家庭智慧能源管理系統設計與測試

周 飛

（廣東東軟學院 計算機學院，廣東 佛山 528225）

0 引 言

隨著社會的進步，人們生活水平日益提高，智慧家居逐漸進入人們的日常生活，用戶對電能的需求也在持續增加，這給電力行業帶來了巨大的挑戰。從能源角度來說，除了現今大力發展可再生能源、提高供電側的發電效率之外，對于提高需求側用電管理效率，并有針對性地制定用戶節能方案，實現可持續發展是當前亟待解決的問題。然而，這種解決方案只能限制部分用戶的用電行為，并未從用戶側角度智能化、高效率地提高電能利用率[1-4]。

目前，關于上述問題的研究較少，并且大部分文獻都是對用戶用電做出分析處理，還需要用戶自己對其進行管理，未真正做到智能化節能。為解決以上問題，引入云服務技術和智慧家居物聯網技術，開發出一套智慧能源管理系統。本文主要在滿足用戶的用電生活習慣的基礎上進一步對系統進行設計研究。

1 系統框架及通信接口設計

1.1 系統架構設計

本文采用Client/Server 架構，基于Android 所編寫的APP 來開發家庭智慧能源管理系統的用戶端[5]，以極簡的全光組網（FTTR）代替傳統的以太網建立網絡結構。而電網端則是優化用電的系統結構。圖1 為系統架構的設計方案。

圖1 系統架構

系統框架主要分為3 部分，分別是用戶端、全光組網和電網端。根據電網端傳感器上傳的數據，對用戶一段時間的用電習慣進行自主學習以后，將數據信息提供給云端服務器，儲存到數據庫，再通過WiFi6 提供給用戶端的移動APP 反饋給用戶。其中，用戶端以APP 作為該系統對用電分析和管控需求的第一方交互工具，而系統本身進行自主學習所形成的用戶端用電習慣僅作為第二方交互工具。在APP 的控制之下，對整個系統進行監測與控制，這樣的設定優勢在于用戶端擁有第一管理權，便于用戶對用電情況的分配和管理。全光組網（FTTR）則是通過光纖以及配套的組網設備為每個房間提供有線、無線業務接口，配合WiFi6 技術實現全屋的“千兆”網絡覆蓋[6]。

1.2 通信接口設計

系統為用戶提供WiFi6 無線接入和GE 的有線接口的接口協議，滿足各類終端設備的網絡接入需求。文獻[7]提出了物聯網智能插板設計的方法并構建了硬件的基礎設計。但是大部分文獻都是通過“智能插板”的方式與用電器進行連接，這樣的方式不能直接做到對用電器物聯網的控制，而是通過第三方進行控制。

基于以上情況，本文對用電器進行改進，讓通信接口和物聯網接口都符合統一標準，使用ESP8266 模塊實現WiFi6的連接。對接口進行定義，實現對用戶用電數據的采集、傳輸儲存、云端上傳和數據庫連接，并基于用電數據對用戶用電行為進行自主學習，實現對智能用電器的調配。云端下發的調配指令須經過家庭主網關傳遞給用戶和用電器。

此外，為了方便用戶管理和查看，每種聯網的用電器都會被編碼一種標識符用來區分同一房間的相同用電器，存于用戶APP 端，不同編碼代表的是用電器的基本信息。

2 系統軟件功能設計

2.1 軟件功能設計

本文設計的家庭智慧能源管理系統包含用戶端的移動APP 和電網端的雙向交互平臺，而移動APP 通過家庭網關與電網側進行連接，主要給用戶提供一個管理服務和云端數據的上傳服務，這種設計的優點在于用戶對用電器的管理更加方便。

2.2 智能傳感器采集模塊設計

受限于物聯網設備的部署空間、計算能力和待機時間等條件限制，目前大部分智能用電設備的通信模塊都使用ZigBee、 Bluetooth LE、Z-Wave 等低功耗個域網PAN 無線傳感技術，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，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[8]。

2.3 遺傳算法和深度學習算法

構建基于LSTM 的混合算法模型。長短時記憶神經網絡（Long Short-Term Memory, LSTM）是一種以循環神經網絡為基礎衍生的算法模型。首先構建收集良好用電行為的家庭用電數據庫，此數據庫記錄家庭內各房間的用電數據，如電壓、電流、已用電量、有功功率等。使用數據庫訓練基于LSTM的混合網絡模型，優化模型參數；最終將當前時刻的家庭用電數據作為輸入變量送入訓練完成的網絡模型中，預測未來不同時刻的家庭總用電量，實現反應快、準確率高、穩定性強的預測模型[9-10]。

眾所周知，家庭的用電器都有不同的功能和獨特的用電特性，對于冰箱、空調、廚電等一些與時間線性相關的用電信息，可以根據這一特性進行選擇性、間斷性地信息采集，這樣可以低功耗地采集分析用電器的用電信息。從這些角度對用戶的每個房間的總體用電信息進行采集分析，最終整合為多變量的時間序列輸入模型算法，并進行全屋的用電分析，提高系統用電預測的準確性和高效性。

為了建立端到端的智能家庭用電預測模型，在Boruta 特征篩選完特征后還須將樣本數據序列化，進行多個特征的重要性計算，選取其中重要性較高的部分以滿足LSTM 模型的訓練要求。預測模型建立的主要步驟包括數據采集、特征選取、特征篩選、樣本數據序列化、特征數據歸一化、LSTM數據輸入、模型參數調優、用電預測建模、訓練并保存模型等。具體流程如圖2 所示。

圖2 面向家庭的智能用電預測流程

3 用戶測試分析

為進一步對本文所提出的家庭智慧能源管理系統進行評估，通過對家庭用電的實際案例進行對比分析，不難發現家庭智慧能源管理系統不僅可以有效地實現節能，降低家庭的用電成本，還能提高用戶的體驗感。

用戶可以通過APP 根據傳感器采集上傳的數據對系統的節能狀況進行對比與分析，隨時改進用電模型。由于系統采用了極簡的全光組網代替傳統的以太網線，4 層網絡變2 層網絡，光進銅退，無源設備替代有源設備，可以大幅簡化電路，減少30%以上的電能消耗。因此，家庭智慧能源管理系統的優勢體現得非常明顯，可以在今后進行推廣使用。

4 結 語

本文主要研究了家庭智慧能源管理系統，并提出了一種全新的系統架構和深度學習算法。通過用戶測試分析，該系統可以更加智能化、自動化地控制用電器，能夠提高電能利用率，實現了優化家庭用電的目標。而對于用戶來說，優化用電能力也能促進能源的可持續發展，符合我國所提倡的節能減排的政策要求。