0 引言

    電能是現(xiàn)代生產(chǎn)生活中應(yīng)用最廣泛、最重要的能源之一。在電能計(jì)量方面，傳統(tǒng)的“一戶一表”方式是由電力部門抄取電能表并給出當(dāng)月耗電度數(shù)，其弊端在于用戶無法獲知具體某用電器在某時(shí)間段內(nèi)的耗電情況。可以說，用戶對負(fù)荷集的動態(tài)實(shí)時(shí)運(yùn)行信息的掌握還相當(dāng)匱乏。為解決此問題，傳統(tǒng)的侵入式監(jiān)測方式在每個(gè)待測負(fù)荷上加裝功率測量硬件，“一對一”地監(jiān)測負(fù)荷運(yùn)行信息，缺點(diǎn)是需要破壞負(fù)荷原有的供電電路，在安裝、維護(hù)上將耗費(fèi)大量的人力物力^[1]。

    非侵入式負(fù)荷監(jiān)測系統(tǒng)(Non-intrusive Load Monitoring System，NILMS)是在電力供給入口處安裝功率測量硬件，無需破壞負(fù)荷硬件結(jié)構(gòu)，可以“一對多”地監(jiān)控負(fù)荷運(yùn)轉(zhuǎn)狀態(tài)^[2]。但由于缺乏當(dāng)前所接入負(fù)荷的種類先驗(yàn)信息，故隨之而來的是負(fù)荷種類識別的問題。對此，國內(nèi)外眾多學(xué)者進(jìn)行了相關(guān)研究，尤其是借助神經(jīng)網(wǎng)絡(luò)進(jìn)行負(fù)荷識別^[3-5]。鄭宇等以有功功率增量和電流諧波分量總面積作為特征量，利用Hopfield神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)負(fù)荷識別^[6]；Jiang Lei等以負(fù)荷電流諧波作為特征量，利用SVM方法進(jìn)行負(fù)荷分類^[7]。

    本文從工程應(yīng)用的角度出發(fā)，設(shè)計(jì)了一種軟硬件兼?zhèn)涞姆乔秩胧奖O(jiān)測與識別系統(tǒng)。設(shè)計(jì)了電源管理電路、功率計(jì)量電路等，通過Wi-Fi向云服務(wù)器上傳負(fù)荷的實(shí)時(shí)功率信息，云服務(wù)器可以根據(jù)預(yù)先訓(xùn)練好的分類器識別當(dāng)前負(fù)荷種類，實(shí)現(xiàn)負(fù)荷的分類計(jì)量；提出利用主成份分析法(PCA)對負(fù)荷的特征量進(jìn)行降維提取，利用k最近鄰(kNN)算法識別用電器種類。與傳統(tǒng)技術(shù)相比，本系統(tǒng)能夠以非侵入方式采集負(fù)荷功率信息，減少安裝和維護(hù)的工作量；借助云服務(wù)器識別負(fù)荷、分析運(yùn)行狀態(tài)，可以遠(yuǎn)程控制負(fù)荷開關(guān)，從而指導(dǎo)用戶合理規(guī)劃用電，實(shí)現(xiàn)節(jié)能減排；及時(shí)排除故障，保障人身安全，減少財(cái)產(chǎn)損失，是智能電網(wǎng)發(fā)展的必然趨勢。

1 系統(tǒng)結(jié)構(gòu)

    非侵入式負(fù)荷監(jiān)測與識別系統(tǒng)由分布式硬件節(jié)點(diǎn)、路由器、云服務(wù)器和智能終端組成，如圖1所示。其中，分布式硬件節(jié)點(diǎn)布設(shè)在各電力供給入口處采集負(fù)荷的功率信息，每個(gè)節(jié)點(diǎn)上都帶有Wi-Fi芯片用于連接路由器；路由器將各節(jié)點(diǎn)的功率信息通過因特網(wǎng)轉(zhuǎn)發(fā)至云服務(wù)器；云服務(wù)器上保存有各個(gè)節(jié)點(diǎn)上不同負(fù)荷的歷史耗電記錄，并根據(jù)訓(xùn)練好的分類器識別當(dāng)前運(yùn)轉(zhuǎn)的負(fù)載，同時(shí)向用戶提供訪問接口；用戶可以通過智能終端聯(lián)網(wǎng)查看各電力供給入口的負(fù)荷運(yùn)行狀態(tài)，發(fā)送電路控制指令。

    如圖2所示，硬件節(jié)點(diǎn)是一個(gè)完整的功率測量系統(tǒng)。當(dāng)負(fù)荷接入電力供給入口時(shí)，功率計(jì)量電路采集負(fù)荷的電壓、電流有效值并轉(zhuǎn)換為隨交流電浮動的高頻脈沖信號；通過光電耦合器將高頻脈沖信號與交流電隔離后，CPLD用“等精度測量”的方法對高頻脈沖計(jì)數(shù)；MCU獲得脈沖頻率后，解算出功率值并通過Wi-Fi發(fā)送到云服務(wù)器。另外，當(dāng)硬件節(jié)點(diǎn)收到由云服務(wù)器傳來的控制指令時(shí)，由MCU控制繼電器通斷。

2 硬件節(jié)點(diǎn)端電路設(shè)計(jì)

2.1 電源管理電路

    自激隔離式開關(guān)電源用于給光耦、CPLD、MCU、繼電器和Wi-Fi芯片供電，如圖3所示。其中，單相工頻市電經(jīng)半波整流后加到三極管Q2上，Q2起到開關(guān)的作用。當(dāng)Q2微導(dǎo)通時(shí)，變壓器初級繞組L1和L2將產(chǎn)生相反方向的感應(yīng)電動勢；當(dāng)Q2處于飽和狀態(tài)時(shí)，L1中電流近似線性增加，L2中產(chǎn)生的穩(wěn)定電動勢給電容C2充電；當(dāng)Q2處于截止?fàn)顟B(tài)時(shí)，L1和L2中的感應(yīng)電動勢極性反轉(zhuǎn)，最終形成自激振蕩。在副級電路中，通過二極管D2和電解電容C4進(jìn)行穩(wěn)壓濾波。

    圖4所示電路可以提供5 V、200 mA的非隔離式電源，用于給功率計(jì)量芯片HLW8012供電。MP150是一款原邊整流器，可以實(shí)現(xiàn)精確的恒壓調(diào)節(jié)功能。單相工頻市電經(jīng)整流、濾波和穩(wěn)壓后獲得5 V壓差，由于模擬地與零線N相連，因此該5 V壓差隨交流零線浮動。弱電區(qū)通過自激隔離式電源供電，強(qiáng)電區(qū)通過非隔離式電源供電，避免了220 V交流電竄入弱電區(qū)，增加系統(tǒng)的可靠性。

2.2 功率計(jì)量電路

    負(fù)荷的實(shí)時(shí)用功功率計(jì)量電路如圖5所示，HLW8012是一款單相功率計(jì)量芯片，滿足50/60 Hz IEC 687/1036準(zhǔn)確度要求標(biāo)準(zhǔn)。L_Relay為經(jīng)過繼電器的火線，N為零線。通過在負(fù)荷回路中串聯(lián)2 mΩ的康銅電阻RS采樣工作電流，通過電阻網(wǎng)絡(luò)R5~R9采集工作電壓。將采樣電壓經(jīng)壓頻轉(zhuǎn)換后，輸出表征電壓、電流有效值和有功功率的高頻脈沖信號CF和CF1。

    利用“等精度”的方法測量高頻脈沖頻率。圖6所示為CPLD搭建的等精度測頻數(shù)字邏輯電路，其中，標(biāo)準(zhǔn)信號為50 MHz晶振信號，閘門信號設(shè)置為寬度為1 s的脈沖，D觸發(fā)器捕獲到待測信號的邊沿時(shí)，閘門信號才會被鎖存到輸出端，32位標(biāo)準(zhǔn)信號計(jì)數(shù)器和待測信號計(jì)數(shù)器同時(shí)被使能并開始計(jì)數(shù)，故待測信號計(jì)數(shù)器不會出現(xiàn)±1個(gè)計(jì)數(shù)值的誤差。1 s計(jì)數(shù)結(jié)束后，D觸發(fā)器鎖存閘門信號的下降沿，同時(shí)讀取計(jì)數(shù)器數(shù)值，并通過式(1)計(jì)算待測信號的頻率fdc，bz_count[31..0]和dc_count[31..0]分別存儲了閘門時(shí)間內(nèi)標(biāo)準(zhǔn)信號和待測信號的上升沿個(gè)數(shù)。

    有功功率的輸出頻率F_CF、電流有效值的輸出頻率F_CFI和電壓有效值的輸出頻率F_CFU可由式(2)計(jì)算，其中V₁是電流通道引腳上的電壓信號，V₂是電壓通道引腳上的電壓信號，f_osc為3.579 MHz的振蕩器頻率，V_REF為2.43 V的基準(zhǔn)電壓源。實(shí)測出輸出頻率后，即可反推出電流、電壓有效值和有功功率值。

2.3 光耦隔離電路

    光耦隔離電路的作用是將功率計(jì)量電路輸出的高頻脈沖轉(zhuǎn)換為3.3 V電平標(biāo)準(zhǔn)的數(shù)字脈沖并與強(qiáng)電區(qū)域隔離，隔離后的脈沖由CPLD計(jì)數(shù)。如圖7所示，HCPL-0630是雙通道光耦芯片，開關(guān)速度可達(dá)到10 Mb/s。來自HLW8012的高頻脈沖CF和CF1連接鋁砷化鎵發(fā)光二極管的陰極，輸出端CF_IO和CF1_IO作為待測信號連接圖6所示的測頻邏輯電路。當(dāng)二極管發(fā)光時(shí)，右側(cè)三極管導(dǎo)通，輸出低電平；反之，三極管截止，輸出高電平。

2.4 Wi-Fi、繼電器電路

    系統(tǒng)通過圖8所示的Wi-Fi電路與云服務(wù)器實(shí)現(xiàn)TCP/IP通信。云服務(wù)器收到終端發(fā)出的控制指令后，將指令按硬件編號轉(zhuǎn)發(fā)到各節(jié)點(diǎn)上。節(jié)點(diǎn)通過Wi-Fi電路接收到開關(guān)指令，通過圖9所示的繼電器電路控制負(fù)荷與電力入口連通或斷開。R_IO由MCU控制其電平狀態(tài)，繼電器RY1串聯(lián)在三極管Q0的集電極，當(dāng)R_IO為低電平時(shí)，三極管Q0截止，繼電器處于常開狀態(tài)；當(dāng)R_IO置高時(shí)，三極管Q0導(dǎo)通，繼電器吸合。

3 云服務(wù)器端數(shù)據(jù)處理方法

3.1 基于PCA的特征提取與降維

    對于一個(gè)電力供給入口來說，總存在若干個(gè)經(jīng)常接入使用的電負(fù)荷，既然系統(tǒng)已經(jīng)能夠獲取負(fù)荷隨時(shí)間變化的功率值，那么在已知“功率-時(shí)間”波形圖的基礎(chǔ)上，可以對波形圖進(jìn)行特征提取和降維，得到一組可以鑒別負(fù)荷種類的特征向量。具體方法為：采集n類負(fù)荷在1 min內(nèi)的功率數(shù)據(jù)作為訓(xùn)練樣本，提取功率值序列的平均數(shù)、中位數(shù)、眾數(shù)、方差、極差、峰度、偏度、四分位差、正斜率均值和負(fù)斜率均值等共10種基本統(tǒng)量，得到n類負(fù)荷的樣本數(shù)據(jù)矩陣x_n×10。其中，正、負(fù)斜率均值分別指將離散功率值序列作差分運(yùn)算后的正數(shù)集的平均數(shù)和負(fù)數(shù)集的平均數(shù)?？紤]到特征量維數(shù)較多且相互之間具有一定的相關(guān)性，采用主成分分析(Principal Components Analysis，PCA)，通過正交變換將基本統(tǒng)計(jì)量降維成相互獨(dú)立的綜合指標(biāo)^[8]。

3.2 基于kNN的負(fù)荷分類

    k最近鄰(k-NearestNeighbor，kNN)分類算法的核心思想是“投票機(jī)制”。將一個(gè)測試樣本投放到眾多已分類好的訓(xùn)練樣本中，分別計(jì)算該測試樣本與各訓(xùn)練樣本的歐式距離來作為相似性指標(biāo)^[9]。本方案中，歐式空間的維度為經(jīng)過PCA降維后的綜合特征量的個(gè)數(shù)。

4 采集端和云端流程圖

    采集端MCU的程序流程如圖10所示。首先初始化時(shí)鐘、串口、定時(shí)器等片內(nèi)外設(shè)。再通過AirKiss協(xié)議配置Wi-Fi模塊所接入無線網(wǎng)的SSID和密碼，成功連接路由器后被分配IP地址。接著，CPLD對功率計(jì)量電路產(chǎn)生的高頻脈沖計(jì)數(shù)，MCU讀取CPLD的計(jì)數(shù)值，并根據(jù)式(2)解算出負(fù)荷功率值。采集端在與服務(wù)器進(jìn)行通信的過程中，一方面向服務(wù)器傳遞實(shí)時(shí)功率信息，另一方面接收服務(wù)器下達(dá)的開關(guān)指令，從而控制繼電器通斷。

    云服務(wù)器端程序流程如圖11所示，首先通過TCP/IP協(xié)議接收負(fù)荷的編號與功率信息，再利用PCA對1 min內(nèi)的功率值序列進(jìn)行特征提取與降維，接著通過kNN分類實(shí)現(xiàn)負(fù)荷識別。云端既可以轉(zhuǎn)發(fā)客戶端提出的關(guān)斷請求，也可以根據(jù)異常的功率值判斷電路故障，從而自主地下達(dá)關(guān)斷指令。 

5 實(shí)驗(yàn)

    將本系統(tǒng)安裝于室內(nèi)墻壁插座內(nèi)，選擇手機(jī)充電器、平板充電器、臺燈、筆記本電腦、電風(fēng)扇、洗衣機(jī)、電吹風(fēng)機(jī)和電水壺共8類常用家用電器作為實(shí)驗(yàn)負(fù)荷。配置硬件Wi-Fi模塊接入家庭路由器，建立其與云服務(wù)器的通信。

    (1)分別對處于正常運(yùn)行狀態(tài)的8類實(shí)驗(yàn)負(fù)荷采集60 s的有功功率數(shù)據(jù)，圖12所示為各負(fù)荷的“功率-時(shí)間”變化圖，可以看出8類負(fù)荷有著不同的波形特征。

    (2)為了定量分析8類實(shí)驗(yàn)負(fù)荷的波形特征，對步驟(1)所采集的有功功率值序列求取3.1節(jié)所述的10種基本統(tǒng)計(jì)量。

    (3)為了消除10種基本統(tǒng)計(jì)量的相關(guān)性，降低特征維度，利用式(3)～式(5)進(jìn)行主成分變換。結(jié)果如表1所示，取前3個(gè)主成分，可以獲得99.83%的累積貢獻(xiàn)率，說明前3個(gè)主成分包含了原指標(biāo)的99.83%的信息，且相互獨(dú)立。

    (4)利用3.2節(jié)所述的分類方法，以步驟(3)所求得的主成分作為歐式維度，計(jì)算待識別樣本到其他訓(xùn)練樣本之間的歐式距離，并利用kNN算法進(jìn)行歸類。識別準(zhǔn)確率如表2所示，可以看出，平板充電器、臺燈和筆記本3類負(fù)荷均有未識別出的次數(shù)，是因?yàn)檫@三者的功率平均數(shù)較為相似，且平板充電器和筆記本充電器的充電電流與環(huán)境溫度及是否正在使用等因素有關(guān)。整體看來，平均識別準(zhǔn)確率達(dá)到98.75%。

6 結(jié)束語

    NILMS通過在電力入口處布設(shè)硬件節(jié)點(diǎn)，實(shí)現(xiàn)了“一個(gè)入口，多種負(fù)荷”的監(jiān)測系統(tǒng)。這對于電力系統(tǒng)而言，不僅降低了安裝維護(hù)的費(fèi)用，更簡化了監(jiān)控系統(tǒng)，便于管理，但與之同來的是負(fù)荷種類識別的高效性與準(zhǔn)確性問題。本文主要完成了兩項(xiàng)工作：(1)設(shè)計(jì)并研制出非侵入式負(fù)荷功率采集裝置，全天候地向云服務(wù)器上傳負(fù)荷功率信息，并對強(qiáng)電區(qū)域和弱電區(qū)域進(jìn)行電氣隔離，增加硬件節(jié)點(diǎn)的可靠性；(2)借助云服務(wù)器平臺實(shí)現(xiàn)負(fù)荷種類識別功能，預(yù)先通過PCA對常用負(fù)荷的功率值序列進(jìn)行訓(xùn)練，達(dá)到特征提取與降維的目的，再利用kNN對待識別樣本進(jìn)行歸類，經(jīng)多次實(shí)驗(yàn)，顯示負(fù)荷識別率可以達(dá)到98%以上?？傮w而言，本系統(tǒng)具有非侵入式測量和網(wǎng)絡(luò)遠(yuǎn)程控制的特點(diǎn)，又借助云服務(wù)器識別負(fù)荷、分析運(yùn)行狀態(tài)，從而指導(dǎo)用戶合理規(guī)劃用電，實(shí)現(xiàn)節(jié)能減排，并及時(shí)排除故障，是智能電網(wǎng)發(fā)展的必然趨勢。

參考文獻(xiàn)

[1] 劉然.結(jié)合改進(jìn)最近鄰法與支持向量機(jī)的住宅用電負(fù)荷識別研究[D].重慶：重慶大學(xué)，2014.

[2] 牛盧璐，賈宏杰.一種適用于非侵入式負(fù)荷監(jiān)測的暫態(tài)事件檢測算法[J].電力系統(tǒng)自動化，2011，35(9)：30-35.

[3] WELIKALA S，DINESH C，GODALIYADDA R I，et al.Robust non-intrusive load monitoring(NILM) with unknown loads[C].IEEE International Conference on Information and Automation for Sustainability.IEEE，2017：1-6.

[4] ZHOU C，LIU S，LIU P.Neural network pattern recognition based non-intrusive load monitoring for a residential energy management system[C].International Conference on Information Science and Control Engineering.IEEE，2016：483-487.

[5] 李如意，王曉換，胡美璇，等.RPROP神經(jīng)網(wǎng)絡(luò)在非侵入式負(fù)荷分解中的應(yīng)用[J].電力系統(tǒng)保護(hù)與控制，2016，44(7)：55-61.

[6] 鄭宇.神經(jīng)網(wǎng)絡(luò)在學(xué)生公寓用電負(fù)荷識別中的應(yīng)用研究[D].重慶：重慶大學(xué)，2007.

[7] Jiang Lei，Luo Suhuai，Li Jiaming.An approach of household power appliance monitoring based on machine learning[C].International Conference on Intelligent Computation Technology & Automation.IEEE，2012：577-580.

[8] 高云，楊洪耕.基于暫態(tài)特征貼近度匹配的家用負(fù)荷識別[J].電力系統(tǒng)自動化，2013，37(9)：54-59.

[9] 李蓉，葉世偉，史忠植.SVM-KNN分類器——一種提高SVM分類精度的新方法[J].電子學(xué)報(bào)，2002，30(5)：745-748.

作者信息:

陳彭鑫1，仲思東1，2

（1.武漢大學(xué) 電子信息學(xué)院，湖北 武漢430079；2.武漢大學(xué) 測繪遙感信息工程國家重點(diǎn)實(shí)驗(yàn)室，湖北 武漢430079）