智能家居用電能效指標體系研究

徐夢佳，王渝紅，劉 磊，趙 賀，劉慶時

(1. 四川大學 電氣信息學院，四川 成都 610065；2. 國網(wǎng)北京市電力公司，北京 100031)

?

智能家居用電能效指標體系研究

徐夢佳1，王渝紅1，劉 磊1，趙 賀2，劉慶時2

(1. 四川大學 電氣信息學院，四川 成都 610065；2. 國網(wǎng)北京市電力公司，北京 100031)

作為智能電網(wǎng)在智能用電方面的重要一部分，智能家居應具有優(yōu)化居民用電方式、提高能耗效率的作用，因此提出評估智能家居電力能效方面的指標體系。首先根據(jù)全面性、客觀性、有效性原則從用戶側(cè)因素、硬件及其功能配置、環(huán)保清潔特性、環(huán)境影響4個方面初步構(gòu)建指標體系。然后為提高指標集科學及精煉性，在群組層次分析法及G1法的理論基礎(chǔ)上，利用層次聚類算法挖掘?qū)＜胰簼撛谠u價偏好性，并構(gòu)建三標度模型計算指標權(quán)重，得到弱權(quán)重指標篩選模型。最后應用該模型對初構(gòu)的指標體系進行篩選優(yōu)化，得到了最終的智能家居能效指標體系。

智能家居；指標體系；群組層次分析法；層次聚類法；簇綜合判斷矩陣；三標度模型

我國智能家居研究起始于20世紀90年代末，其最初目的是利用先進的4C技術(shù)(Computer，Communication，Control，CRT)提升住宅安全舒適度[1-2]。隨著我國資源緊缺、環(huán)境污染問題日益嚴峻，智能家居被賦予了更先進的使命，即滿足用戶智能化生活的同時，應當具備家庭能源管理控制功能，高效優(yōu)化能源配置實現(xiàn)節(jié)能降耗。然而我國智能家居概念仍處于較淺層次，行業(yè)割據(jù)嚴重，廣泛存在價格昂貴、兼容性差、實用性低等問題[3-4]。為規(guī)范智能家居產(chǎn)業(yè)，建立有效的智能家居能效評估指標體系變得十分重要。

指標體系構(gòu)建過程離不開科學的構(gòu)建方法。文獻[5]利用特征值法和G1群組法構(gòu)建家庭能效評估指標體系，并用實際數(shù)據(jù)對指標集進行有效性分析，但是缺少對G1群組法中群組數(shù)據(jù)處理過程的說明；文獻[6-7]從理論的角度構(gòu)造指標體系，未涉及對指標的優(yōu)化篩選，使指標體系可信性略顯不足；文獻[8]采用主成分分析及相關(guān)分析對電力用戶綜合能效指標進行篩選，但是該方法需要有具體的指標觀測值且樣本需求量大。

層次分析法[9-10]能有效地將復雜問題層次化分解，被廣泛應用于指標優(yōu)化及評價方面。然而在實際過程中，存在：1)判斷矩陣常常不滿足一致性條件。相關(guān)研究提出利用加速遺傳算法、誘導矩陣法等修正判斷矩陣，但不能保證原數(shù)據(jù)信息的完整；G1法[11-12]則需要專家基于另一套標度對指標重新判斷，耗費專家精力，同時使計算量加大。2)對于復雜問題，群體決策能提升評價結(jié)果的全面性及準確性，而層次分析法基于個體判斷矩陣，有關(guān)學者提出根據(jù)專家學歷、工作經(jīng)驗等考慮專家在群體中對判斷目標的影響程度,來集結(jié)個體判斷矩陣[13]，但在實際過程中，專家支持度與其判斷水平可能不一致，因此如何有效整合多名專家意見是指標構(gòu)建過程中需要解決的關(guān)鍵問題之一。

針對上述問題，本文采用層次聚類算法將專家群劃分為若干簇，且彼此相關(guān)性較弱，以簇為單位構(gòu)建專家支持度模型和三標度模型，集結(jié)個體判斷矩陣并計算簇指標權(quán)重；然后利用各簇專家比重得到綜合指標權(quán)重，對指標進行篩選優(yōu)化。該方法客觀地整合了各專家對能效指標的偏好度判斷，最終形成有效的智能家居能效指標體系。

1 總體思路

為得到科學的指標體系，在初步構(gòu)建指標體系的基礎(chǔ)上，還需要利用相關(guān)方法篩選優(yōu)化指標集，降低指標集信息重疊和冗余問題。本文對智能家居能效指標體系構(gòu)建的主要過程如圖1所示。

圖1 指標構(gòu)建流程

2 指標體系篩選優(yōu)化算法

2.1 權(quán)重計算模型

設某一層指標為F=[f1，f2，f3，…，fn]，采用1～9級標度法兩兩比較fi與fj對上層準則的相對重要程度，記為aij。具體數(shù)值如表1所示。

表1 比較標度

然后構(gòu)成判斷矩陣A=(aij)n×n，其中

(1)

若指標fi(i=1,2，…，n)的權(quán)重為ωi，且滿足

(2)

表示該判斷矩陣滿足完全一致性，其最大特征向量經(jīng)標準化處理后與指標的權(quán)重相一致，即

(3)

式中：ω′為最大特征值所對應的特征向量。

由于人為判斷過程的片面性和不穩(wěn)定性，指標常出現(xiàn)序關(guān)系不一致，甚至悖論的現(xiàn)象。而序關(guān)系一致是構(gòu)造一致性判斷矩陣的必要因素之一。為了克服判斷矩陣不一致及單獨使用G1法存在工作量大的問題，對原判斷矩陣進行轉(zhuǎn)換，即

(4)

(5)

(6)

則

(7)

ωk-1=rkωk(k=n,n-1,…,3,2)

(8)

2.2 群決策集結(jié)模型

應用層次聚類算法[14]對群體數(shù)據(jù)的傾向性模式進行無指導劃分，設數(shù)據(jù)集D中存在m個歐氏空間對象Gi=[xi1，xi2，…，xip]，且對象Gi可被p個數(shù)值屬性xi描述，其中i=1,2，…，m。

1)將m個對象自成一簇，利用各對象之間的歐幾里得距離，將距離最小的兩個對象歸為一簇，剩余對象自成一簇，歐幾里得距離計算公式為

(9)

式中：i≠j，且i，j=1,2，…，m。

2)計算簇間的平均距離distavg，將距離最小的兩個簇歸為一簇，即

(10)

式中：ni，nj分別為簇Zi，Zj中數(shù)據(jù)對象的個數(shù)；G為簇Ci中的對象值；G′為簇Cj中的對象值。

3)反復計算，直到所有對象歸為一簇，最后根據(jù)親疏譜系圖對數(shù)據(jù)集進行劃分。

即使屬于同一個簇，個案之間也有相似性差異，計及簇內(nèi)個案凝聚的先后性，設樣本相似性系數(shù)為

pGk=S-i，Gk∈Z

(11)

式中：i為該樣本凝聚步驟；S為總凝聚步驟。

則簇中樣本貢獻度為

(12)

利用加權(quán)幾何均值法集結(jié)簇Z中個體矩陣，得到簇綜合矩陣AZ計算模型為

(13)

3 智能家居能效指標體系的初步構(gòu)建

3.1 基本原則

智能家居能效指標體系是在初步指標集的基礎(chǔ)上通過專家判斷、篩選優(yōu)化形成的，初步指標集的優(yōu)劣直接影響最終指標體系的質(zhì)量，因此初構(gòu)過程應遵循全面性、有效性、客觀性原則。

1)全面性。從多種角度挑選反映智能家居能效水平的指標，減少研究者自身對指標的篩選，保證指標集的全面性。

2)有效性。指標應盡量有效準確，以免影響專家判斷的正確性及后續(xù)工作量的增加。

3)客觀性。指標體系是在研究人員的主持下通過專家判斷決定的。研究人員應客觀地分析處理專家反饋意見，此外在制作問卷時應避免主觀引導方面的詞匯。

3.2 指標體系的初步研究

總結(jié)智能家居功能特點、技術(shù)設備等相關(guān)信息[15]，并且參考智能電網(wǎng)[16-18]及智能小區(qū)[19-20]綜合指標集，基于層次分析理論建立由目標層={智能家居能效水平}，準則層={用戶因素，硬件及其功能配置，環(huán)保清潔特性，環(huán)境影響}及其相應指標層構(gòu)成的智能家居用電能效指標體系，如圖2所示。

圖2 初步建立的智能家居能效指標體系

1)用戶側(cè)因數(shù)

智能家居與傳統(tǒng)家居相比具有信息化、互動化、自動化的特點，用戶可以便捷地獲取關(guān)于能耗的各種信息，主動優(yōu)化用電方式，促進節(jié)能減排，提高住宅能效水平。通過智能終端、95598互動服務平臺、特定Web網(wǎng)站等為用戶提供：電力公司發(fā)布的最新電價信息、根據(jù)用戶用電行為習慣生成的節(jié)電策略、家庭電器耗能情況及其排名、歷史或?qū)崟r用電量信息、反映家庭用電平穩(wěn)性的每月家庭峰電量與谷電量的比值。

2)硬件及其功能配置

為實現(xiàn)住宅智能化，智能家居需配置大量的測量元件、傳感器元件等。家用電器能效等級反映家用電器中節(jié)能電器的占有率；傳感器、智能交互終端及智能插座耗電率指每月各設備耗電量占總電量的比例；低工況電器管理技術(shù)指智能插座能實時監(jiān)控電器運行狀態(tài)并在其待機狀態(tài)自動切斷電源的功能，用所節(jié)約的電量占每月總電量的比值來衡量；電器用能監(jiān)控技術(shù)表示當電器運行異常或者累計耗電量超過預設值時，采取自動斷電等措施限制家庭用能；電器移峰填谷電量表示通過手動或者主動方式將家庭負荷轉(zhuǎn)移到谷電時段消耗的電量。

3)環(huán)保清潔特性

清潔能源利用率是指家庭每月太陽能或者風能使用量與總耗電量之比；碳排放量指標中，只考慮由家庭用電引起的直接碳排放量，計算原理是用家庭總用電量乘以相應的碳排放系數(shù)[21]。

4)環(huán)境影響

智能家居中的智能控制系統(tǒng)[3]，如智能溫度控制、智能電動窗簾系統(tǒng)，均是為了將居住環(huán)境調(diào)節(jié)到最適宜居民居住的狀態(tài)，因此實際居住環(huán)境決定了電器及智能子系統(tǒng)的運行狀態(tài)。

4 智能家居能效指標體系篩選優(yōu)化

4.1 利用層次聚類算法集結(jié)個體判斷矩陣

邀請11位學者專家對指標集A、B、D進行判斷，因為指標集C僅含兩條指標，故不對其優(yōu)化。以指標A為例，專家根據(jù)1～9級標度對指標進行判斷，并根據(jù)式(1)構(gòu)建判斷矩陣，選擇判斷矩陣的上三角元素作為專家的屬性值

(14)

式中：k=1,2,…,11表示第k個專家。

將專家判斷向量作為個案，利用式(9)、(10)對其進行分析，具體聚類情況如表2所示。

表2 指標集A的凝聚狀態(tài)表

為了保證簇內(nèi)個案的相似性，僅考慮個案與個案、個案與簇合并的情況，即步驟1～6、8、10。由于步驟8、10中簇間距離過大，即專家3和專家1的判斷與專家群的偏好相似性較小，這里作為誤差數(shù)據(jù)剔除，最后得到由9位專家構(gòu)成的3個簇，如圖3所示。

圖3 凝聚過程圖

根據(jù)式(11)、(12)、(13)計算指標集A的簇綜合判斷矩陣，其中由于幾何均值法不改變矩陣互反特性，故只列寫上三角矩陣，如表3所示。

4.2 基于G1法計算指標權(quán)重

以簇綜合判斷矩陣A1為例，其每行序關(guān)系為：a5>a3>a4>a2>a1；a5>a4>a3>a2>a1；a4>a3>a2>a5>a1；a4>a3>a1>a2>a5；a4>a3>a5>a2>a1。各行序關(guān)系之間存在明顯矛盾，利用式(4)、(5)進行修正，得：B=[-4，-2，2，4，0]。則A1最終序關(guān)系為：a4>a3>a5>a2>a1。若rk選取原始判斷矩陣對應數(shù)據(jù)：r2=a43=5.673；r3=a35=4.895；r4=a52=6.329；r5=a21=3.878。將rk代入式(7)、(8)，得到該矩陣對應的指標權(quán)重：ωA1=(0.001 2,0.004 7,0.144 6,0.820 0,0.029 5)。同理可得：ωA2=(0.037 2,0.587 1,0.170 7,0.191 5,0.013 6)，ωA3=(0.112 1,0.560 6,0.107 6,0.112 1,0.107 6)。

表3 指標集A的簇綜合判斷矩陣上三角元素

利用指標集A中各簇專家人數(shù)比重作為權(quán)重系數(shù)c集結(jié)各簇權(quán)重，權(quán)重系數(shù)為

(15)

式中：i為該指標集中簇的數(shù)量；ni為簇Ci中專家人數(shù)；N為總有效專家數(shù)。

則指標集A的綜合權(quán)重為：ωA=∑ciωACi=(0.050 17,0.384 13,0.140 97,0.374 53,0.050 23)。

4.3 指標篩選優(yōu)化

同理計算指標B、D的綜合權(quán)重：ωB=(0.151 00,0.002 97,0.019 63,0.023 10,0.031 80,0.140 73,0.630 73)，ωD=(0.840 54,0.131 90,0.023 48,0.004 03)。

一般而言，在實際指標篩選過程中，指標集數(shù)目在7～9之間，權(quán)重閾值取0.07；指標集數(shù)目為6及以下，權(quán)重閾值為0.1。照此判斷，ωA1,ωA5,ωD3,ωD4,ωB2,ωB3,ωB4,ωB5不滿足閾值要求，其余指標均是重要指標予以保留。

通過專家組討論分析及實地調(diào)研，發(fā)現(xiàn)居民傾向于接受一些比較直觀的數(shù)據(jù)，如電費、電量等，指標A5相對過于專業(yè)，予以剔除；指標A1與指標B5在實際智能家居中已普遍實現(xiàn)且效果較好，具有一定的存在意義，因此予以保留；指標B2,B3,B4概念重復，將其融合成一個指標，即智能裝置耗電率；指標D3,D4在實際家庭環(huán)境中影響較小，普通用戶一般不會考慮室內(nèi)濕度及電磁水平。綜上所述，最終指標體系如圖4所示。

圖4 最終智能家居用電能效指標體系

5 結(jié)束語

我國智能家居經(jīng)過十多年的發(fā)展，在軟硬件開發(fā)上取得了一定的成果，但對其評價指標的研究還很缺乏。本文通過大量的前期調(diào)研構(gòu)建了初步指標體系，然后構(gòu)建指標篩選模型對其進行優(yōu)化：1)基于層次聚類算法挖掘?qū)＜遗袛嘈畔⒅g的潛在聯(lián)系，剔除明顯與專家群偏好相差較大數(shù)據(jù)，并提出了簇綜合判斷矩陣的概念，利用簇中凝聚次序客觀判斷專家對指標集判斷的影響力。2)根據(jù)G1法思想，在特征矩陣的基礎(chǔ)上構(gòu)造三標度模型，克服了判斷矩陣不一致問題，并且不需要專家另行判斷，簡化計算過程。3)提出以簇中專家人數(shù)為權(quán)重系數(shù)的數(shù)學模型，集結(jié)各簇指標權(quán)重得到最終綜合指標權(quán)重。

[1] 馬鴻雁，陳志新，何偉良．我國智能化住宅小區(qū)發(fā)展綜述[J]．北京建筑工程學院學報，2003，19(1)：88-93．

[2] 薛震南．基于物聯(lián)網(wǎng)的智能家居研究[D]．南京：南京大學，2013．

[3] 張艷秋，李達，陳琦，等．智能家居產(chǎn)品綜述[J]．傳感器世界，2011，17(8)：13-17．

[4] 馮慶東，何戰(zhàn)勇．國內(nèi)外智能用電發(fā)展分析比較[J]．電測與儀表，2012(2)：1-6．

[5] 曲朝陽，王沖，王蕾，等．智能用電環(huán)境下的家庭電力能效評估指標體系[J]．華東電力，2014，42(6)：1079-1083．

[6] 王彬，何光宇，陳穎，等．智能電網(wǎng)評估體系中電力用戶需求指標集的構(gòu)建[J]．電網(wǎng)技術(shù)，2012，36(6)：21-26．

[7] 楊小彬，李和明，尹忠東，等．基于層次分析法的配電網(wǎng)能效指標體系[J]．電力系統(tǒng)自動化，2013，37(21)：146-150．

[8] 羅耀明，毛李帆，姚建剛，等．電力用戶綜合能效評估模型[J]．電力系統(tǒng)及其自動化學報，2011，23(5)：104-109．

[9] 鄧雪，李家銘，曾浩健，等．層次分析法權(quán)重計算方法分析及其應用研究[J]．數(shù)學的實踐與認識，2012，42(7)：93-100．

[10] 于哲．智能用電小區(qū)綜合評價指標體系構(gòu)建及其評價方法研究[D]．北京：華北電力大學，2012．

[11] 黃珊，江岳春．基于特征值和G1法的電力需求側(cè)能效指標篩選優(yōu)化[J]．微計算機信息，2010，26(12)：24-26．[12] 王學軍，郭亞軍．基于G1法的判斷矩陣的一致性分析[J]．中國管理科學，2006，14(3)：65-70．

[13] 辛楊．AHP在群決策中的應用研究[D]．大連：大連理工大學，2001．

[14] 韓家煒．數(shù)據(jù)挖掘概念與技術(shù)[M]．北京：機械工業(yè)出版社，2012．

[15] 王曉曼．智能家居無線監(jiān)控與節(jié)能管理[D]．西安：西安建筑科技大學，2011．

[16] 高新華，嚴正．基于主成分聚類分析的智能電網(wǎng)建設綜合評價[J]．電網(wǎng)技術(shù)，2013，37(8)：2238-2243．

[17] 王彬，何光宇，梅生偉，等．智能電網(wǎng)評估指標體系的構(gòu)建方法[J]．電力系統(tǒng)自動化，2011，35(23)：1-5．

[18] 孫強，葛旭波，劉林，等．國內(nèi)外智能電網(wǎng)評價體系對比分析[J]．電力系統(tǒng)及其自動化學報，2011，23(6)：105-110．

[19] 林弘宇，田世明．智能電網(wǎng)條件下的智能小區(qū)關(guān)鍵技術(shù)[J]．電網(wǎng)技術(shù)，2011，35(12)：1-7．

[20] 何婧．頤園小區(qū)智能用電項目綜合能效評價與運營模式[D]．北京：華北電力大學，2014．

[21] 曾靜靜，張志強，曲建升，等．家庭碳排放計算方法分析評價[J]．地理科學進展，2012，31(10)：1341-1352．

徐夢佳(1991— )，女，碩士生，主研智能電網(wǎng)、高壓直流輸電；

王渝紅(1971— )，女，教授，碩士生導師，主研新能源接入系統(tǒng)、電力系統(tǒng)穩(wěn)定與控制、高壓直流輸電，為本文通訊作者；

劉 磊(1987— )，碩士生，主研電力系統(tǒng)穩(wěn)定與控制、高壓直流輸電等；

趙 賀(1985— )，女，工程師，研究方向為配電網(wǎng)自動化、智能電網(wǎng)、微電網(wǎng)；

劉慶時(1973— )，高級工程師，研究方向為智能電網(wǎng)。

責任編輯：薛 京

Research on energy efficiency index system of smart home

XU Mengjia1, WANG Yuhong1, LIU Lei1, ZHAO He2, LIU Qingshi2

(1.SchoolofElectricalEngineeringandInformation,SichuanUniversity,Chengdu610065,China;2.StateGridBeijingElectricPowerCompany,Beijing100031,China)

As an important part of the smart grid, smart home optimizes the residential electrical power structure and improves the efficiency of energy consumption. This paper proposes an index system to evaluate the energy efficiency of a smart home. Firstly, according to the principles of comprehensiveness, objectivity and validity, the preliminary index system is constructed with four aspects as user-side factors, hardware configuration and functions, green and clean characteristics, and environmental impacts. In order to improve the index set of scientific and refined, with the theory of group analytic hierarchy process (GAHP) and G1 method, hierarchical clustering method is used to mine the intrinsic relationship among the experts’ evaluation data, and the three scales model is built to calculate the index weight that the weak weight index screening model is obtained. Finally, after screening and optimizing the index system of the primary structure by this model, the ultimate energy efficiency index system of smart home is established.

smart home; index system; GAHP; hierarchical clustering method; cluster-comprehensive judgment matrix; three scales model

徐夢佳，王渝紅，劉磊，等.智能家居用電能效指標體系研究[J]. 電視技術(shù)，2016,40(12)：46-50. XU M G, WANG Y H, LIU L，et al.Research on energy efficiency index system of smart home[J]. Video engineering，2016,40(12)：46-50.

TM925

A

10.16280/j.videoe.2016.12.009

2016-05-04