龙世渚，涂 来

（1.深圳创维数字技术有限公司，广东 深圳 518057；2.华中科技大学 电子信息与通信学院，湖北 武汉 430074）

0 引 言

为应对环境和气候变化这一关乎全球人类生存发展的共同挑战，各国政府都推出了一系列节能减排政策，引导学界和企业研发新兴技术和产品，推动节能减排。在智能家居领域，由于相关物联网技术可以实现对家用电器的管理，因此利用智能家居系统实现对家用电器的监测也是智能家居的建设目标之一。同时，发电厂与输配电电网也可以利用广泛的精细化家庭用电特征数据，对发电、配送电进行科学合理的统筹计划，在保证家居舒适性的同时，实现电网发电、配电的优化。基于此目标，本文探讨了基于智能家居的家庭用电监测系统的设计和关键技术。从家庭用电监测系统的总体架构、智能家居平台支撑、用电行为数据管理平台以及支持负荷分解用电监测算法等4个方面进行了探讨和设计，为全屋家电能耗监测管理提供精细化数据支持。

1 家庭用电监测系统构架

家庭用电监测系统以部署在用户家中的智能家居网络环境为支撑，通过在云端服务器上部署能耗管理应用服务，实现对家居电器的能耗数据采集以及智能控制，其总体架构如图1所示。在用户侧，用户通过安装智能电表或者使用具备能耗监控的智能电器，实现终端侧的能耗数据采集。智能家居网关作为智能家居设备的连接枢纽，完成不同物联网协议间的翻译转换，保证不同智能家居设备的网络接入能力，并汇聚家庭多种设备的采集数据后上传到云端服务器。家庭用电数据通过互联网汇聚于云端的能耗管理应用业务模块进行分析处理。家庭能耗管理应用业务系统通常包括：用电行为数据管理平台、电器运行状态监测与能耗分析、用电策略管理、电器远程控制。

图1 智能家居能耗管理业务架构

1.1 用电行为数据管理平台

用电行为数据管理平台汇聚不同电器、不同用电应用的行为数据。由于不同用电应用在用电时间、采集频度、用电行为标注等方面包含不同类型的数据结果，因此需要设计一种数据服务总线，能处理历史数据、实时数据、关系数据等不同类型数据，为用电行为服务请求提供接口。

1.2 电器运行状态监测与能耗分析

该部分包括独立电器运行能耗数据监测与智能电表非侵入式负荷分解能耗监测。前者适用于自带能耗监测功能的电器，后者使用软件算法，从总电表计量数据中分离出不同类型电器的能耗，用于用电行为数据分析。

1.3 用电策略管理

该部分包括面向电网调控的基于区域用电数据分析的电网配电策略、区域分时电价策略以及面向用户的用电调度优化建议。

1.4 电器远程控制

该部分具有提供电器远程启动、停机或运行状态设定的能力。

2 智能家居系统

2.1 智能家居设备及传感器

受限于物联网器件的部署空间、计算能力和待机时间等条件限制，目前大部分智能家居设备的通信模块都使用ZigBee， Bluetooth LE，Z-Wave等低功耗个域网PAN无线技术，针对不同电器设备的特点，这些传感器集成于智能家电或智能电表设备之中，或者设计成智能插座作为独立设备，来采集监控电器的能耗。这些传感器通过智能家居网关将采集的用电数据汇聚到云端，为用电规划、节能策略设计提供数据支持。同时接收能耗管控策略，触发用电设备开启或关闭，实现能耗管控。

2.2 智能家居网关

在智能家居生态系统中，智能家居网关扮演着智能设备接入、汇聚和协议转换的重要角色，同时提供设备与云服务器间的桥接能力。在智能家居网关的支持下，智能家居云服务器从智能家居设备上获取设备信息、能耗数据、服务信息等，并向目标设备发送控制请求消息，实现对智能设备的控制和用电调度。

智能家居网关的功能架构包括三层，即系统层、中间件层和应用层，如图2所示。每一层由若干功能模块组成，实现不同的功能需求。

图2 智能家居网关的功能架构

系统层为上层软件提供基本的操作系统功能和操作系统服务。系统层包括硬件组件的硬件驱动模块；中间件层由支持不同物联网设备连接的物联网协议栈、不同协议之间的协议转换和应用API组成；应用层包括设备管理、安全管理、本地控制管理和辅助功能等模块。

3 用电行为数据管理平台

3.1 基于服务架构的数据库中间件

用电行为数据管理平台采用基于服务架构的数据库中间件技术，利用XML、SoAP、Web Service、UDP等标准规范实现从发送任务请求到执行任务请求，再到返回任务请求的各技术环节，从而达到不同类型结构用电数据融合的目的。数据服务总线处理不同客户端的数据服务请求，包括智能家居设备的数据写入和监测管理应用的数据查询。采用XML技术实现统一的数据表达方法；使用UDP传输协议实现客户端与数据服务器间的通信；通过SoAP实现客户端JavaScript和底层C语言之间跨语言的应用服务。将客户端发送的任务请求抽象为服务，用户在初始化时将需要的服务相关信息通过配置方法写入相应模块，当用户需要调用相应服务时，触发器会触发服务的执行。服务执行过程对于用户而言是透明的，用户无需在意服务如何实现，所有底层细节均被屏蔽，使得系统真正具备智能化组件的功能。此外，采用服务架构的思想对于日后系统的扩展、升级十分有利，当底层数据源增加或减少以及服务请求发生变化时，无需或者只需很少的代码改动就能完成看似繁杂的升级。

3.2 数据融合模型总体设计

基于上述设计思想，本方案设计了一种基于服务的智能化数据库中间件系统来解决异构数据融合问题，使得数据库中间件不仅能够连接客户端与底层数据库，还能够为异构数据的融合做出更大贡献，体现其智能化的特性。

本模型共分为6层，分别为用户层、通信层、任务管理层、服务请求层、数据操作层以及数据库层，架构示意图如图3所示。

图3 基于服务架构的数据库中间件

用户层为系统的实时监控客户端，负责接收用户下发的服务请求，将服务请求下发给通信层，并将下层返回的结果显示在客户端界面。通信层负责实现用户层和下层的通信协议和接口，保证模型之间通信畅通。任务管理层负责合理安排调度通过通信层接收的服务请求。由于本系统实现的是并发控制，因此同一时间可能会接收到来自不同界面的任务请求，或者同一界面有不同的服务请求，这样任务管理层会通过任务队列以及多线程处理机制来管理服务请求，一方面保证接收到的服务请求不会丢失，另一方面保证将返回结果发送至正确的客户端界面，并且确保效率高、响应快。服务请求层中的实时监控业务服务模块完成服务的业务逻辑，通过服务请求层的逻辑分析处理下一层具体应用的操作。数据操作层包括数据库访问接口以及数据缓存。数据库访问操作类通过特定的实时库接口函数访问实时库，通过SQL语句访问关系数据库，并将得到的数据放入相应数据缓冲区。最底层为数据库层，包括不同的数据源，如实时数据、历史数据、存放点属性、组属性、用户属性等。该层体现了数据异构性。

4 支持负荷分解用电监测的方法

考虑到并非所有用户使用的电器都是带有能耗监测的智能电器，从最小化系统改动和最大化设备兼容的角度出发，设计支持非侵入式负荷分解能耗监测系统，仅通过对用户电表的智能化改装，采集家庭的汇总负荷信号，通过后台软件算法对总负荷信号进行分解，推算出用户使用的电器类型，流程如图4所示。

图4 非侵入式用电负荷分解用电监测流程示意

非侵入式用电负荷监测旨在利用用户家庭的总用电数据来分解得到家庭中各用电电器的使用情况。可将其分为三步：特征提取，即对不同类型的用电电器单个运行时的用电特征进行提取分析；事件检测，即对事件发生点的检测；事件匹配，即对检测出的事件与已有的电器数据匹配，判断各电器的运行情况。

4.1 电器特征提取

经过对单个电器功率分布分析后，对于电器的用电特征使用如下几种易于提取、易于解释的特征：

（1）功率分布特征（）；

（2）使用时间特征（）；

（3）使用时趋势特征（）；

（4）使用时波动特征（）。

电器运行特征与提取如图5所示。

图5 电器运行特征与提取流程

功率分布特征是针对不同电器有不同的用电功率，并且不同电器功率的平稳程度不同，对此提取各电器的功率分布，对总体事件进行匹配。

使用时间特征与功率分布特征类似，针对不同电器有不同的使用时间段，针对此特征，提取不同电器的使用时间并拟合概率分布。

使用趋势特征，针对各种用电器的使用趋势特征进行分析后，采用指数加一次函数拟合其趋势，公式如下：

式中：()为功率的分布密度函数；（,,,）为待定拟合常数。

波动特征是针对不同电器使用时产生不同的波动而提取的特征，使用原始数据减去趋势拟合函数得到波动图，求取其方差得到波动参数。

4.2 用电事件检测

用电事件检测主要分为分表事件检测与总表事件检测。

4.2.1 分表事件检测

对于电器的事件检测首先需要根据统计特征寻找合适的分割特征，采用方差方式或阈值方式进行检测。

基于阈值分割的事件检测：针对功率的分布，若功率分布图呈现单峰或多峰趋势，即可采用功率阈值分割，根据功率分布的上下限确定阈值，由阈值划分电器运行与否。

基于方差的事件检测：特殊电器的功率分布并无明显的峰状特征，而呈现无规则的分布。对于此类电器，采用方差特征检测事件。首先，提取运行待定时间段，设定小阈值分离电器可能运行的时间段；之后，对于每个时间段进行方差特征提取，并与整体方差特征对比，满足一定条件则判定其为运行状态。

4.2.2 总表事件检测

事件检测为后续事件匹配做好准备，事件检测需要在总表数据中将事件发生的起始点找出来，最后把总表中的事件分离出来，其算法流程大致分成如下4个步骤：

（1）找到事件的改变点（电器的开关），这些点附近的数据方差有明显突变，可以利用该突变完成对总表数据中上升沿、下降沿的判断；

（2）分辨事件改变点的上升沿和下降沿，分别对应电器的开关；

（3）匹配上升沿和下降沿，找到事件的运行时间段；

（4）事件的提取，从总表数据中提取出单个事件的运行状况。

4.3 用电事件匹配

对于分布特征，采用概率分布距离函数作为两个概率分布特征()和()的评价函数，公式如下：

对于趋势特征，采用分类器的方法对趋势参数进行训练，并使用训练模型对总表中提取的特征进行概率匹配。

对各特征检测后，若两电器的评价函数相近，则利用其未来一段时间的周期特征作为其后验特征再次进行检测。

4.4 实验验证

基于上述方法，使用Reference Energy Disaggregation Dataset （REDD）开放数据对非负荷分解方法进行实验验证。图6和图7分别展示了某单运行状态电器和多状态运行电器的功耗。通过对电流（功耗）波动的检测，提取状态变化点，如图中红色星型标记所示。基于对每个电器独立运行状态数据的分析和学习，对多电器叠加事件进行检测和分解。

图6 单运行状态电器状态检测示意

图7 多运行状态电器状态检测示意

在事件起始与结束检测的基础上，把每个事件单独隔离。大部分事件都是单独发生的，但是还有部分事件交叉发生，相互重叠。通过检测该事件时间段内的其他事件来调整数值。确定每个其他事件对于当前隔离事件的影响区间后，再将事件的值进行调整与更改。

经过统计检测总表事件与检测分表时间的匹配度得到最终结果。

式中，TP、FN、FP和TN分别为检测结果中的真正例数、假反例数、假正例数和真反例数。对于总表中的时间进行匹配，实验结果的事件匹配准确率为76%。对于事件检测的结果符合预期，由于部分事件特征样例较少，导致事件匹配结果出现较大偏差，在此方面有待改进。

5 结 语

本文探讨了基于智能家居平台环境的家庭用电能耗管理业务系统设计，并给出了支持用电监控的智能家居平台支撑方案，随后提出了面向多类型精细化能耗监测的数据库设计方案，最后分析了支持独立数据采集和负荷分解算法的用电数据采集方法，并基于开放数据进行了负荷分解算法准确率的验证。本文对以智能家居系统为家用电器数据采集和控制平台，如何实现智能家电能耗监测，如何实现精细化的数据采集与分析提供了关键算法和技术实现路径。具体算法经过了实验验证，整体方案也通过方案原型进行了验证，实际应用中可以根据需要作进一步改进和完善。