短路、漏电、电动自行车违规充电等易引发跳闸、火灾等安全事故，因此云南电网有限责任公司丽江供电局的余武强、马筱、王志敏、杨宏香、苏志诚在2024年第5期《电气技术》上撰文设计一种非侵入式智能安全用电监测终端。采用精密电阻分压和高精度零磁通电流传感器实现电压和电流模拟信号的测量，通过10kHz高频采样完整保留高次谐波特征。应用双核Cortex-A9高级精简指令集计算机（ARM）和Xilinx Artix7现场可编程门阵列（FPGA）作为信息处理单元，可同时处理6路高频采样信号。研究短路、漏电、电动自行车违规充电等异常用电特征，开发基于卷积神经网络模型的非侵入式异常用电识别软件。经测试，所设计的智能安全用电监测终端可准确识别上述典型异常用电事件。
近年来，我国旅游消费需求日益旺盛，景区用电负荷在旺季快速增长，景区内私搭乱接、用电设备过载、电动自行车违规充电等问题频发，给景区配电网运行埋下了短路、漏电、火灾等安全隐患。传统用电稽查手段难以及时发现这些用电隐患，给景区内电网设备的日常运行、检修带来了极大压力，同时严重影响景区内用户的用电体验。
非侵入式负荷监测技术可以在不入户的情况下获取详细的用户用电信息，实时监测、评估各类用电设备当前运行状态，识别各类异常用电行为和潜在用电隐患。随着智能配电网技术的发展，配电监测终端的应用日益广泛，显著提高了台区的智能感知水平。将非侵入式负荷监测技术与配电监测终端融合，对进一步提高景区安全用电水平具有重要意义。
目前，关于用电安全监测的研究主要集中在终端装置，包括一些异常用电检测算法。有文献设计基于大数据的用电安全智能监测终端，采用双CPU控制模式，根据用电安全标准分析并判断用电是否安全。
有文献研究基于本地功率基准的异常用电监测新方法，监测终端通过对电网进行监测，得到电压、电流、功率的实际值，通过比较实际值与基准值判断电网运行情况，可以及时发现异常用电行为并统计计量误差带来的损失。
有文献开发了一套基于物联网的分布式低压配电远程监测系统，该系统以物联网为基础，将电参量采集与计量技术、4G通信技术、物联网云端平台显示技术结合在一起，实现了远程电参量数据的采集与传送。有文献对电动汽车直流充电桩状态在线监测终端进行研究，采用分模块设计方式，通过4G网络将采集的直流充电设施工作时的充电数据及环境数据传输至在线监测平台，满足了充电设施状态在线监测的基本要求。
有文献研制了运行功耗动态变化的配电终端，功耗可根据终端运行工况实时变化。有文献研究了一种新型电能监测终端，可以对失电、缺相、过电压、欠电压、漏电、三相不平衡等故障进行监测和统计，对台区失电或漏电等频率较高的异常问题进行精准预警。总之，安全用电监测已经成为一个广受关注的研究领域，但将非侵入式负荷监测技术应用于安全用电监测的研究尚不多见。
本文针对常见异常用电情形，研究其电气特征，为检测判别户内短路、漏电、电动自行车违规充电等异常奠定基础。综合考虑采集准确度要求、信息传输、功能升级、系统实用性等因素，开发非侵入式异常用电识别算法，研制用电安全智能监测终端。经测试，设计的智能安全用电监测终端可准确识别上述典型异常用电事件。
研制的终端已经在现场试点应用，实现了对景区居民用电负荷的有效管控，从而降低了用电设备安全风险及景区消防风险，提高了配电网供电可靠性及用户满意度。
1 典型异常用电及其特征
1.1 过电流短路
短路是一种极其危险的异常状态，导致短路的原因很多，包括电气设备的选用及安装与实际使用要求无法充分匹配，或者线路绝缘层因老化而损伤等。户内发生短路故障时，电流急剧增大，峰值电流可达数百至上千安培，造成线路升温或产生电弧，从而引发火灾等电气事故。
在发生短路故障时，经过一段时间后电路才由正常运行的稳定状态变成深层短路的稳定状态，此过渡过程一般称为短路电流的暂态过程。典型短路电流波形如图1所示。
图1 典型短路电流波形
图1中，ip为短路电流交流分量瞬时值，ig为短路电流直流分量瞬时值，ish为短路电流全过程瞬时值，ipk为冲击短路电流峰值，u为配电网电压，i为配电网正常工作电流。
1.2 漏电
漏电是由于线路绝缘层磨损、绝缘体受潮、设备老化等引起的异常用电现象，在初期不易被察觉。一旦在线路中发生漏电现象，就会频繁触发电流保护器跳闸，影响用户的正常用电，甚至发生触电事故，给人们的生产生活带来安全隐患。典型漏电流波形如图2所示。
图2 典型漏电流波形
图2中，漏电流波形以1.6kHz频率采样，每周波32个采样点。可以看出，当发生漏电时，电流中会出现高次谐波，谐波的次数及幅值与具体漏电情况有关。
1.3 电动自行车充电
电动自行车的充电过程一般可以分为恒流、恒压、涓流三段，负荷曲线特征明显。在恒流段，负荷曲线微微向上倾斜；在恒压段，负荷曲线从高功率逐渐下降；在涓流段，负荷曲线在低功率水平缓慢下降。电动自行车充电功率曲线如图3所示。
充电一般持续4h左右。电动自行车充电机属于整流器，工作时有大量谐波。电动自行车充电瞬时电流波形如图4所示。
图3 电动自行车充电功率曲线
图4 电动自行车充电瞬时电流波形
分析图4中的电流波形可以发现，电动自行车充电电流谐波含量较高。进一步采用频域分析方法可知，谐波主要为3、5、7次等奇次谐波，这是识别电动自行车充电的主要特征。
2 基于卷积神经网络的异常用电识别
本文采用卷积神经网络（convolutional neural networks, CNN）对异常用电电流曲线进行识别，相比于其他全连接神经网络，卷积神经网络在处理二维图像数据的过程中可以保留数据的空间特征，具有较高的识别准确率。CNN包括输入层、隐含层、输出层，其中隐含层由卷积层、池化层、Dropout层和全连接层组成，卷积层和池化层交替重复。CNN结构如图5所示。
图5中，输入为待识别负荷二维图像，卷积层的作用是进行输入数据特征提取，由多个卷积核组成。卷积核也被称为滤波器，其内部权重均由多次反向传播修正而来。池化层的作用是对输入图像进行压缩，从而降低下一层的输入维度，提高运算效率。全连接层的作用是实现负荷分类，最后取概率最大的类别为识别结果。
图5 卷积神经网络结构
一般来说，CNN网络层数越多，其提取的特征越具有代表性，但对运算存储空间的要求更高，计算速度更慢。综合考虑辨识准确度和算法对硬件的要求，本文所采用的卷积神经网络结构参数见表1。
表1 卷积神经网络的结构参数
3 终端硬件设计
3.1 电压信号采样设计
采用电阻分压原理进行电压采样，电阻分压具有线性度好、温漂小（使用电桥原理）的特点，需要配合高输入阻抗采样电路。将输入电压通过高精度、高稳定度的电阻进行分压后利用差分放大器跟随，再通过专门的高精度AD前端差分驱动器，实现高输入阻抗。电压信号采样方案如图6所示。
图6 电压信号采样方案
式（1）
3.2 电流信号采样设计
电流测量采用零磁通互感器，同样采用高输入阻抗设计，输入电流通过零磁通互感器后利用差分放大器跟随，再通过专门的高精度AD前端差分驱动器，实现高阻抗输入。电流信号采样方案如图7所示。
图7 电流信号采样方案
为了提高电流信号的动态测量性能，零磁通互感器使用4个档位，分别为100A、50A、10A、2A，在全量程范围误差小于0.2%。
3.3 主控单元设计
采用双核Cortex-A9高级精简指令集计算机（advanced RISC machine, ARM）和Xilinx Artix7现场可编程门阵列（field programmable gate array, FPGA）设计，Cortex-A9处理器能与其他Cortex系列处理器及ARM MPCore技术兼容，可以很好地延用包括操作系统（operation system, OS）/实时操作系统（real time OS, RTOS）、中间件及应用在内的丰富生态系统，从而减少采用全新处理器所需的成本。Artix7相比同级别FPGA，拥有更低的功耗和成本，比Spartan-7速度快30%，功耗低50%，价格低35%。智能安全用电监测终端的多核框架如图8所示。
图8 智能安全用电监测终端的多核框架
图8中，PL（programmable logic）核为FPGA，PS（processing system）核为双核ARM。PL内使用MicroBlaze软核，PS内为ARM双硬核，通用外设控制器、DDR（double data rate）存储器挂载在PS上，PL和PS共享DDR。PS程序在DDR中运行应用程序，MicroBlaze在内部BRAM（block RAM）中运行。
4 终端软件设计
智能安全用电监测终端的程序采用嵌入式C语言开发，主程序结构主要分为板级驱动层、芯片配置层、系统服务层、业务逻辑层。业务逻辑层主要实现上层功能应用的逻辑配合和服务组合。
在算法升级的过程中，根据算法架构的需求实现系统服务的调用配合，增加或删减对数据的操作和处理，与底层代码相对独立，保持芯片配置层和板级驱动层的代码稳定和安全。在异常用电检测算法实现过程中，调用业务逻辑层和系统服务层的接口函数，实现数据计算、记录存储、数据通信和远程升级等功能，代码分层合理清晰，可以快速便捷地开发新的业务功能，灵活配合面向对象协议进行数据处理与上传。
软件主程序流程如图9所示，终端启动后，首先对必要的寄存器进行维护，然后启动系统服务。主控单元对电压和电流采样数据进行分析，根据异常用电特征检测和判别异常用电事件，检测到异常用电事件后发出报警信号。
图9 主程序流程
5 仿真及测试
5.1 仿真测试
为了验证基于CNN的异常用电识别模型的准确度，对模型进行仿真测试，以电动自行车充电识别模型的仿真测试为例。首先，对采集的数据样本进行预处理，识别电动自行车充电主要在稳态工作段，截取稳态段的电压和电流波形，绘制V-I轨迹如图10所示，生成32×32像素的灰度图像。
图10 电动自行车充电V-I轨迹
然后，将数据集按比例划分为训练集和测试集，在计算机上对CNN模型进行训练，训练结果如图11所示。
图11 电动自行车充电识别模型训练结果
从图11可以看出，模型训练非常高效，模型在训练集上的准确度约为95%，在测试集上的准确度约为99%。
5.2 实际测试
对研制的智能安全用电监测终端进行实际测试，以验证其是否能准确识别异常用电事件。本文设计多次短路、漏电和电动自行车充电检测试验，识别结果见表2。表2中的短路和漏电采用电路故障模拟器模拟，分别操作15次。电动自行车充电类型多，例如按充电参数分为48V/3A、60V/2A等，按电池分为铅酸蓄电池和锂电池，本文选择50台真实电动车进行测试。
表2 异常用电识别结果
6 结论
本文研究了短路、漏电、电动自行车充电等典型异常用电的特征，将安全用电监测终端与非侵入式负荷监测技术相结合，研制了智能安全用电监测终端，采用先进的多核处理架构，使终端数据处理和分析性能获得极大提升，异常用电检测完成时间短，确保了检测的实时性。
通过应用智能安全用电监测终端，实现了对重点区域异常用电行为的监测与及时报警，对提高用电负荷安全管控水平、减少私搭乱接等现象、提高用电设备安全性、降低景区消防风险，具有重要意义。
本工作成果发表在2024年第5期《电气技术》，论文标题为“非侵入式智能安全用电监测终端设计”。本课题得到中国南方电网有限责任公司科技项目的支持。
