一種基于非侵入式電器設備監測及識別方法

汪衛剛 黃言態,2,3 張祝良

（1.杭州富生電器有限公司 杭州 310000； 2.浙江科技學院 杭州 310000；3.浙江工業大學 杭州 310000）

引言

家庭能效管理系統可以實現對家庭能量的有效管理，但前提是需要監測到電器設備的具體工作特征，而對電器設備工作特征的監測是一個難題，因為目前的家庭電器設備都沒有監測電量功能，為了實現對電器設備電量的監測，目前主要由侵入式方法和非侵入式方法。侵入式是指在每個負荷上安裝帶有數字通信功能的傳感器，通過通訊網絡采集各用電設備的用電信息，這種方式稱為侵入式電力負荷監測（intrusive load monitoring，ILM）；另一種叫非侵入式（non-intrusive load monitoring），是僅在電網的用戶入口處安裝一個傳感器，通過采集和分析用戶用電總功率或總電流來監測每個或每類用電設備的用電功率和工作狀態，從而了解用戶家中每個或每類用電設備的耗電情況和用電規律。侵入式方法需要為每個設備安裝傳感器，這種方法成本高，不容易推廣。因此，學術上提出了非侵入式電力監測方法，該方法只需要監測電力入口的電量，根據每個設備的特征識別出各設備來，節約了成本，具有較大應用價值[1]。

有許多相關論文發表了不同的非侵入式電力識別算法。主要有人工神經網絡[2]、支持向量機[3]和最近的鄰居算法[4]等。但是目前這些方法并沒有結合具體來闡述實現過程，本論文結合具體硬件來實現非侵入式電力監測方法。

在電力監測硬件實現的基礎上，建立負荷特征監測及實現方法，從而實現了電力設備的監測及實現。

1 基于非侵入式負荷監測系統的硬件實現方法

本設備的總體監測硬件結構如圖1。本課題的非侵入式電力監測的硬件主要包括測量功能及通信功能。

圖1 硬件總體結構圖

1.1 電量監測模塊

為了實現對電量的監測，本課題主要采用HLW8012芯片來實現電量的監測，HLW8012芯片是一種應用非常廣的單相的電能計量芯片，它被廣泛的應用到各個電量監測領域，目前已經在智能家居，智能電表，智能插座等領域應用，它可以為客戶端提供電量、有功功率、電流的有效值、電壓的有效值等參數。它的內部結構和引腳分別見如圖2和表1。

圖2 HLW8012內部結構

表1 HLW8012引腳

文中對HLW8012的控制主要通過STM32F103主控芯片實現。具體的接線方法如下：SEL連接P2.5，CF連接P2.6，CF1連接P2.7。STM32單片機來控制HLW8012的V1P、V1N、V2P測量負載所在線路電流和電壓的脈沖，設置SEL等于0或1，輸出電流或電壓的脈沖，然后通過計算公式來計算電流、電壓及功率。測量模塊原理圖如圖3所示。

圖3 測量模塊原理圖

1.2 無線模塊

本文的無線通信模塊采用USR-C215芯片，它的實物如圖4，該芯片集成了無線通信功能，支持目前主流的WiFi協議和TCP/IP協議，且體積小，適合應用于電器產品上，且主頻較大，達到166 MHz。該芯片主要通過串口和STM32F103芯片進行數據通過，STM32F103與USR-C215的5腳RXD與6腳TXD相連接。并通過AT指令實現對USR-C215芯片的控制。

圖4 通信模塊原理圖

2 非侵入式電器識別方法

本論文的識別方法如圖5，其中包含兩部分，一部分是電器訓練，獲取各電器的特征庫；另外一部分是電器識別，根據提取特征與數據庫進行特征匹配，從而實現電器識別過程。

圖5 識別流程圖

對應的識別過程如下：

步驟1：對插座上的電信號進行電路變化，變化成計量芯片的輸入值范圍。

步驟2：利用計量芯片計算相關參數，其中包括電流、有功功率和無功功率參數。

步驟3：根據步驟2中的獲取的第i個設備的特征數據xi，建立公式（1）所示的混合高斯模型（GMM）：

式中：

第i個設備對應混合高斯模型參數可以通過高斯混合模型算法求得。

步驟4：重復步驟3獲得所有需識別的電器設備的混合高斯模型參數：

D—電器數量；

Ei—第i個設備對應混合高斯模型的分量數據。

θi—第i個設備的混合高斯模型參數；

步驟5：根據步驟4獲得每個設備的混合高斯模型參數θi，求得總的混合高斯模型參數庫θM，θM={θi，θj}，θM由θi，θj兩部分組成，θi表示各電器的混合高斯模型參數，而θj=θi1+θi2，i1 ,i2∈ [1,D]，表示任意兩個電器設備同時工作時的混合高斯模型參數。

步驟6：輸入待識別設備特征數據xi，依次帶入混合高斯模型參數庫θM，求得概率值，對應概率值最大所對應的電器設備就為對應的電器類型。

3 實驗過程

實驗以咖啡機、冰箱和移動電話為例。獲取對應的數據，實驗中咖啡機的數據為14組，冰箱的數據為120組，移動電話數據為127組，總共261組數據。通過混合高斯模型，求得三個設備對應的高斯混合模型參數見圖6。

圖6 三個設備對應的高斯混合模型參數

根據上述獲得的混合高斯模型參數，建立總的混合高斯模型參數庫θM，本實驗假設最多同時有兩個設備一起在工作，因此總的混合高斯模型參數庫的數量為28組。

根據給定的數據，帶入混合高斯模型參數庫中，求得概率值最大所對應的設備類型即為識別電器類型。對步驟1中的261組數據進行處理，去掉電流值小于平均電流的數據后剩下158組數據，帶入這158組數據經過識別后，識別的準確度為82.352 4。

4 總結

隨著社會經濟的發展，越來越多的企業或者家庭需要了解電器的工作狀態。為了了解電器設備的工作狀態，需要對電器進行監測，監測電器的工作狀態。因此，需要一種電器識別算法，能知道何種設備在工作。本論文提出了一整套基于非侵入式電器識別方法，包含硬件和軟件的實現，具有較強應用價值。