基于可穿戴設備感知的智能家居能源優化

陳思運　劉　烴　沈　超　蘇　曼　高　峰　徐占伯　師嘉悅　賈戰培

1(智能網絡與網絡安全教育部重點實驗室(西安交通大學)　西安　710049)

2(機械制造系統工程國家重點實驗室(西安交通大學)　西安　710049)

3　　　(加州大學伯克利分校伯克利教育聯盟新加坡研究所　新加坡　新加坡城　138602)

(tingliu@mail.xjtu.edu.cn)

?

基于可穿戴設備感知的智能家居能源優化

陳思運1劉烴1沈超1蘇曼1高峰2徐占伯3師嘉悅1賈戰培1

1(智能網絡與網絡安全教育部重點實驗室(西安交通大學)西安710049)

2(機械制造系統工程國家重點實驗室(西安交通大學)西安710049)

3(加州大學伯克利分校伯克利教育聯盟新加坡研究所新加坡新加坡城138602)

(tingliu@mail.xjtu.edu.cn)

Smart Home Energy Optimization Based on Cognition of Wearable Devices Sensor Data

Chen Siyun1, Liu Ting1, Shen Chao1, Su Man1, Gao Feng2, Xu Zhanbo3, Shi Jiayue1, and Jia Zhanpei1

1(KeyLaboratoryforIntelligentNetworksandNetworkSecurity(Xi’anJiaotongUniversity),MinistryofEducation,Xi’an710049)

2(StateKeyLaboratoryforManufacturingSystemEngineering(Xi’anJiaotongUniversity),Xi’an710049)

3(BerkeleyEducationAllianceResearchinSingapore(UniversityofCaliforniaatBerkeley),SingaporeCity,Singapore138602)

AbstractAs the extension of smart grid in demand side, smart home energy optimization is an important branch of smart home. Smart home energy optimization aims to optimally schedule the home appliances to satisfy the comfort requirements and save the electricity cost. However, the comfort requirements are closely related to the human behavior, which has great subjectivity and uncertainty. Thus profiling the comfort requirements is one of the challenging problems. This paper presents a smart home energy management method based on the sensors data of smart wearable devices, which contains the human behavior analysis; updates the comfort requirements through creating the mapping model between human behavior and the comfort requirements by neural network; establishes the system dynamic models; and the parameters are estimated by using the sensor network data. Finally, the smart home energy optimization is solved by model predictive control. Based on the proposed method, the smart home platform is set up and the smart home energy optimization systems are developed to support the smart phone. The experiment presents promising performance on electricity cost saving and comfort improvement in four scenarios of user behaviors.

Key wordssmart home; energy optimization; human behavior analysis; smart wearable devices; smart grid

摘要智能家居能源優化作為智能電網在居民側的延伸是智能家居領域的重要分支.智能家居能源優化的目標是通過優化調度家居用電設備，滿足用戶的舒適需求和降低用電費用.其中，用戶舒適度與人的行為密切相關，具有很強的主觀性和不確定性，對用戶行為及舒適度需求的分析是智能家居能源管理系統中的難點.因此提出了一種基于可穿戴設備傳感數據分析的智能家居能源優化方法，主要包括：基于可穿戴設備傳感器數據實時分析用戶行為；利用神經網絡建立用戶行為到舒適度需求的映射，更新用戶的舒適度需求；建立家居系統動態模型，并基于智能家居環境傳感器數據對模型參數進行動態估計；提出基于模型預測控制(model predictive control, MPC)的智能家居能源優化求解方法.同時開發了智能家居能源優化的原型系統，通過搭建的智能家居實驗平臺，設計了4種典型用戶行為情景，驗證了所提方法對智能家居經濟性和舒適性的提升.

關鍵詞智能家居；能源優化；用戶行為分析；可穿戴設備；智能電網

家居空間是人類生活的一個主要物理空間.科學技術的發展及社會信息化、網絡化進程的加快，使人們對家居空間的要求不僅僅是物理的休息空間，更是一個安全、智能、方便、舒適的居家環境.智能家居的概念應運而生，從20世紀80年代基于電子技術的家居電子化，到面向特定功能的家居自動化逐步提出了家居智能化的概念.今天的智能家居通過融合先進的電子技術、計算機技術、網絡通信技術、自動化及智能化技術，實現兩大目標：提升用戶舒適度和降低家庭能源消耗.

提升用戶舒適度是智能家居最初的目標.從1987年在美國出現的世界上第1幢智能建筑開始，世界各國都先后提出了各種智能家居方案，其中最著名的案例為比爾·蓋茨的智能豪宅.這些智能家居方案都以信息的集中采集和設備的集中控制為特征，從家居設備便捷控制和家居安全性2方面提高用戶舒適度.然而在現有智能家居平臺下，如何智能地響應用戶對家居環境的舒適度需求(即如何確定有效的、反映用戶舒適度的家居環境控制目標)成為了智能家居系統新的問題.

隨著能源問題成為21世紀最受關注的焦點，節能減排成為推動智能家居持續發展的關鍵.居民側用電量占社會總用電量的36.6%，但研究表明其用電效率低、浪費嚴重[1].作為智能電網在居民側的延伸，智能家居被提出新的要求.智能家居能源管理系統是智能家居新時期發展的重要分支，通過分析智能家居傳感器網絡信息，對用電設備智能地進行優化調度，在滿足用戶舒適度的前提下提高用電效率，減少電能消耗[2].

智能家居能源優化問題正成為智能家居領域的研究熱點[3-4]，但仍然面臨3個挑戰：1)人的舒適度需求具有個性化和不確定特征，確定用戶的舒適度需求是電器設備優化控制的基礎，而用戶需求具有很強的主觀性，且受人的心情、運動行為、身體狀態、環境情況等諸多不確定因素的影響.大多數現有方法沒有關注到用戶對家居環境需求的特性，主要通過用戶設定或統計歷史數據作為控制目標，在實際的應用中這會對控制效果帶來不好的影響；2)家居環境具有個體差異及隨機動態的特性，在樓宇、工廠等建筑能源優化領域一般需構建精確化的環境模型，依賴于房間結構、墻體材料等建筑特性，受到成本和隱私的限制，智能家居中無法對每個用戶生成定制的家居系統模型；3)智能家居能源優化是多階段且具有多隨機因素的問題，用戶是否在家、外界環境和用戶需求的變化等都會影響家居電器設備控制策略的制定，使得家居能源優化問題并不容易.

本文基于智能家居平臺，提出了一種以用戶為中心、基于可穿戴設備傳感數據感知的智能家居能源管理方法，其主要包括：基于可穿戴設備的傳感器網絡數據分析用戶行為，包括用戶的位置信息，運動狀態及身體狀態；利用神經網絡建立用戶行為到用戶舒適度需求的映射；建立易擴展、普適化的家居系統模型，并利用智能家居的傳感器網絡數據對系統參數進行動態估計；基于模型預測控制(model predictive control, MPC)的智能家居能源優化，對不確定的用戶行為和舒適度需求進行動態響應.在本文的方法體系下，智能家居能源管理可以實現對用戶不確定的行為及需求進行感知和響應，進而基于個性化的系統模型對家居系統用電設備進行優化調度，在能夠保證節能經濟性的同時很大程度地提高了用戶的舒適度.

1研究現狀

智能家居是以住宅為平臺，兼備建筑、網絡通信、信息家電、設備自動化，集系統、結構、服務、管理為一體的高效、舒適、安全、便利、環保的居住環境.智能家居起源于智能樓宇，發展至今主要分為3個階段：1)最初的智能家居隨著電子化家電設備在樓宇中的應用而出現，提高了家電設備的實用性和便捷性.2)隨著通信技術、自動化的發展，家居系統實現了設備的網絡連接、遠程控制及家居系統自動化.文獻[5]設計并實現了一個基于Java的自動化系統，該系統集成在一個家庭服務器的獨立嵌入式系統板上，可集中監視并控制家庭設備；文獻[6]提出了一種可以從PC上使用藍牙控制家電的自動化系統.3)隨著物聯網的發展，無線網絡與信息傳感設備的廣泛應用，智能家居形成了具有大量傳感器網絡和計算處理單元的網絡系統，實現家居系統的監控、門禁、信息服務及智能控制[7].文獻[8]設計了一個傳感器網絡平臺，可用于精確檢測人在室內空間的活動情況，然后根據建筑內的占用情況來控制設備.

隨著智能電網的發展，智能家居作為智能電網在居民側的延伸，成為智能電網用電環節的重要標志.在智能電網背景下，提高居民側用電效率，加強需求側響應實現對可控負荷的削峰填谷，成為對家居系統新的要求.基于智能家居的網絡化平臺，對智能家居系統的能源系統和電器設備優化調度，實現智能家居能源優化成為智能家居發展的新趨勢.文獻[9]最早在商業建筑和制造系統中提出了供需能源優化調度.文獻[3-4]從居民側角度論證了能源優化在提高能源利用效率和有利于電網運行方面的潛力.然而，上述工作沒有關注在智能家居系統中用戶行為和舒適度需求的不確定性，而把用戶的舒適度需求作為經驗的設定值.用戶的舒適度需求是以用戶為中心的智能家居系統的基礎，然而由于其具有很強的主觀性和不確定性，受外部環境因素和人的社交行為、身體狀態等諸多方面的影響，因此對用戶舒適度需求的分析是智能家居能源優化問題中的難點.

對于智能家居系統中用戶舒適度需求已有大量的研究[10-19].其中，文獻[10]提出了一個自適應智能家居系統，利用機器學習算法來學習用戶的日常活動模式.文獻[11]設計了一種自編程溫控器，它可以根據用戶在家時間的統計信息，自動創建最節能的空調運行策略.文獻[12]基于非侵入負荷監測分析用戶的電器使用模式，進而分析用戶行為的統計信息.文獻[13]通過分析用戶的用電模式，對用戶設備的可調度性進行個性化分類.以上這些方法都是基于用戶歷史的行為信息得到統計規律，以統計規律作為用戶的舒適度需求進行優化控制，在期望意義優化控制策略實現舒適度最佳和能源消耗最小.但對于智能家居的個體用戶，其行為和需求具有個性化和不確定特征，統計規律無法滿足用戶個性化需求，在用戶行程不確定時，更會導致用戶舒適度下降，并造成不必要的能源消耗.

2智能家居能源優化方法體系

本文針對智能家居系統中用戶行為及舒適度需求的不確定性，提出了一種基于可穿戴設備傳感數據分析的智能家居能源優化方法，其方法體系如圖1所示:

Fig. 1　The methodology of smart home energy optimization.圖1　智能家居能源優化方法體系

用戶的可穿戴設備傳感器可以準確采集用戶的位置信息、運動信息和生物信息等，這些數據用以分析和估計用戶的位置、到家和離家時間、運動行為及身體狀態.同時智能家居系統中的環境傳感器，包括智能電表、溫濕度傳感器及光照傳感器等，采集電器設備信息和環境信息等家居系統狀態.根據感知到的用戶行為和家居系統狀態，通過映射關系估計用戶的舒適度需求；同時家居系統狀態信息也用來對用戶的家居系統進行動態建模.基于更新的用戶舒適度需求、家居系統的動態模型及采集的家居系統狀態，利用MPC對家居能源優化問題進行求解，得到滿足用戶舒適度需求的家居系統優化控制策略.

2.1問題提出

智能家居的能源優化是：通過對家居設備的用電過程和家居環境建立數學模型和約束，在保證滿足用戶舒適度需求的情況下，求解家居設備運行費用最小的最優控制策略.空調和熱水器作為家居環境中電能消耗的主要設備，在智能家居能源優化問題中被主要關注.常見的對于空調和熱水器的能源優化問題如下所示[20].

空調的房間熱過程模型：

Tin(k+1)=εTin(k)+(1-ε)(Tout(k)-

COP×qac(k)A)，

(1)

其中，Tin(k)和Tout(k)分別表示時刻k的室內溫度和室外溫度，qac(k)表示時刻k的空調功耗，ε是系統的慣性系數，COP是空調的電冷效率，A是與室內外熱交換相關的傳熱系數.

熱水器的熱過程模型：

Cmw[Tw(k+1)-Tw(k)]=qwh(k)-

θ[Tw(k)-Tin(k)]，

(2)

其中，C表示水的比熱容，mw表示熱水器中水的質量，Tw(k)表示時刻k熱水器的水溫,qwh(k)表示時刻k的熱水器功耗，θ是與熱水器內外熱交換相關的傳熱系數，Tin是熱水器外部的環境溫度，這里指室內溫度.

設備運行過程的物理約束：

(3)

(4)

環境舒適度需求約束：

(5)

(6)

目標函數：

(7)

其中，J表示家居系統所產生的電能總費用，K為調度時段，p(k)表示時刻k的電價.

這是一個典型的單一時段線性規劃問題.在智能家居系統中存在3個問題：

1) 舒適度需求的確定

2) 系統的動態模型

空調和熱水器熱過程模型的參數依賴于用戶的家居環境及設備參數，需要對用戶進行個性化的建模.

3) 優化問題

考慮到家居環境中存在多種隨機因素的影響，包括用戶舒適度需求的改變，室內人員活動的影響及天氣變化等，而這些隨機因素不可完全預測，因此單一時段的優化方法無法很好解決家居能源優化問題.

2.2基于可穿戴設備的用戶舒適度需求分析

隨著移動互聯網的飛速發展，可穿戴設備已經融入到人們的日常生活中.常見的可穿戴設備包括智能手機、智能手表、智能手環等.更重要的是這些可穿戴設備中都裝備了多種傳感器，包括位置傳感器(GPS傳感器)、運動傳感器、生物傳感器和環境傳感器等.通過這些傳感器可以準確地感知與用戶行為密切相關的狀態信息，進而分析用戶的行為及用戶舒適度需求.

2.2.1可穿戴設備傳感器

本文提出的基于可穿戴設備的用戶行為分析如圖2所示，主要包括了位置傳感器分析、運動傳感器分析和生物傳感器分析，此外，環境傳感器主要用來記錄用戶所處的環境信息.

1) 位置傳感器.位置傳感器可以獲取用戶的位置信息，包括經緯坐標、移動速度等數據.標記用戶所在地的敏感建筑，包括辦公地點、運動場所、購物場所、居住地點等建立敏感建筑位置信息庫.通過對用戶位置信息與敏感建筑位置信息庫的模糊匹配，估計用戶所在地及用戶所參與的社會活動，例如在辦公、在運動、回家途中等.

Fig. 2　Human behavior analysis based on wearable devices.圖2　基于可穿戴設備的用戶行為分析

2) 運動傳感器.運動傳感器包括加速度傳感器、陀螺儀、電子羅盤傳感器等.定義典型的用戶運動行為，包括坐、躺、行走、跑步等行為，不同的運動行為會有不同的舒適度需求.提取用戶運動行為中的加速度特征和方向特征等，對運動傳感器數據進行特征匹配和分類，分析用戶的運動行為.

3) 生物傳感器.常見的生物傳感器包括體溫傳感器、心電傳感器、血壓傳感器等.生物傳感器數據不僅可以用來分析人的運動行為，也可以用來反映人的身體狀態.人的運動狀態和身體狀態都與生物特征有密切關系，例如脈搏數據過快則表明用戶正在劇烈運動，脈搏變緩表明用戶在睡眠，體表溫度可以反映用戶是否生病，同時也可以反映用戶對熱和冷的感受[21].基于專家系統可以建立生物特征的分析規則，從而分析運動行為和身體狀態.

4) 環境傳感器.環境傳感器包括溫度濕度傳感器、大氣壓力傳感器、環境光照傳感器等，用于記錄用戶所處環境的信息.

2.2.2用戶舒適度需求分析

1) 需求時段分析

在此我們引入一個假設：當用戶位于家居環境中希望家居環境是舒適的，即此時有室內溫度和熱水的舒適度需求.這是一個合理的理性人假設，因為沒有人會希望家居環境是不舒適的.因此，Zac和Zwh就是描述用戶是否在家的變量.根據位置傳感器分析所得到的用戶位置信息可以對用戶是否在家做出準確判斷，進而更新用戶的舒適度需求時段變量Zac和Zwh，避免用戶不在家的時候用電設備工作造成的浪費.

2) 需求的環境參量分析

運動行為、身體狀態和環境情況可以直接影響人對溫度的舒適度需求，但這種映射是復雜的且非線性，同時還存在一些難以感知和提前預測信息的影響，例如人的心情、突發事件等.考慮到BP(back propagation)神經網絡[22]能以任意精度逼近任何非線性映射，可以學習和自適應未知信息，且具有一定的容錯性，適合處理這類復雜問題.本文采用常用的BP經網絡模型構建用戶運動行為、身體狀態和環境信息與用戶舒適溫度需求的映射關系.

本文基于用戶的舒適度對家居環境數據進行采樣，從而獲得訓練樣本，以對所建立BP神經網絡進行學習.當用戶對當前的家居環境感到不舒適時，可通過智能手機終端發送不滿意信息或手動控制信息.對于溫度的舒適度來說，用戶的不舒適度是一個一維的離散變量Ct∈{-1,1}.當Ct=-1時，表示在時刻t用戶感覺到冷；當Ct=1時，表示在時刻t用戶感覺到熱.當用戶的不舒適發生時，對可穿戴設備傳感器數據、設備運行數據和環境數據進行采集.由于用戶對溫度的抱怨具有單向性，即當用戶對當前溫度產生熱的不舒適時，高于當前溫度對用戶肯定會產生熱的不舒適，反之亦然.因此，從得到的采樣數據中尋找用戶不舒適溫度的分布邊界，進而得到用戶舒適溫度的訓練樣本.

2.3智能家居系統動態模型

智能家居的系統動態模型主要描述家居用電設備的電能消耗與環境狀態變量之間的物理關系.對于空調和熱水器，其動態模型分別指房間熱過程模型和熱水器熱過程模型，如式(1)(2)所示.而房間的參數及空調和熱水器的設備參數每家每戶都不相同，且系統的動態過程會受到一些因素的干擾.因此，本節提出了在家居系統中熱過程設備通用的可自適應學習參數的一階差分隨機系統動態模型.

根據式(1)(2)的模型可以看出，由于空調模型和熱水器模型都是從熱過程中抽象出的數學模型，二者具有相同的一階差分方程的形式，且模型參數的含義也類似.因此，可以用一個通用的一階差分隨機模型來等價表示空調和熱水器的熱過程模型：

xin(k+1)=αxin(k)+βxout(k)+ηq(k)+v，

(8)

其中，xin(k)和xout(k)分別表示時刻k設備的熱過程中熱容器內和外的溫度狀態，q(k)表示時刻k設備的用電功耗，α，β，η，v為基本的熱過程參數，其中v表示設備i熱過程中的隨機影響因素，例如空調熱過程模型中的人員散熱，家用電器散熱及太陽輻射熱等.

(9)

其中,N為觀測量的采樣點數.

2.4基于MPC的智能家居能源優化

智能家居能源優化結合電網發布的動態電價、環境預測信息及基于可穿戴設備感知的用戶動態的舒適度需求，在保證用戶舒適度的前提下優化用電設備的控制策略使智能家居系統的運行費用最小.為了處理用戶行為的不確定性和系統動態特性變化的問題，本節基于MPC對用電設備的進行優化調度，方法架構如圖3所示:

Fig. 3　Smart home energy optimization based on MPC.圖3　基于MPC的智能家居能源優化

MPC是一類基于模型的有限時域閉環最優控制算法，優化過程以當前時刻的系統狀態作為觀測，基于預測模型對未來系統狀態的預測，滾動求解最優問題，因而很適合系統存在不確定性的問題.在本文所采用的MPC優化問題中，家居系統溫度狀態及用戶的行為狀態被作為家居系統的反饋結果由可穿戴設備及家居環境傳感器觀測.觀測數據一方面用于校正系統模型參數，進而預測系統未來狀態；另一方面用來更新用戶的舒適度需求.家居系統的能源優化問題被反復的滾動求解，在每一個優化時刻，基于系統反饋及更新的系統模型和舒適度需求，會得到未來有限時域的優化策略.為避免模型誤差和環境干擾帶來的影響，只有第1個時段的控制策略被執行.

算法1. 基于MPC的智能家居能源優化求解.

輸入：時刻k可穿戴傳感器和家居環境傳感器數據；

輸出：時刻k的電器控制策略q(k).

步驟2. 求解以下優化問題，得到家居設備用電

s.t. xin(k+1)=α xin(k)+β xout(k)+η ，

其中，優化目標J表示在優化時段家居設備所產生的用電費用；在狀態轉移方程中，xin(k)是時刻k的狀態觀測已知量.這個優化問題是線性的，通常可以用線性規劃來求解.

步驟4. 令k=k+1，返回步驟1，直到k=K-1.

至此完成基于MPC的滾動優化求解過程.經過這個求解過程，可以得到在整個優化時段最優的家用設備用電功耗序列，其中每個功耗值表示設備在單位調度時段內的平均功耗，智能家居的控制終端可以根據每個時段的設備功耗控制設備.在這個過程中建立在系統實際的輸出反饋基礎上，系統模型的誤差和不確定的人員行為及環境因素帶來的影響可以實時得到校正，具有很強的魯棒性.

3系統設計

本文搭建了智能家居實驗平臺，包括典型家用電器設備、家居環境傳感器和智能開關；同時開發了支持多種智能設備(包括智能手機、智能手環和智能手表等)的智能家居能源優化系統，主要包括3個主要模塊：移動終端應用、智能網關和能源優化服務器.

Fig. 4　System structure of smart home energy management.圖4　智能家居能源優化系統結構圖

智能家居實驗平臺模擬典型的家居環境，安裝了多種常用的電器設備，包括空調、熱水器、冰箱、電視、照明設備、洗衣機等.所有的電器設備由控制終端進行控制：對于具有紅外控制端口的電器，如空調、電視等，直接由控制終端發射紅外控制信號；對于其他設備，則由智能開關通過無線網絡與控制終端機那里連接.同時，在家居實驗平臺中還部署了環境傳感器網絡，包括溫度傳感器、濕度傳感器、光照傳感器等，實時采集家居環境信息并通過無線模塊進行數據傳輸.

基于智能家居實驗平臺，本文開發了智能家居能源優化系統，如圖4所示:

智能手機客戶端是部署于移動終端的綜合應用軟件，主要實現與可穿戴設備的通信連接、數據采集及發送、家居設備的遠程控制及信息展現.可穿戴設備通過藍牙、WiFi等方式與智能手機連接，智能手機客戶端對智能手機自身及其他可穿戴設備的傳感器數據進行采集，并通過智能網關發送至能源優化服務器.智能手機客戶端也設計有控制頁面，用戶可以選擇設備并發送控制命令，由控制終端對電器設備進行控制.同時，智能手機客戶端提供了豐富的信息展現界面，用戶可以直觀地看到智能家居實時的環境信息、設備運行狀態和能耗費用信息、歷史數據及節能效果評估.

智能網關是智能家居系統中的關鍵部分，擔負著不同網段信息匯集的任務.對家居系統內部，它通過內部無線網絡與家居環境傳感器及控制終端相連；對于外部網絡，它與智能手機客戶端通過Internet相連.所有智能手機客戶端和家居環境傳感器網絡獲取的數據都會經過智能網關上傳到能源優化服務器；由能源優化服務器和智能手機客戶端發送的設備控制指令也會通過智能網關發送到智能家居的控制終端.

智能家居能源優化服務器是智能家居系統的核心部分.智能手機客戶端和智能家居傳感器網絡獲取的數據在能源管理服務器進行處理，分析用戶行為，估計舒適度需求，建立用戶的家居系統模型，并進行優化問題求解，得到家居用電設備的控制策略.在這里，對于具有節能潛力的設備智能的生成控制策略，如空調和熱水器，智能優化服務器智能的基于用戶舒適度需求生成控制策略；對于不可調度設備，如電視、冰箱等，可由用戶通過智能手機客戶端遠程控制.

4實驗與分析

本節基于所搭建的智能家居實驗平臺，進行智能家居能源優化實驗分析，并根據用電設備的運行費用和用戶舒適度2個指標評價優化性能.為了表現在家居系統中用戶行為的隨機性，分析在不同用戶行為情景中的優化性能，本實驗模擬用戶的日常行為，構造了4個典型的行為情景，分別表示用戶常規行為安排、提前回家(如提前下班等)、推遲回家(如加班、路上堵車等)以及臨時增加行程(如運動、社交等行為)，具體參數如表1所示:

Table 1　Setting of Human Behavior Scenarios

本實驗的4個情景在同樣的實驗環境下進行，選取室外天氣情況接近的4個典型天，室內溫度最高達39℃；電價采用北京小規模一般工商業執行的電價策略(1 kV以下)①，如表2所示:

Table 2　TOU Electricity Price

實驗中對比了基于規則的控制策略(用戶手動控制)和本文提出的優化控制方法.基于規則的控制策略，即當用戶在家有舒適度需求時，啟動家居設備，控制器按照用戶設定的設備工作點對設備進行控制.這是常見的智能家居設備的控制方式，并可模擬用戶手動控制過程，例如用戶對空調的控制過程即是用戶設定空調溫度，由控制器控制空調使室內溫度保持在用戶的設定點.這樣的控制方式因為有人的參與，同樣可以很好地響應用戶行為的隨機變化.

實驗中未與日前優化調度策略進行對比，主要因為日前優化調度策略不能響應家居系統中用戶行為、環境條件及模型動態的隨機性，難以滿足由于用戶不確定行為帶來的舒適度需求更新，與本文所提方法不具有可比性.

實驗設定用戶基本的舒適度需求為22℃，即為基于規則的控制策略設定溫度.通常認為人的舒適度區間范圍為2℃～3℃，即溫度在此范圍內變化用戶不會感到不舒適，因此實驗中選取21℃～23℃作為用戶基本的舒適度需求區間.

4.1行為情景下的優化控制策略

本實驗分別設計了4個典型的行為情景，從表1中的情景設定參數可以看到，4個情景具有相同的離家時間和睡覺時間，均不相同的返家時間，且情景1、情景2和情景3中沒有額外的用戶行為，而情景4中增加了運動行為.其中用戶離家和返家的行為由位置傳感器(GPS)數據可以較為準確的分析；用戶的運動和睡眠行為通過位可穿戴設備中的運動傳感器和生物傳感器數據分析.這分別影響著舒適度需求時段的改變和需求溫度的改變，進而影響優化策略.在這樣的情景設計下，基于MPC智能家居能源優化策略和基于規則的控制策略的對比結果以空調為例呈現.

情景1的控制策略對比如圖5和圖6所示.圖中實線表示基于MPC的優化策略，虛線表示基于規則的控制策略.從圖5可以看到，二者控制策略雖在整體上具有相似的趨勢，但還是有明顯的不同：基于MPC的優化策略在16:00控制空調提前開啟進行預制冷，使得室內溫度在17:00用戶返家時位于舒適度需求范圍內；而基于規則的控制策略在17:00用戶返家后才有開啟空調的動作，在用戶返家后的一段時間內房間溫度很難達到舒適.需要注意的是，基于MPC的優化策略還出現了預制冷，分別在07:00和19:00，導致了之內溫度在08:00和20:00出現了明顯的下降.不同于16:00開始的預制冷保證用戶返家的舒適度，07:00和19:00的預制冷則是模型出于經濟性的考慮.07:00和19:00處于低電價和高電價的分界點，因此基于MPC的優化策略在07:00和19:00前提高空調功率，使室內溫度降低，從而可以在之后時刻空調功率下降的情況下滿足室內溫度在舒適度范圍內.

Fig. 5　AC Control policy in scenario 1.圖5　情景1的空調控制策略

Fig. 6　The indoor air temperature in scenario 1.圖6　情景1的室內溫度

情景2的控制策略如圖7和圖8所示.

Fig. 7　AC control policy in scenario 2.圖7　情景2的空調控制策略

Fig. 8　The indoor air temperature in scenario 2.圖8　情景2的室內溫度

情景2設計了用戶提前到家的場景，而從圖7、圖8中可以看到，MPC的滾動優化機制對優化問題中的隨機狀態信息有很好地反應：當09:00用戶離開家，控制策略立即關閉空調；當14:00用戶返家行為被感知到，控制策略會立即打開空調以使得在預期的用戶到家時刻15:00使房間達到舒適的溫度；當22:00用戶的睡眠行為被感知到，舒適度需求被更新，MPC優化策略可以很快響應，控制空調使室內溫度維持在新的舒適度區間內.而基于規則的控制策略缺乏經濟最優性保證，同時由于無法準確感知用戶到家時間和用戶動態，即當用戶15:00到家后，空調才會被打開，控制策略總是滯后于用戶的行為，用戶到家時刻的舒適度無法保證.

情景3的控制策略如圖9和圖10所示.情景3設計了用戶推遲回家的場景.從圖9可以看到，基于MPC的優化策略在16:00時空調開啟，由于此時用戶推遲回家的行為還沒有被感知到，優化決策仍然根據基礎的用戶需求，即由情景1中的用戶常規行為所決定的用戶需求.從圖10可以看到，室內溫度的變化趨勢，在17:00室內溫度達到了舒適溫度，而此時通過可穿戴設備傳感器數據感知到用戶并未回家，這造成了一定的浪費.MPC優化策略會重新生成策略，迅速關閉空調.當19:00時，用戶的返家行為被感知到，此時MPC的滾動優化機制又再次生成策略，空調重新開啟進行預制冷，保證用戶返家時的舒適度.基于規則的控制策略由于對用戶行為的改變不敏感，因此用戶到家時間推后的情景對此優化策略沒有影響.

Fig. 9　AC control policy in scenario 3.圖9　情景3的空調控制策略

Fig. 10　The indoor air temperature in scenario 3.圖10　情景3的室內溫度

情景1,2,3根據用戶到家行為的不同對基于MPC的優化策略和基于規則的控制策略進行了對比，結果表明基于MPC的優化策略對于用戶行為的變化具有很好的感知能力和響應能力，從而控制策略可以最大限度地保證用戶的舒適度需求.

情景4在情景3的基礎上設計了用戶運動的行為.運動行為可以通過可穿戴設備的運動傳感器和生物傳感器數據感知，進而分析用戶的舒適度需求.情景4下的2種控制策略如圖11和圖12所示.在該情景下，基于MPC的優化決策體現了用戶動態舒適度需求的變化.如圖12可以看出，從用戶在19:00到家后的時段和睡眠時段具有不同的舒適度需求.根據圖11可以看到，相比較情景3，同樣的用戶推遲回家的行為在情景4下基于MPC的優化策略沒有出現情景3中造成浪費的空調運行策略.原因在于情景3中空調策略的浪費是由于用戶推遲回家的行為沒有被檢測到造成的，而情景4下用戶在16:00的運動行為可以很容易的被感知到，進而可以很容易的通過位置信息、運動信息等感知到用戶推遲回家.圖11和圖12中的虛線表示基于規則的控制策略.從圖11和圖12中可以看到，該策略根據設定溫度和用戶到家時間對空調進行控制，對用戶行為的反應具有惰性.由于基于規則的控制策略只依賴于用戶回家的時間，因此在4個情景下的基于規則的控制策略都較為接近.

Fig. 11　AC control policy in scenario 4.圖11　情景4的空調控制策略

Fig. 12　The indoor air temperature in scenario 4.圖12　情景4的室內溫度

4.2優化策略的性能評價

本節將分別用經濟性和舒適度2個指標對本實驗4個行為情境下的2種控制策略進行性能評價.

1) 經濟性

經濟性指標即式(7)所計算的設備1 d運行用電費用作為優化問題的目標函數是評價優化策略的重要指標.4個情景下的用電費用如表3所示：

Table 3　　　　The Electricity Cost of Control Strategies

2) 舒適度

用戶舒適度是智能家居能源優化系統的基礎、是評價優化策略必不可少的指標.文獻[23]的研究提出用戶對于當前溫度的不舒適度與當前溫度距離舒適溫度的差成指數關系.因此，我們通過計算不舒適度指數來評價優化策略的舒適度性能：

(10)

其中，dcl(k)表示用戶在k時刻的不舒適度，表示為

dcl(k)=

(11)

Table 4　The Discomfort Index in each Scenario

從2個性能指標可以看出，在所有情景下，基于MPC的優化策略都具有最好的舒適度性能.對于情景1、情景2和情景4，基于MPC的優化策略相比較基于規則的控制策略可節約電費在20%以上.這說明了在本文提出的智能家居能源優化方法體系下，基于MPC的優化策略可以及時響應用戶不確定的行為導致的舒適度需求的改變，以此保證用戶舒適度需求的最大滿足；而基于規則的控制策略以設定的舒適度需求進行控制，不能合理地利用舒適度區間，且僅當用戶回到家時才進行控制，也就是說基于規則的控制策略是一種保守的、對用戶行為反應遲鈍的控制策略.需要注意的是，對于情景3，基于MPC的優化策略與基于規則的控制策略其用電費用相差不多，節省費用13%.這是因為在情景3中，用戶推遲的回家行為沒有及時被感知，導致優化策略基于之前的用戶舒適度需求控制從而造成了用電浪費.

通過本實驗可以看到基于本文提出的智能家居能源優化方法，可以很好感知和響應用戶行為的變化，基于MPC的優化策略可以很好地滿足用戶舒適度需求.也正因如此，在用戶不確定的行為發生較多的情景，基于本文方法體系下的優化策略為保證滿足用戶舒適度需求會造成用電費用的上升，但在此情景下，相對于不響應用戶行為的保守控制策略，舒適度性能會有很大的提升.盡管優化策略的經濟性還依賴于用戶行為的精確度、情景設定、電價和環境等因素，但本實驗仍體現了本文提出的智能家居能源優化方法在經濟性和舒適度兼顧的優勢.

5結束語

智能家居的目標已經從最初的家電互聯發展到現在的用戶舒適度的提高和能源的高效利用，用戶的個性化需求和不確定行為感知已經成為智能家居推廣應用的瓶頸.本文首次將可穿戴設備引入智能家居能源管理，通過分析可穿戴設備的傳感數據，對不可預測的用戶隨機行為和個性化需求的在線感知，從而實現對用戶家庭電器設備的優化控制，保證用戶的家居環境在滿足其舒適度需求的同時，能夠達到最低的能源成本.通過搭建智能家居仿真平臺和設計開發智能家居能源優化系統，驗證在常見場景中(包括用戶提前返回、延遲返回、臨時安排活動)本文方法相對現有基于規則的控制顯著提升用戶舒適度，在考慮動態電價時可有效降低用電費用.

本研究開發的系統可安裝在Android平臺的智能手機和其他終端上，與其他可穿戴設備(如智能手環、智能手表等)連接，結合智能插座、智能紅外控制器等設備對常用家用電器進行控制，是Internet與家居結合的典型應用，具有較好的市場前景.

未來研究將深入分析運動傳感器和生物傳感器數據與用戶需求的關聯關系，建立基于在線反饋的用戶需求感知模型；進一步研究多用戶需求關聯的家居能源控制優化方法，支持多用戶家庭和小規模辦公環境的優化控制.

參考文獻

[1]Alahmad M, Wheeler P G, Schwer A, et al. A comparative study of three feedback devices for residential real-time energy monitoring[J]. IEEE Trans on Industrial Electronics, 2012, 59(4): 2002-2013[2]Zhang Yanyu, Zeng Peng, Zang Chuanzhi. Review of home energy management system in smart grid[J]. Power System Protection and Control, 2014, 42(18): 144-154 (in Chinese)(張延宇, 曾鵬, 臧傳治. 智能電網環境下家庭能源管理系統研究綜述[J]. 電力系統保護與控制, 2014, 42(18):144-154)[3]Albadi M H, EI-Saadany E F. Demand response in electricity markets: An overview[C]Proc of 2007 IEEE Power Engineering Society General Meeting. Piscataway, NJ: IEEE, 2007: 1-5[4]Chassin D, Du P, Fuller J. The potential and limits of residential demand response control strategies[C]Proc of 2011 IEEE Power and Energy Society General Meeting. Piscataway, NJ: IEEE, 2011: 1-6[5]Al-Ali A, Al-Rousan M. Java-based home automation system[J]. IEEE Trans on Consumer Electronics, 2004, 50(2): 498-504[6]Sriskanthan N, Tan F, Karande A. Bluetooth based home automation system[J]. Microprocessors and Microsystems, 2002, 26(6): 281-289[7]Gill K, Yang S, Yao F, et al. A zigbee-based home automation system[J]. IEEE Trans on Consumer Electronics, 2009, 55(2): 422-430[8]Agarwal Y, Balaji B, Gupta R, et al. Occupancy-driven energy management for smart building automation[C]Proc of the 2nd ACM Workshop on Embedded Sensing Systems for Energy-Efficiency in Building. New York: ACM, 2010: 1-6[9]Guan Xiaohong, Xu Zhanbo, Jia Qingshan. Energy-efficient buildings facilitated by microgrid[J]. IEEE Trans on Smart Grid, 2010, 1(3): 243-252[10]Rashidi P, Cook D J. Keeping the resident in the loop: Adapting the smart home to the user[J]. IEEE Trans on Systems, Man and Cybernetics, Part A: Systems and Humans, 2009, 39(5): 949-959[11]Gao G, Whitehouse K. The self-programming thermostat: Optimizing setback schedules based on home occupancy patterns[C]Proc of the 1st ACM Workshop on Embedded Sensing Systems for Energy-Efficiency in Buildings. New York: ACM, 2009: 67-72[12]Chen Siyun, Gao Feng, Guan Xiaohong, et al. A residential load scheduling approach based on load behavior analysis[C]Proc of 2014 IEEE Int Conf on Automation Science and Engineering. Piscataway, NJ: IEEE, 2014: 954-959[13]Liu T, Liu Y, Che Y, et al. SHE: Smart home energy management system for appliance identification and personalized scheduling[C]Proc of 2014 ACM Int Joint Conf on Pervasive and Ubiquitou Computing. New York: ACM, 2014: 247-250[14]Mahdavi A, Pr?glh?f C. User behaviour and energy performance in buildings[OL]. 2009 [2015-09-10]. http:www.designbuilder.co.ukfiles4e_1_mahdavi_a_p_892.pdf[15]Mineno H, Kato Y, Obata K, et al. Adaptive homebuilding energy management system using heterogeneous sensoractuator networks[C]Proc of the 7th Consumer Communications and Networking Conf (CCNC). Piscataway, NJ: IEEE, 2010: 1-5[16]Mohsenian-Rad A H, Leon-Garcia A. Optimal residential load control with price prediction in real-time electricity pricing environments[J]. IEEE Trans on Smart Grid, 2010, 1(2): 120-133[17]Tasdighi M, Ghasemi H, Rahimi-Kian A. Residential microgrid scheduling based on smart meters data and temperature dependent thermal load modeling[J]. IEEE Trans on Smart Grid, 2014, 5(1): 349-357[18]De Angelis F, Boaro M, Fuselli D, et al. Optimal home energy management under dynamic electrical and thermal constraints[J]. IEEE Trans on Industrial Informatics, 2013, 9(3): 1518-1527[19]Huang T, Liu D. A self-learning scheme for residential energy system control and management[J]. Neural Computing and Applications, 2013, 22(2): 259-269[20]Ilic M, Black J W, Watz J L. Potential benefits of implementing load control[C]Proc of 2002 IEEE Power Engineering Society Winter Meeting. Piscataway, NJ: IEEE, 2002: 177-182[21]Zolfaghari A, Maerefat M. A newsimplified thermoregulatory bioheat model for evaluating thermal response of the human body to transient environments[J]. Building and Environment, 2010, 45(10): 2068-2076[22]Shi Hongtao, Yang Jingling, Ding Maosheng, et al. A short-term wind power prediction method based on wavelet decomposition and BP neural network[J]. Automation of Electric Power Systems, 2011, 35(16): 44-48 (in Chinese)(師洪濤, 楊靜玲, 丁茂生, 等. 基于小波-BP神經網絡的短期風電功率預測方法[J]. 電力系統自動化, 2011, 35(16): 44-48)[23]Anvari-Moghaddam A, Monsef H, Rahimi-kian A. Optimal Smart home energy management considering energy saving and a comfortable lifestyle[J]. IEEE Trans on Smart Grid, 2015, 6(1): 324-332Chen Siyun, born in 1987. PhD candidate. His main research interests include smart grid and home energy management.

Liu Ting, born in 1981. Associate professor. His main research interests include vulnerability and intrusion detection in smart grids, integrated control of building systems for energy saving, security, and comfort.

Shen Chao, born in 1985. Lecturer. His main research interests include analysis of wearable device sensor data, smart phone behavior analysis and big data.

Su Man, born in 1992. Master candidate. Her main research interests include smart home energy management.

Gao Feng, born in 1967. Professor. His main research interests include intelligent control, neural networks, power system optimization, scheduling and prediction.

Xu Zhanbo, born in 1986. PhD. His main research interests include smart grids, building energy management and automation, and optimization of large-scale systems.

Shi Jiayue, born in 1995. BSc candidate. Her main research interests include software system development.

Jia Zhanpei, born in 1995. BSc candidate. His main research interests include analysis of wearable device sensor.

This work was supported by the National Basic Research Program of China (973 Program) (2011CB302201) and the National Natural Science Foundation of China (61375009).

中圖法分類號TP391

通信作者：劉烴(tingliu@mail.xjtu.edu.cn)

基金項目：國家自然科學基金項目(61473218,61221063,U1301254);國家“八六三”高技術研究發展計劃基金項目(2012AA011003) 國家“九七三”重點基礎研究發展計劃基金項目(2011CB302201)；國家自然科學基金項目(61375009)

收稿日期：2015-08-18；修回日期：2015-12-29 2014-08-14；修回日期：2015-06-09

This work was supported by the National Natural Science Foundation of China (61473218,61221063,U1301254) and the National High Technology Research and Development Program of China (863 Program) (2012AA011003).