基于改进型神经网络智能远程抄表系统设计20121234684440125.docVIP

基于改进型神经网络智能远程抄表系统设计1、引言 　　为了克服传统人工定期现场抄表技术复杂、信息不及时、人为误差大、管理不方便、人力物力浪费等缺点,随着经济的发展,迫切需要研究开发出一种智能远程动态抄表系统,保证电力运营商进行电能经济合理的计量管理。本文利用改进BP神经网络强大数据分析处理、模型自动学习预测等功能,对视频扫描获得的远程电能数据进行集中模块化“学习”训练,获得相应的模块约束值和预定值,并通过计算机程序自动进行图像数据,最终形成动态的电能数据表格,为电能远程自动采集提供了丰富的理论技术。 　　2、抄表技术概况 　　2.1 传统人工抄表 　　传统人工抄表是通过电力运营商雇佣相应电能抄表员登门查表,完成电能抄表校对工作。随着电网规模的扩大,加上电力用户分散,给供电企业抄表带来的巨大的困难。抄表员需要花大量的时间进行抄表和电能数据校对工作,大大增加了电力运营商的负担,造成了大量的人力浪费,同时由于人为误差的存在,给电力用户带来了许多不便,整个电能的抄录过程在时间上存在着明显的离散性,不利于电力运营商的统一管理。 　　2.2 远程自动抄表 　　随着电力电子技术和计算机通信技术的不断成熟,远程自动抄表技术已经逐步取代传统人工抄表技术,成为电力运营企业电能抄表的核心技术。远程抄表系统一般由电能检测表计、视频数据采集模块、数据储存模块、数据通信模块、计算机综合数据管理模块五大部分构成,整个系统采用集散式典型结构,具有明显的树型综合通信结构,利用综合通信技术实现了对电能数据的实时动态采集,便于电力运营商进行电能的检测、综合数据分析管理和收费自动化的要求的实现。 　　3、改进BP神经网络 　　改进BP是一种基于误差反馈综合比较的神经网络,由于该模型不需要具有精确的数学模型,只需要将外界已知的原始数据作为系统的输入,对整个网络模型进行“学习”训练,网络层通过输入层(INPUT)获得相关的数据信息,通过中间层(Recurrent)进行数据信息处理,再通过输出层(OUTPUT)获得对应的数据信息。 　　4、图像识别 　　数字识别技术包括图像处理和数据识别两项重要的任务,是利用计算机对图像分析处理的核心,在目前较多的图像识别、图像复原、图像预测等领域得到了广泛的发展。 　　4.1 图像采集模块 　　图像采集器由视频监控单元、COMS图像传感器单元、环境照明、数据初步处理单元(DSP)及RS-485通信网络单元。图像采集模块的系统结构图如图1所示: ?　　图1中,利用低端COMS图像传感器对电能数据进行采集,当采集系统核心单片机系统收到通信网络传输的上级电能数据读取命令时,通过内部控制立即打开COMS图像传感器,在照明灯的帮助下,实现对电能数据的拍摄。单片机数据处理中心进行对刚拍摄的电能图像数据进行裁剪和压缩,形成系统默认的图像格式,并通过RAM储存模块进行保存,完成对电能数据的实时动态采集。当单片系统获得上级发出的图片传送命令时,就会用串行方式通过RS485网络将电能图像数据传输给改进BP神经网络系统,进行相应的数据分析,获得实时动态的电能数据。 4.2图象特征提取 　　通过图像采集器采集到的电能数据图像,需要通过数据提取技术将图像中所包含的数据信息从模拟化状态提取为实际计算机默认的二维代码,供给改进BP神经网络系统进行学习判断。在图像特征值提取过程中,广泛采用字符分割和数据归一化等技术,将不规则的图像信息转变为规则整齐的数据信号,并作为特征向量矩阵供给改进BP网络系统进行训练,就可以实现改进BP网络的图像字符的识别。 　　5、实例分析 　　5.1 仿真结果 　　为了验证基于改进BP网络电能预测系统的可靠性,利用已采集的图像和图像中所包含的实际电能数字作为改进BP神经网络的学习样本。将图像中实际数字作为输出矩阵, 原始图像信息作为神经网络的输入数据,采用反馈误差最小思想对改进BP神经网络进行“学习”训练,通过系统自动学习获得模型的权值和阀值。本次实验采用10组数据进行分析,其结构如表1所示。 　　从表1中所获得结构可知,通过改进BP神经网络对视频采集到的电能数据图片特征进行分析识别,其获得对应电能数据的识别率高达99%以上,且整个系统的误差都在10-2量级以内,说明了整个系统的建模精度十分的高,可以满足图像识别技术的要求,达到了电能数据远程采集、自动传输、数字识别等功能,给电能远程采集提供了一个新的研究思路。 　　6、结束语 　　改进BP神经网络具有明显的非线性数据处理能力,能够对图像特征数字等进行预测判断,可以有效提高电能数据的处理效率和精度。利用COMS图像采集单元,将远程的电能数据信息通过摄像功能进行拍摄,通过单片机进行图像的预处理,变成系统默认的图片格式,并通过RAM储存器进行图片信息保存,