ C.Dugan，F.McGranaghan，SuryaSantoso，et al.，Electrical Power Systems Quality by Roger［M］.translated by Ouyang Sen.Beijing:Publishing House OF Electronics Industry，2013.［2］程浩忠，吕干云，周荔丹.电能质量监测与分析［M］.北京：科学出版社，2012.［3］欧阳森，宋政湘.新型电能质量监测系统的设计［J］.电工电能新技术，2003，22（1）:43-47.［4］苗世洪，付维生.基于GPS的电网状态监测系统的设计与实现［J］.电力系统自动化，2000，24（12）:52-54.［5］马芸芸.基于ARM和ADE7878的多功能电力监测装置［D］.南京：南京理工大学，2012.［6］孙毅，唐良端，龚钢军.电能质量在线监测系统的设计和实现［J］.继电器，2005，32（17）:60-63.［7］Pappas S S，Ekonomou L，Karampelas P，et al.Electricity demand load forecasting of the Hellenic power system using an ARMAmodel［J］.Electric Power Systems Research，2010，80（3）:256-264.［8］樊琛，卢博友.农村电力监测系统的硬件设计［J］.农机化研究，2010，32（5）:109-111.［9］王海燕，杨平，王志萍.基于GPRS技术的电能质量在线监测系统［J］.低压电器，2010（19）.［10］袁成荣，吴志威.基于ARM的木工铣雕机数控系统设计［J］.林业机械与木工设备，2012，40（12）:35-36［11］马志晶译.S3C2440A32-位CMOS微型控制器用户手册［Z］.［12］郝斯琪，宋博骐，李湃，等.基于近红外光谱与BP神经网络预测落叶松木屑的含水率［J］.森林工程，2012，28（4）:9-11.［13］马锐.人工神经网络原理［M］.北京：机械工业出版社，2010.［14］陈平，漆文邦，何富刚.BP神经网络算法在年电力负荷预测中的应用［J］.四川水利，2005，26（1）:23-25.［15］傅荟璇，赵红.ATLAB神经网络应用设计［M］.北京：机械工业出版社，2010.（责任编辑张雅芳）表1样本数据年份２００１２００２２００３２００４２００５２００６２００７２００８２００９２０１０２０１１２０１２工业生产总值／亿元４．９０５．１４６．３５６．９０６．９０９．８２９．８７１１．８０１２．４０１４．５０１５．１１１６．８０林区工人人均收入／元３０１５３１５０３８５２３３００３０１５４０３３６７４９７５８７５２６０５７８６６３７５５２８０养殖业总产量／亿ｔ３．５５５．００３．２２３．５０３．５５３．８３５．９８５．２０５．４０４．８５４．９７４．１２年用电量／亿ｋＷ·ｈ１８４．２３１９９．５２２１４．７９２２７．１５２４０．８８２５３．５４２６４．４３２７７．６８２９１．７１３０５．４８３１７．６９３３１．５０表2预测结果年份２０１１２０１２实际值３１７．６９３３１．５０预测值３１５．６７９３３３４．７４２１误差／％０．６３２９－０．９７８０林业机械与木工设备34第43卷!!!!!!!!!!!!!!!!!!!!!!。