基于非侵入式負荷監(jiān)測的家庭電氣火災防控系統(tǒng)

呂銀華，張旻

（1.浙江中辰城市應急服務管理有限公司，浙江 杭州 310050；2.杭州電子科技大學 計算機學院，浙江 杭州 310018）

0 引言

近年來，電氣火災頻發(fā)，其原因主要有用電設備操作不當和線路故障[1]，其中用電設備操作問題可近似看作用戶用電行為問題。非侵入式負荷監(jiān)測技術（NILM）最早由Hart提出[2]，常用于家庭能源監(jiān)測和用戶用電安全感知，其主要優(yōu)勢在于不需要對家電設備進行分別監(jiān)測，只需要在家庭總線處進行監(jiān)測即可，可以節(jié)省大量的人力物力。但在用戶用電安全感知上，傳統(tǒng)的NILM 技術需要大量的故障信號數(shù)據(jù)對模型進行訓練，而家庭電氣火災的設備故障數(shù)據(jù)難以獲得，人為制成數(shù)據(jù)集不僅在真實性上有所欠缺，同時還會加大實驗的風險性，在應用上具有較大難度，另外現(xiàn)有NILM 技術也存在著一些不足。

電信號的選擇對保證負載分配的準確性起著至關重要的作用。NILM 領域的常見特征包括有功和無功功率[3]、諧波[4]、啟動時的瞬態(tài)模式[5]和V-I 關系曲線[6]。主流的NILM 模型大體上可以分為兩類：基于事件模式與基于非事件模式。基于事件模式是指檢測何時發(fā)生設備切換，該設備識別從每個設備提取的不同電子簽名以標記狀態(tài)更改事件。但其缺點在于需要較高的采樣頻率，采樣率約為千赫茲或兆赫茲級，這對采集設備的要求較高，會加大應用難度。基于非事件模式則是將匯總的功耗分成單獨的功耗，并估計在低頻條件下處于工作狀態(tài)下的家電設備組合功耗，可以近似看作組合最優(yōu)問題，這種方法可以依托于采樣頻率極低的智能電表來實現(xiàn)，應用的可能性較高，這一特點也使基于非事件模式的算法成為NILM 的主流方向。

國內(nèi)外許多學者對基于非事件模式的算法進行了研究，學者們發(fā)現(xiàn)對不同類型的電器，算法的效果也會有差異。常見的家用電器可以分為開關型電器和多狀態(tài)型電器，其中開關型電器是指只有啟動和關斷兩種狀態(tài)的電器，多狀態(tài)型電器是指具有多種檔位的電器。文獻[7]提出了一種基于因子隱馬爾可夫模型（Factorial Hidden Markov Model,FHMM）的監(jiān)測算法，并使用分段約束二次規(guī)劃進行優(yōu)化。文獻[8]提出了一種基于隱馬爾可夫模型（Hidden Markov Model,HMM）的監(jiān)測方法，利用迭代K-Medoids 算法對模型進行了優(yōu)化，對I 型負荷能進行有效監(jiān)測，但對II 型負荷的監(jiān)測準確率較低。文獻[9]提出了一種基于譜分解的監(jiān)測方法，可以在樣本很少的情況下對I 型負荷進行有效監(jiān)測，但在存在未知設備的情況下，準確率會大大降低。

電氣火災監(jiān)控與能源監(jiān)控領域存在一定差異。能源監(jiān)控需要對所有電器設備進行監(jiān)控，主要目標在于對不同的電器都能有較好的監(jiān)測效果；而電氣火災監(jiān)控則是要重點對存在火災隱患的電器設備進行監(jiān)控，要求對特定電器有精準的監(jiān)控效果，這種電器多為開關型電器，少數(shù)為多狀態(tài)型電器。電氣火災監(jiān)測領域較為關注的電氣火災成因有漏電電流和電流過載。文獻[10]設計了模擬漏電電流的實驗裝置，并首次將漏電電流與NILM 結(jié)合在一起，為電氣安全監(jiān)控提供了新的方向。

針對NILM 和電氣火災監(jiān)控領域的特點，本文提出了基于非侵入式負荷監(jiān)測的家庭電氣火災防控系統(tǒng)。該系統(tǒng)采用智能插座作為硬件，原因在于：一方面，智能電表所監(jiān)控的負荷數(shù)過多，不適用于電氣火災監(jiān)控；另一方面，過多的負book=9,ebook=13荷數(shù)會影響算法性能。智能插座可以有效約束監(jiān)測的負荷數(shù)，平衡算法性能與硬件成本，對電氣火災監(jiān)控領域的針對性更強。

本文的貢獻在于：

（1）將NILM 技術與電氣火災的監(jiān)控結(jié)合在一起，可以有效排查設備處發(fā)生電氣火災的隱患，防止火災的發(fā)生；

（2）提出了一種基于跳躍模型的NILM 技術，能夠精確地對易發(fā)生電氣火災的設備進行監(jiān)控；

（3）設計了一款智能插座，可以實時采集設備電功率，采集頻率為0.1 Hz，并將數(shù)據(jù)上發(fā)至云端，由云端進行數(shù)據(jù)的處理。

1 系統(tǒng)建構

1.1 整體實施方案

系統(tǒng)實施方案如圖1所示，該方案主要涉及三個部分：智能插座端、云端和APP 端。其中智能插座端負責采集設備數(shù)據(jù)；云端負責接收智能插座端采集的數(shù)據(jù)并對數(shù)據(jù)進行處理；APP 負責顯示能源分解和電氣火災隱患判定結(jié)果。

圖1 系統(tǒng)實施方案

1.2 硬件設計方案

硬件端的結(jié)構如圖2所示，整個硬件實施方案分為4 個模塊：電源模塊、計量模塊、WiFi 通信模塊和MCU 模塊。

圖2 硬件實施方案

電源模塊由交直流轉(zhuǎn)換電路與直流降壓電路構成。其中交直流轉(zhuǎn)換電路的控制芯片選用ME8321，這是一款低功耗的交直流轉(zhuǎn)換電源控制芯片，該電路將220 V 市電轉(zhuǎn)換為5 V 直流電，用于為計量模塊供電以及后續(xù)轉(zhuǎn)換為3.3 V。將得到的5 V 直流電通過由 AMS1117-3.3 V 電源芯片主控的降壓電路轉(zhuǎn)換為3.3 V，并對MCU、WiFi 模塊進行供電。

計量模塊由功率測量模塊和漏電電流采集模塊組成。功率測量模塊的主控芯片為HLW8012，該芯片可以測量有功功率、電量、電壓有效值、電流有效值，被廣泛應用于智能家電采集終端。該模塊通過互感器對火線處流入的電流進行處理，將縮小后的電流接入HLW8012；同理通過分壓電路進行分壓，將分壓后的單相電壓輸入HLW8012，即可輸出代表有功功率值和電流有效值的電壓信號。漏電電流采集模塊的主控芯片為AD637，將三相線電流通過互感器轉(zhuǎn)換后的交流信號接入AD637 中，即可輸出得到電壓信號。將所得的兩種電壓信號接入MCU 中，通過MCU 計算便可得到有功功率值、電流有效值和漏電電流值。

WiFi 通信模塊選用TYWE3S 模塊，是一款低功耗嵌入式WiFi 模塊。它由一個高集成度的無線射頻芯片ESP8266和少量外圍器件構成，內(nèi)置了WiFi 網(wǎng)絡協(xié)議棧和豐富的庫函數(shù)。TYWE3S 是一個RTOS 平臺，集成了所有WiFi MAC 以及TCP/IP 協(xié)議的函數(shù)庫，內(nèi)嵌低功耗的32 位CPU、1 MB 閃存、50 KB SRAM 和豐富的外設資源。

MCU 模塊主控芯片采用的是STM32F103C8T6 芯片，該芯片核心采用ARM Cortex-M3 架構，可滿足信號采集、處理與上發(fā)的基本功能。

2 電氣火災監(jiān)控算法

本文擬議的監(jiān)控算法主體為基于跳躍模型的NILM 算法，該算法可以實時獲取電器設備組合狀況。針對電氣火災監(jiān)控方面，本文算法綜合考慮了設備級電氣火災成因，可以有效對漏電電流、電流過載兩種常見的引起電氣火災的因素進行實時辨識，同時可以獲取當前時段電器運行信息，對分辨引起電氣火災的設備有一定指導意義。

2.1 負荷分解問題描述

將接入總線的待測電器的種類數(shù)記為N，在t時刻的總線的聚合特征記為y(t)，t時刻的第i類電器的特征記作yi(t)，其中i={1,2,...,N}，由此可得：

其中e(t)表示建模誤差，這種誤差通常是由于電網(wǎng)擾動帶來的噪聲造成的。負荷分解的目的在于從總線的聚合特征中得到各個電器的能耗，并使e(t)最小。本文選取的負荷特征為有功功率P，負荷的聚合特征可以被表示為序列P={p1,p2,...,pi,...,pF}，F(xiàn)為長度。實現(xiàn)分解的主要任務就是求出在總功耗序列P中，第i個設備的單個功率值Pi(t)，最終使分解所得的各個設備功耗之和與總功耗序列P之間的差值最小。

2.2 負荷建模

電器狀態(tài)的轉(zhuǎn)變可以看作線性時不變系統(tǒng)，用Ki表示第i個設備的不同狀態(tài)，Ki是一個自然數(shù)；用si(t)來表示設備ibook=10,ebook=14在t時刻的狀態(tài)集，即。設備功率值可表示為：

其中：X(t)和分別表示特征值和模型參數(shù)；e(t)表示建i模誤差。本文選用動態(tài)跳躍模型進行建模，選用特征量為功率值，該模型可表示為：

其中：n表示設備的切換順序。θi通過最小化誤差函數(shù)來求取：

優(yōu)化算法則選用粒子群算法進行，由于動態(tài)模型中的si(t)未知，需要借用靜態(tài)模型來輔助求出，靜態(tài)模型不同之處在于靜態(tài)跳躍模型建模為：

其損失函數(shù)為：

其中模型輸出值與實際測量值之間的誤差有關，此處選擇用均方誤差來衡量：

動態(tài)跳躍模型的學習算法如下：

（2）迭代h=1,2,3,...。求解得到靜態(tài)；代入求解得到直到求得通過粒子群算法求解得到θi。

（3）輸出：θi和。

2.3 負荷分解

由上述跳躍模型進行負荷分解的目的是通過總線功率值y(t)，獲取不同的設備運行狀態(tài)，用s(t)表示t時刻的所有設備的狀態(tài)，s(t)∈{s1(t),s2(t),···,s N(t)}，用S表示所有的組合可能性，用|S|表示設備狀態(tài)的組合數(shù)，。

常見的能量分解算法是以優(yōu)化損失函數(shù)的形式完成分解任務，本文的不同之處在于考慮了分解時的限定條件，提高了整體算法的分解精度。

為規(guī)避極小概率事件，本文作出假設：在同一時刻，至多只有一種電器切換電器狀態(tài)，這樣即可提高算法分解的精度。用Ci(t)來表示t時刻設備i的變化情況，表達式為：

限定條件可以表示為

分解時損失函數(shù)的定義為：

與式（9）類似，均方誤差為：

式（13）中，λ(d)(d∈S)是可調(diào)參數(shù)，與連續(xù)兩個時刻都保持狀態(tài)d的經(jīng)驗概率成反比。假設設備彼此獨立的情況下，λ(d)的計算式為：

其中：w是可調(diào)參數(shù)；λi(di)是經(jīng)驗概率，且有：

其中：i=1,2,...,N；j=1,2,...,Ki。

分解算法的核心思想是在約束條件下進行損失函數(shù)的最小化求解。在電氣火災監(jiān)測中，電器不同檔位的運行時間也是很重要的特征，所以本文的監(jiān)測算法不僅需要輸出不同的狀態(tài)，還要輸出電器不同狀態(tài)的運行時間。具體算法如下：

（1）輸入：總線功率值讀數(shù)模型參數(shù)θi，λ(d)，d∈S。

（2）通過計算l(y(1),h)（h∈S），求得J*(1,h)；通過求得s*(1)；對于t=2,...，在條件下進行迭代，計算，計算求得s*(t)。當Ci(t)=1 時，將上一次book=11,ebook=15Ci(t)=1 的時刻記為til，記下此時時刻tin，設備不同狀態(tài)的運行時間為tid。

（3）輸出：估計得到的模式序列s*(t)，設備不同狀態(tài)的運行時間tid。

3 實驗

3.1 分解算法實驗

本節(jié)使用REDD 數(shù)據(jù)集中的House2 三天用電數(shù)據(jù)進行仿真，在不同的電器設備混合情況下，對Hart 模型[2]、AFHMM 模型[11]、靜態(tài)跳躍模型[12]以及本文所提出的改進跳躍模型分別進行分解實驗，以此驗證本文算法的優(yōu)越性。

本文所采用的算法評價指標為FM，F(xiàn)M是精確率PR和召回率RE的調(diào)和平均值。三者的定義公式為：

式中：TP表示實際運行設備被成功檢測與辨識的總數(shù)；FP表示設備未運行卻被誤檢的總數(shù)；PR用于衡量算法的檢測準確率；FN表示設備在運行卻被漏檢的總數(shù)；RE用于衡量事件檢測與聚類的強度；FM是對兩者的綜合評估。在實驗中選用3 種主流模型與本文模型作對比，總的來說本文算法的性能優(yōu)于其余3 種主流模型。在六種混合設備的情況下，平均FM指數(shù)大于80%，整體分解效果較好。不同混合設備的平均FM指數(shù)見表1 所列。

表1 不同混合設備的平均FM 指數(shù)對比

冰箱的有功功率分解曲線如圖3所示，分解估計值近乎與真實值重合。

圖3 冰箱有功功率分解曲線

3.2 漏電監(jiān)測實驗

在監(jiān)測功率變化的同時，對漏電電流進行監(jiān)測，實驗裝置示意圖如圖4所示。漏電電流通常情況下應為0，且漏電電流的發(fā)生往往伴隨著電器的投切。電器設備的啟動將伴隨接地電阻回路連通，火線與地線之間出現(xiàn)電流，三相電流平衡被打破，視作發(fā)生漏電情況，只要對比發(fā)生漏電電流前后的電器設備變化情況，即可判斷出可能發(fā)生漏電的電器設備，完成對設備漏電的監(jiān)控。

圖4 漏電電流模擬實驗

某次漏電電流實驗曲線如圖5所示，在該次實驗中，電水壺與電磁爐混合運行，其中電磁爐有兩個檔位。將電水壺與大電阻相接，則電水壺運行過程中伴隨著漏電電流發(fā)生，電水壺關斷后，漏電電流消失。通過非侵入式負荷監(jiān)測，可以推斷出漏電電流發(fā)生時的電器投切情況，從而推斷出故障電器。

圖5 漏電電流監(jiān)測實驗曲線

漏電電流實驗匯總見表2 所列，實驗中選用電器共4 種，分別為電吹風、電水壺、電磁爐和小煮鍋，按發(fā)生漏電電流的電器種類分為四組實驗，每組實驗進行25 次，分別統(tǒng)計準確識別、漏識別和錯誤識別次數(shù)。

表2 漏電電流實驗匯總

4 結(jié)語

本文所提出的基于非侵入式負荷監(jiān)測的電氣火災監(jiān)控算法，以采樣頻率為0.1 Hz 的智能插座作為硬件實現(xiàn)端，得到的電器有功功率值、電流有效值和漏電電流值，作為電氣火災判定的特征值。其中有功功率值用于判定不同時刻正在運行的電器，電流有效值和漏電電流值用于判定漏電與電流過載發(fā)生與否，本文所提出的系統(tǒng)主要針對于用電行為不當造成的電氣火災隱患判別。

本文所提出的電氣火災隱患識別算法的優(yōu)點在于以非侵入式負荷監(jiān)測算法為主體，在掌握家庭用電行為的同時，將電流過載與漏電這兩種常見的電氣火災因素與用電設備狀態(tài)切換結(jié)合在一起，從而能有效判別由不良用電行為造成的電氣火災隱患。本文在原有跳躍模型的基礎上，增加了更符合家用電器特征的約束條件，從而提高了分解準確率。

本文所提出系統(tǒng)的進一步改進空間在于減小模型的大小，便于下一步將電氣火災隱患識別算法向嵌入式端轉(zhuǎn)移，以進一步提高算法運行速度，減少云端資源占有率。

[1]廖俊華.電氣火災原因調(diào)查與防范技術[J].低碳世界，2020，10（4）：223-224.

[2]HART G W.Nonintrusive appliance load monitoring [J].Proceedings of the IEEE，1992，80（12）：1870-1891.

[3]劉興杰，曹美晗，許月娟.基于改進雞群算法的非侵入式負荷監(jiān)測[J].電力自動化設備，2018，38（5）：235-240.

[4]呂志寧，趙少東，饒竹一，等.非侵入負荷辨識的諧波特征量提取改進方法研究[J].電子測量技術，2019，42（7）：29-34.

[5]高浩瀚，張利，梁軍，等.基于改進排列熵算法和 Yamamoto算法的非侵入式用電設備狀態(tài)變化檢測[J].電力自動化設備，2020，40（1）：192-197.

[6]周任飛，湯鵬飛，劉三豐，等.基于卷積神經(jīng)網(wǎng)絡的非侵入式負荷識別研究[J].信息技術與網(wǎng)絡安全，2019，38（8）：64-68.

[7]陳思運，高峰，劉烴，等.基于因子隱馬爾可夫模型的負荷分解方法及靈敏度分析[J].電力系統(tǒng)自動化，2016，40（21）：128-136.

[8]KONG W，DONG Z Y，HILL D J，et al.Improving non-intrusive load monitoring efficiency via a hybrid programing method [J].IEEE transactions on industrial informatics，2016，12（6）：2148-2157.

[9]DINESH C，NETTASINGHE B W，GODALIYADDA R I.Residential appliance iden-tification based on spectral information of low frequency smart meter measurements [J].IEEE transactions on smart grid，2016，7（6）：2781-2792.

[10]CHEN W Y，GONG Q H，GENG G C，et al.Cloud-based nonintrusive leakage current detection for residential appliances [J].IEEE transactions on power delivery，2019，35（4）：1977-1986.

[11]KOLTER J Z，JAAKKOLA T.Approximate inference in additive factorial HMMs with application to energy disaggregation [C]//Proceedings of International Conference on Artificial Intelligence and Statistics.La Palma，Canary Islands：PMLR，2012：1472-1482.

[12]BRESCHI V，PIGA D，BEMPORAD A.Online end-use energy disaggregation via jump linear models [J].Control engineering practice，2019，89（8）：30-42.