基于非侵入式负荷分解的有色金属冶炼工序识别_方祖春.pdf

国外电子测量技术北大中文核心期刊D O I:1 0.1 9 6 5 2/j.c n k i.f e m t.2 2 0 4 4 5 6基于非侵入式负荷分解的有色金属冶炼工序识别*方祖春 汪繁荣(湖北工业大学电气与电子工程学院 武汉 4 3 0 0 6 8)摘 要:为进一步简化数据处理过程和提高生产工序识别准确率,提出一种基于非侵入式负荷分解的工序识别方法。首先将每种工序定义为一种用电设备,然后根据非侵入式负荷分解相关理论,分别选取双向长短期记忆网络和时间卷积网络构建负荷分解模型,选择各用电设备对应功率、总功率数据构造数据集对模型进行训练和测试,最后对测试集负荷分解结果进行相关处理得到对应的工序数据。结果表明由基于时间卷积网络的负荷分解方法构成的工序识别模型具有较高的识别准确率,针对测试集的工序识别准确率达9 8.8 3%。关键词:非侵入式负荷分解;双向长短期记忆网络;时间卷积网络;工序识别中图分类号:TM 7 1 4文献标识码:A国家标准学科分类代码:5 1 0.4 0 1 0P r o c e s s i d e n t i f i c a t i o n o f n o n-f e r r o u s m e t a l s m e l t i n g b a s e d o n n o n-i n v a s i v e l o a d d e c o m p o s i t i o nF a n g Z u c h u n W a n g F a n r o n g(S c h o o l o f E l e c t r i c a l a n d E l e c t r o n i c E n g i n e e r i n g,H u b e i U n i v e r s i t y o f T e c h n o l o g y,W u h a n 4 3 0 0 6 8,C h i n a)A b s t r a c t:I n o r d e r t o f u r t h e r s i m p l i f y t h e d a t a p r o c e s s i n g p r o c e s s a n d i m p r o v e t h e a c c u r a c y o f p r o d u c t i o n p r o c e s s i d e n t i f i c a t i o n,a p r o c e s s i d e n t i f i c a t i o n m e t h o d b a s e d o n n o n-i n v a s i v e l o a d d e c o m p o s i t i o n w a s p r o p o s e d.F i r s t l y,e a c h p r o c e s s w a s d e f i n e d a s a k i n d o f e l e c t r i c a l e q u i p m e n t.T h e n,a c c o r d i n g t o t h e r e l e v a n t t h e o r i e s o f n o n-i n v a s i v e l o a d d e c o m p o s i t i o n,b i d i r e c t i o n a l l o n g s h o r t-t e r m m e m o r y n e t w o r k a n d t e m p o r a l c o n v o l u t i o n n e t w o r k w e r e s e l e c t e d t o c o n s t r u c t t h e l o a d d e c o m p o s i t i o n m o d e l,a n d t h e c o r r e s p o n d i n g p o w e r a n d t o t a l p o w e r d a t a o f e a c h e l e c t r i c a l e q u i p m e n t w e r e s e l e c t e d t o c o n s t r u c t t h e d a t a s e t f o r t r a i n i n g a n d t e s t i n g t h e m o d e l.F i n a l l y,t h e c o r r e s p o n d i n g p r o c e s s d a t a w a s o b t a i n e d b y r e l e v a n t p r o c e s s i n g o f t h e l o a d d e c o m p o s i t i o n r e s u l t s o f t h e t e s t s e t.T h e r e s u l t s s h o w t h a t t h e p r o c e s s i d e n t i f i c a t i o n m o d e l c o n s t r u c t e d b y t h e l o a d d e c o m p o s i t i o n m e t h o d b a s e d o n t h e t e m p o r a l c o n v o l u t i o n n e t w o r k h a s h i g h r e c o g n i t i o n a c c u r a c y,a n d t h e p r o c e s s i d e n t i f i c a t i o n a c c u r a c y f o r t h e t e s t s e t i s 9 8.8 3%.K e y w o r d s:n o n-i n v a s i v e l o a d d e c o m p o s i t i o n;b i d i r e c t i o n a l l o n g s h o r t-t e r m m e m o r y n e t w o r k;t e m p o r a l c o n v o l u t i o n n e t-w o r k;p r o c e s s i d e n t i f i c a t i o n 收稿日期:2 0 2 2-1 1-0 1*基金项目:国家自然科学基金(6 1 9 0 3 1 2 9)项目资助0 引 言近年来随着温室效应带来居住环境的逐渐恶化,低碳节能开始得到各国相关部门的重视,我国相关法律法规也表明了国家对于节约能源的支持与重视。钢铁、有色金属等冶炼行业由于其生产工艺特点,一直存在能耗高的问题,是我国减少碳排放重点关注行业之一。因此以节约能源、提高能源利用效率为目的能耗管理系统逐渐应用于钢铁、有色金属冶炼等高耗能企业,能耗管理系统不仅可以为用户提供详细的用能分析,同时还可以结合生产特点及电能计费的峰-平-谷规则给出相关的节能降本建议。针对多工序、顺序进行的生产过程,根据相关生产数据确定生产工序,不仅有助于对生产线生产过程进行实时监测,计算出每道工序对应的生产时间、功率,给出详细的用能分析,同时有助于管理人员监测实际生产过程是否与生产计划保持一致,并及时做出相应的处理。目前用于工序识别及相关判断的方法较多,文献1 使用基于机器视觉和决策树的方法对于面包发酵过程中所处阶段进行判定;071北大中文核心期刊国外电子测量技术 文献2 提出一种基于深度学习和多信息融合的判定方法,结合机器视觉实时检测金属镁在冶炼过程中的异常状态,此类方法需要外接摄像头等传感设备,应用成本较高,训练过程较复杂;文献3 通过系统采集的瓦斯浓度变化规律判定掘进工作面生产工序,但是面对数据量大、逻辑关系较复杂的生产工序确定问题,人工分析存在过程复杂、识别结果准确率较低等问题。针对目前研究成果的应用成本高、训练复杂、部分场景人工分析较难实现等问题,本文提出一种基于非侵入式负荷分解的工序识别方法。非侵入式负荷分解主要应用于居民家庭负荷监测,通过在居民电源入户总线处增设采集装置或通过入户电表获取全屋总功率等数据并使用相关方法进行分析和处理,获取屋内各用电设备及其状态等数据,实现对全屋用电设备的监测与用能分析,相对于侵入式负荷分解,非侵入式负荷分解具有应用便捷、设备成本低、不侵犯用户隐私等特点4-5。尤其近年来基于深度学习的负荷分解研究成果较多,如文献6 在对电器按照工作状态进行分类后,分别采用基于双向长短期记忆神经网络(b i-d i r e c t i o n a l l o n g s h o r t t e r m m e m o r y,B i L S TM)和基于事件监测的模型进行负荷分解并取得了较高的稳定性和负荷辨识率;文献7 在B i L S TM的基础上考虑了某些内在或外在的因素对设备能耗的影响,以此来适应变化的设备运行状态及能耗,提高负荷分解模型的可移植性。目前影响非侵入式负荷辨识准确率的主要因素为一种电器存在多种工作状态、多种用电设备同时工作等8-9,本文将每道生产工序定义为一种用电设备,每道工序只有运行、停止两种状态,且不存在多道工序同时进行的状况,对应所有用电设备只有开、关两种状态,同一时刻只有一种用电设备处于开启状态,因此对其进行负荷分解在理论上可以取得较高的准确率,对负荷分解结果进行进一步处理后即可获得较高的工序识别准确率,且利用非侵入式负荷分解方法的安装使用方便、设备成本低、学习能力强等特点,进一步简化工序识别过程,有助于提高基于工序识别的能耗系统的使用性与推广价值。本文选择时间卷积网络(t e m p o r a l c o n v o l u t i o n a l n e t w o r k,T C N)、B i L S TM构建对应的负荷分解模型,对负荷分解结果进行相关处理得到对应的工序数据,最后结合青海某钛金属冶炼企业某生产线生产能耗数据及生产工序信息对模型进行训练和测试,选出工序识别率准确率较高的模型,用于企业生产线实际工序识别,并结合能耗管理系统、生产管理系统,助力企业实现节能、增效目的。1 方法介绍1.1 T C N网络T C N是一种基于残差模块的卷积网络,其不仅具备卷积网络在数据特征提取、并行处理等方面的优势,而且通过卷积操作代替递归操作还可用于处理时序数据 1 0。T C N的结构如图1所示,从图1可知,任意t时刻的输出,只和t时刻及之前的输入有关,且每一层链接到上一层时可以间隔一定距离选择数据,依次类推,可以保证输出层具有较大范围的视野,从而该模型可以学习数据的长期依赖关系1 1。图1 T C N结构T C N主要结构的组成部分如表1所示1 1。其中膨胀卷积使得模型拥有较大的视野同时减小了模型的复杂度,因此T C N可以处理长期的数据依赖关系。残差连接可以加速模型收敛,同时防止模型退化,避免出现梯度消失问题。表1 T C N各组成部分名称数学表达式说明因果卷积F(xt)=Ki=1fixt-K+i按照时间先后进行卷积 操 作,保 证 没有泄露未来信息。膨胀卷积F(xt)=Mi=0fixt-di增大 每 层 感 受 野,减小卷积层数量。残差连接F(xl,Wl)=H(xl)-xl防止 模 型 退 化,模型收敛更快。其中,xt为t时刻的输入信息;fi为滤波器i对应的参数;K为卷积核大小;M为滤波器个数;d为膨胀系数;Wl为l层的权重参数矩阵;H(xl)为实际目标映射值。1.2 B i L S TM网络B i L S TM作 为 长 短 期 记 忆 网 络(l o n g s h o r t t e r m m e m o r y,L S TM