基于智能家居的家庭用電監測系統設計

龍世渚，涂 來

（1.深圳創維數字技術有限公司，廣東 深圳 518057；2.華中科技大學 電子信息與通信學院，湖北 武漢 430074）

0 引 言

為應對環境和氣候變化這一關乎全球人類生存發展的共同挑戰，各國政府都推出了一系列節能減排政策，引導學界和企業研發新興技術和產品，推動節能減排。在智能家居領域，由于相關物聯網技術可以實現對家用電器的管理，因此利用智能家居系統實現對家用電器的監測也是智能家居的建設目標之一。同時，發電廠與輸配電電網也可以利用廣泛的精細化家庭用電特征數據，對發電、配送電進行科學合理的統籌計劃，在保證家居舒適性的同時，實現電網發電、配電的優化。基于此目標，本文探討了基于智能家居的家庭用電監測系統的設計和關鍵技術。從家庭用電監測系統的總體架構、智能家居平臺支撐、用電行為數據管理平臺以及支持負荷分解用電監測算法等4個方面進行了探討和設計，為全屋家電能耗監測管理提供精細化數據支持。

1 家庭用電監測系統構架

家庭用電監測系統以部署在用戶家中的智能家居網絡環境為支撐，通過在云端服務器上部署能耗管理應用服務，實現對家居電器的能耗數據采集以及智能控制，其總體架構如圖1所示。在用戶側，用戶通過安裝智能電表或者使用具備能耗監控的智能電器，實現終端側的能耗數據采集。智能家居網關作為智能家居設備的連接樞紐，完成不同物聯網協議間的翻譯轉換，保證不同智能家居設備的網絡接入能力，并匯聚家庭多種設備的采集數據后上傳到云端服務器。家庭用電數據通過互聯網匯聚于云端的能耗管理應用業務模塊進行分析處理。家庭能耗管理應用業務系統通常包括：用電行為數據管理平臺、電器運行狀態監測與能耗分析、用電策略管理、電器遠程控制。

圖1 智能家居能耗管理業務架構

1.1 用電行為數據管理平臺

用電行為數據管理平臺匯聚不同電器、不同用電應用的行為數據。由于不同用電應用在用電時間、采集頻度、用電行為標注等方面包含不同類型的數據結果，因此需要設計一種數據服務總線，能處理歷史數據、實時數據、關系數據等不同類型數據，為用電行為服務請求提供接口。

1.2 電器運行狀態監測與能耗分析

該部分包括獨立電器運行能耗數據監測與智能電表非侵入式負荷分解能耗監測。前者適用于自帶能耗監測功能的電器，后者使用軟件算法，從總電表計量數據中分離出不同類型電器的能耗，用于用電行為數據分析。

1.3 用電策略管理

該部分包括面向電網調控的基于區域用電數據分析的電網配電策略、區域分時電價策略以及面向用戶的用電調度優化建議。

1.4 電器遠程控制

該部分具有提供電器遠程啟動、停機或運行狀態設定的能力。

2 智能家居系統

2.1 智能家居設備及傳感器

受限于物聯網器件的部署空間、計算能力和待機時間等條件限制，目前大部分智能家居設備的通信模塊都使用ZigBee， Bluetooth LE，Z-Wave等低功耗個域網PAN無線技術，針對不同電器設備的特點，這些傳感器集成于智能家電或智能電表設備之中，或者設計成智能插座作為獨立設備，來采集監控電器的能耗。這些傳感器通過智能家居網關將采集的用電數據匯聚到云端，為用電規劃、節能策略設計提供數據支持。同時接收能耗管控策略，觸發用電設備開啟或關閉，實現能耗管控。

2.2 智能家居網關

在智能家居生態系統中，智能家居網關扮演著智能設備接入、匯聚和協議轉換的重要角色，同時提供設備與云服務器間的橋接能力。在智能家居網關的支持下，智能家居云服務器從智能家居設備上獲取設備信息、能耗數據、服務信息等，并向目標設備發送控制請求消息，實現對智能設備的控制和用電調度。

智能家居網關的功能架構包括三層，即系統層、中間件層和應用層，如圖2所示。每一層由若干功能模塊組成，實現不同的功能需求。

圖2 智能家居網關的功能架構

系統層為上層軟件提供基本的操作系統功能和操作系統服務。系統層包括硬件組件的硬件驅動模塊；中間件層由支持不同物聯網設備連接的物聯網協議棧、不同協議之間的協議轉換和應用API組成；應用層包括設備管理、安全管理、本地控制管理和輔助功能等模塊。

3 用電行為數據管理平臺

3.1 基于服務架構的數據庫中間件

用電行為數據管理平臺采用基于服務架構的數據庫中間件技術，利用XML、SoAP、Web Service、UDP等標準規范實現從發送任務請求到執行任務請求，再到返回任務請求的各技術環節，從而達到不同類型結構用電數據融合的目的。數據服務總線處理不同客戶端的數據服務請求，包括智能家居設備的數據寫入和監測管理應用的數據查詢。采用XML技術實現統一的數據表達方法；使用UDP傳輸協議實現客戶端與數據服務器間的通信；通過SoAP實現客戶端JavaScript和底層C語言之間跨語言的應用服務。將客戶端發送的任務請求抽象為服務，用戶在初始化時將需要的服務相關信息通過配置方法寫入相應模塊，當用戶需要調用相應服務時，觸發器會觸發服務的執行。服務執行過程對于用戶而言是透明的，用戶無需在意服務如何實現，所有底層細節均被屏蔽，使得系統真正具備智能化組件的功能。此外，采用服務架構的思想對于日后系統的擴展、升級十分有利，當底層數據源增加或減少以及服務請求發生變化時，無需或者只需很少的代碼改動就能完成看似繁雜的升級。

3.2 數據融合模型總體設計

基于上述設計思想，本方案設計了一種基于服務的智能化數據庫中間件系統來解決異構數據融合問題，使得數據庫中間件不僅能夠連接客戶端與底層數據庫，還能夠為異構數據的融合做出更大貢獻，體現其智能化的特性。

本模型共分為6層，分別為用戶層、通信層、任務管理層、服務請求層、數據操作層以及數據庫層，架構示意圖如圖3所示。

圖3 基于服務架構的數據庫中間件

用戶層為系統的實時監控客戶端，負責接收用戶下發的服務請求，將服務請求下發給通信層，并將下層返回的結果顯示在客戶端界面。通信層負責實現用戶層和下層的通信協議和接口，保證模型之間通信暢通。任務管理層負責合理安排調度通過通信層接收的服務請求。由于本系統實現的是并發控制，因此同一時間可能會接收到來自不同界面的任務請求，或者同一界面有不同的服務請求，這樣任務管理層會通過任務隊列以及多線程處理機制來管理服務請求，一方面保證接收到的服務請求不會丟失，另一方面保證將返回結果發送至正確的客戶端界面，并且確保效率高、響應快。服務請求層中的實時監控業務服務模塊完成服務的業務邏輯，通過服務請求層的邏輯分析處理下一層具體應用的操作。數據操作層包括數據庫訪問接口以及數據緩存。數據庫訪問操作類通過特定的實時庫接口函數訪問實時庫，通過SQL語句訪問關系數據庫，并將得到的數據放入相應數據緩沖區。最底層為數據庫層，包括不同的數據源，如實時數據、歷史數據、存放點屬性、組屬性、用戶屬性等。該層體現了數據異構性。

4 支持負荷分解用電監測的方法

考慮到并非所有用戶使用的電器都是帶有能耗監測的智能電器，從最小化系統改動和最大化設備兼容的角度出發，設計支持非侵入式負荷分解能耗監測系統，僅通過對用戶電表的智能化改裝，采集家庭的匯總負荷信號，通過后臺軟件算法對總負荷信號進行分解，推算出用戶使用的電器類型，流程如圖4所示。

圖4 非侵入式用電負荷分解用電監測流程示意

非侵入式用電負荷監測旨在利用用戶家庭的總用電數據來分解得到家庭中各用電電器的使用情況。可將其分為三步：特征提取，即對不同類型的用電電器單個運行時的用電特征進行提取分析；事件檢測，即對事件發生點的檢測；事件匹配，即對檢測出的事件與已有的電器數據匹配，判斷各電器的運行情況。

4.1 電器特征提取

經過對單個電器功率分布分析后，對于電器的用電特征使用如下幾種易于提取、易于解釋的特征：

（1）功率分布特征（）；

（2）使用時間特征（）；

（3）使用時趨勢特征（）；

（4）使用時波動特征（）。

電器運行特征與提取如圖5所示。

圖5 電器運行特征與提取流程

功率分布特征是針對不同電器有不同的用電功率，并且不同電器功率的平穩程度不同，對此提取各電器的功率分布，對總體事件進行匹配。

使用時間特征與功率分布特征類似，針對不同電器有不同的使用時間段，針對此特征，提取不同電器的使用時間并擬合概率分布。

使用趨勢特征，針對各種用電器的使用趨勢特征進行分析后，采用指數加一次函數擬合其趨勢，公式如下：

式中：()為功率的分布密度函數；（,,,）為待定擬合常數。

波動特征是針對不同電器使用時產生不同的波動而提取的特征，使用原始數據減去趨勢擬合函數得到波動圖，求取其方差得到波動參數。

4.2 用電事件檢測

用電事件檢測主要分為分表事件檢測與總表事件檢測。

4.2.1 分表事件檢測

對于電器的事件檢測首先需要根據統計特征尋找合適的分割特征，采用方差方式或閾值方式進行檢測。

基于閾值分割的事件檢測：針對功率的分布，若功率分布圖呈現單峰或多峰趨勢，即可采用功率閾值分割，根據功率分布的上下限確定閾值，由閾值劃分電器運行與否。

基于方差的事件檢測：特殊電器的功率分布并無明顯的峰狀特征，而呈現無規則的分布。對于此類電器，采用方差特征檢測事件。首先，提取運行待定時間段，設定小閾值分離電器可能運行的時間段；之后，對于每個時間段進行方差特征提取，并與整體方差特征對比，滿足一定條件則判定其為運行狀態。

4.2.2 總表事件檢測

事件檢測為后續事件匹配做好準備，事件檢測需要在總表數據中將事件發生的起始點找出來，最后把總表中的事件分離出來，其算法流程大致分成如下4個步驟：

（1）找到事件的改變點（電器的開關），這些點附近的數據方差有明顯突變，可以利用該突變完成對總表數據中上升沿、下降沿的判斷；

（2）分辨事件改變點的上升沿和下降沿，分別對應電器的開關；

（3）匹配上升沿和下降沿，找到事件的運行時間段；

（4）事件的提取，從總表數據中提取出單個事件的運行狀況。

4.3 用電事件匹配

對于分布特征，采用概率分布距離函數作為兩個概率分布特征()和()的評價函數，公式如下：

對于趨勢特征，采用分類器的方法對趨勢參數進行訓練，并使用訓練模型對總表中提取的特征進行概率匹配。

對各特征檢測后，若兩電器的評價函數相近，則利用其未來一段時間的周期特征作為其后驗特征再次進行檢測。

4.4 實驗驗證

基于上述方法，使用Reference Energy Disaggregation Dataset （REDD）開放數據對非負荷分解方法進行實驗驗證。圖6和圖7分別展示了某單運行狀態電器和多狀態運行電器的功耗。通過對電流（功耗）波動的檢測，提取狀態變化點，如圖中紅色星型標記所示。基于對每個電器獨立運行狀態數據的分析和學習，對多電器疊加事件進行檢測和分解。

圖6 單運行狀態電器狀態檢測示意

圖7 多運行狀態電器狀態檢測示意

在事件起始與結束檢測的基礎上，把每個事件單獨隔離。大部分事件都是單獨發生的，但是還有部分事件交叉發生，相互重疊。通過檢測該事件時間段內的其他事件來調整數值。確定每個其他事件對于當前隔離事件的影響區間后，再將事件的值進行調整與更改。

經過統計檢測總表事件與檢測分表時間的匹配度得到最終結果。

式中，TP、FN、FP和TN分別為檢測結果中的真正例數、假反例數、假正例數和真反例數。對于總表中的時間進行匹配，實驗結果的事件匹配準確率為76%。對于事件檢測的結果符合預期，由于部分事件特征樣例較少，導致事件匹配結果出現較大偏差，在此方面有待改進。

5 結 語

本文探討了基于智能家居平臺環境的家庭用電能耗管理業務系統設計，并給出了支持用電監控的智能家居平臺支撐方案，隨后提出了面向多類型精細化能耗監測的數據庫設計方案，最后分析了支持獨立數據采集和負荷分解算法的用電數據采集方法，并基于開放數據進行了負荷分解算法準確率的驗證。本文對以智能家居系統為家用電器數據采集和控制平臺，如何實現智能家電能耗監測，如何實現精細化的數據采集與分析提供了關鍵算法和技術實現路徑。具體算法經過了實驗驗證，整體方案也通過方案原型進行了驗證，實際應用中可以根據需要作進一步改進和完善。