基于物聯網的非侵入式負荷狀態監控系統設計

季堅莞,胡文軍,王 闖

(1.湖州師范學院 信息工程學院,浙江 湖州 313000; 2.浙江理工大學科技與藝術學院,信息與控制學院,浙江 紹興 312300; 3.浙江省現代農業資源與應用研究重點實驗室,浙江 湖州 313000)

0 引 言

近年來,高校實驗室安全事故時有發生,暴露出高校實驗室安全管理不到位、實驗人員違規操作、職能部門監管薄弱等問題[1].電子工藝實驗室是電子信息類專業教學和科研的重要環境,不僅發揮著線路板焊接、元器件與電路板測試等功能,涉及焊臺、電烙鐵、臺燈、手機充電器、示波器、穩壓電源、信號發生器等設備,而且設備種類繁多、零散,給實驗室的安全運行帶來許多挑戰：①焊接工具存在易丟失、錯放等問題,管理混亂且利用率低;②焊接過程存在供電安全和使用安全問題,如余熱電烙鐵易發生燙傷、意外火情等[2];③故障設備和違禁電器的使用引起諸多設備用電安全隱患問題[3].

為應對上述挑戰,應從以下兩方面入手：①提升管理水平,如建立和嚴格執行安全管理制度,提高師生的安全意識;②構建實驗室智能化監管系統.由于以前的實驗室智能化程度不高,大多數的高校只能通過提升管理水平來加強管理,如引入接軌企業的“6S”管理理念[4].而這種方式在很大程度上仍依賴于人們的自覺性,無法準確、及時地監管違規人員.隨著物聯網和機器學習等新一代信息技術的發展,實驗室儀器設備和監測手段的智能化逐漸提高.實驗室的智能化監管系統已成為實驗室建設者和管理者采用的重要手段之一[5-6].例如,利用視頻監控等信息化技術實時監視實驗室的整體運行情況、利用負荷監測技術檢測實驗室用電設備的類別和實驗設備的使用情況等.負荷監測技術是實現實驗室精細化管理的重要技術之一,按其實現技術可分為侵入式負荷監測(Intrusive Load Monitoring,ILM)和非侵入式負荷監測(Non-intrusive Load Monitoring,NILM)[7].由于非侵入式方法不會破壞實驗室的電力線路和其他環境,所以受到研究者的極大關注.楊云瑞等利用電器的V-I圖數據監測高校實驗室各種設備的負荷運行,以識別設備情況[8].朱昊等利用嵌入式技術設計電能信息采集裝置,并構建特征庫用于電器識別[9].Kang等利用特征融合方法設計自適應NILM算法,并將其部署在以STM32MP1為核心的監測設備上[10].

上述非侵入式負荷監測技術推動了實驗室智能化監管系統的發展,特別是促進了精細化、智慧化的實驗室建設.電類設備根據用電狀態可分為啟停負荷和多態負荷.啟停負荷只有開啟狀態和關閉狀態,如臺燈、設備充電器等.多態負荷存在多個工作狀態的電器,如電烙鐵、焊臺等.目前,大多數的智能檢測設備僅能監測啟停負荷[11-12],其采集的特征數據和分析算法都不能直接用于多態負荷.為準確識別多態負荷或混合多態負荷的場景,本文基于融合負荷識別與負荷分解設計非侵入式負荷監測方法,并基于物聯網技術開發監測系統,實現對違禁電器接入、現有設備故障、設備通電未使用等隱患的實時監測、報警或自動斷電,以確保設備用電安全和人身安全.

1 系統構建

1.1 整體系統架構

目前的非侵入式負荷監測(NILM)方法主要是對啟停負荷進行識別,不能解決多態負荷或混合多態負荷識別問題,且不具備根據設備運行狀態進行負載實時控制功能[13].本文基于物聯網技術研發解決此問題的監控系統.該系統的整體硬件架構包括4個部分：①監測節點.其用于數據采集、計算分析和數據通信,以保證計算結果的準確性、實時性.其分析算法主要包含特征提取、變點檢測、負荷分解、負荷識別等.②無線路由器.其用于接收監測節點發送來的電能數據、設備狀態等,以及將此類數據發送給服務器端,也接收服務器端的控制指令和向監測節點傳送這些控制指令.③服務器.其為整個系統的通信中心,負責存放來自監測節點的數據、接收終端指令,或根據設備狀態輸出控制指令.④終端設備.其主要包括PC機、智能手機等,一方面作為可視化終端,實時顯示實驗室狀態數據;另一方面作為控制終端,發出控制指令實現遠程操作.系統整體架構見圖1.

圖1 系統整體架構

1.2 監測節點硬件

監測節點是監控系統的核心部件,由微控制單元(Microcontroller Unit,MCU)、電能計量模組、LCD觸控顯示屏、光耦隔離繼電器、AC-DC電源轉換電路等構成.考慮到硬件成本,采用集成WiFi/藍牙通信功能的ESP32作為節點的MCU,負責分析計算、無線數據通信、信息顯示、通斷電控制等任務.電能計量模組采用IM1281B模組,其以0.2 s的采樣速率測量電壓有效值、電流有效值、有功功率、功率因素等電能參數,并將這些數據通過標準的Modbus-RTU協議發送給MCU,從而實現每個節點支路的電能數據獲取.為顯示電能參數、設備狀態等信息,節點設計2.8寸TFTLCD觸控顯示屏.另外,由帶EMC低紋波功能的AC-DC開關電源模塊輸出5 V直流電供各模塊使用.監測節點的硬件結構見圖2.

圖2 監測節點硬件結構

1.3 監測節點軟件

監測節點軟件采用FreeRTOS設計,其包含采集任務、分析任務、通信任務、圖形庫任務和控制任務等.任務之間除必要的數據交換外,相互獨立,并發運行,互不干擾,以有效提升系統的實時性和高效性.節點軟件運行流程見圖3,系統可以選擇訓練模式或識別模式.在訓練模式下,每次對一個電器進行采集,計算特征參數并存入特征庫;在識別模式下,接收服務器指令,并依據指令控制斷電,同時周期性地采集電氣數據,依據NILM算法檢測是否有投切事件的發生,識別出當前電網中的負荷運行狀態,并將結果上傳至服務器,若有其他異常狀態亦可緊急斷電.

圖3 節點軟件流程

2 非侵入式負荷監測算法

焊臺是電子工藝實驗室中常見的多態負荷,有加熱、恒溫、降溫、關閉4種工作狀態.焊臺與其他電器同時工作,若不將其從疊加事件中分離出來,就難以直接分解出其工作狀態.現有的NILM算法直接采用電壓有效值、電流有效值、有功功率和功率因素等電能數據作為負荷特征,難以分解多態負荷的工作狀態[14].為得到焊臺的狀態特征值r,本文提出一種非侵入式負荷監測算法,其包括4個步驟：①數據預處理,基于電流有效值拓展負荷特征;②在事件檢測階段,通過規則學習方法匹配多態事件,將多態負荷狀態特征分離出來;③在電器狀態穩定時提取各負荷特征,并將狀態特征與這些特征結合構建負荷特征庫;④用特征距離描述測試值與特征庫中特征集合的相關度,實現負荷狀態識別.算法流程見圖4.

圖4 算法流程

2.1 數據預處理

第二節介紹的監測節點可采集負荷的電壓有效值、電流有效值、有功功率和功率因素4種電能數據.在負荷投切時,各種波形見圖5.從圖5可以看出,電壓波動隨負荷的變化不明顯,功率因素波動難以區分疊加事件,且電流波動比功率波動更能體現負荷狀態改變.本文選擇電流有效值作為狀態識別的主要數據.負荷的每種狀態改變的持續時間、幅度大小等均不相同.為此,本文基于時域處理電流數據,擴展出3個主要特征：瞬時電流變化(ΔI)、電流變化時間累計(m)和電流周期性波動次數(x).

圖5 電能數據波形

2.2 事件檢測

2.2.1 雙邊滑動CUSUM

在NILM算法中,事件監測是特征提取和負荷識別、分解的基礎,準確的事件檢測可以有效增強負荷識別與分解結果[15].為精準定位負荷狀態變化,采用雙邊累計和(Cumulative Sum,CUSUM)[16]方法分析電流有效值序列Cur(j).在電流序列上定義連續滑動計算的均值計算窗Wa和暫態檢測窗Wr,在各窗口內計算平均值.由于在負荷投入與切除時,電流變化存在較大差異,即在投入時存在瞬時過充現象,而切除時則較為平滑,因此引入穩態檢測窗Ws(Ws窗為計算窗口長度內電流的標準差),以確定是否進入穩態.窗口Wa、Wr、Ws的長度分別為a、r、s.各窗口內的均值計算公式為：

(1)

(2)

(3)

檢測穩態時的標準差計算公式為：

(4)

由于受電源干擾和采集精度的影響,所以電流數據往往存在一定的噪聲波動.設該噪聲為ε.以電器切入流程為例,檢測流程見圖6.

圖6 事件檢測流程示意圖

步驟1為起始階段,此時所有窗口都處于穩定狀態,保持不變;進入步驟2,此時穩態檢測窗開始出現變化,其他窗口依舊不變;進入步驟3,此時暫態檢測窗Wr的均值開始出現變化,若電器啟動時無震蕩,則Ws窗已經步入穩定,而這類電器多為純電阻阻抗,占比較少,更多的可能是此時Ws的標準差仍出現小范圍的波動;進入步驟4,此時Wa窗開始出現變化,其他窗口可能穩定,亦可能仍舊波動;最后直至所有窗口都處于穩定,代表一次完整的事件檢測過程完畢.

在滑動過程中,若經過投切發生時刻ta=k,則此時窗口內的均值Mr將大于Ma+ε.為防止電流波動干擾,需要進一步累積r時刻,直到tr=k+r時,才可以確定發生了切入事件,事件發生的時刻為tr-r.為統計這種變化量,定義事件累積和gp為切入事件的電流上升程度,gn為切出事件的電流下降程度,Q為確定發生事件的閾值,Δmin為穩態標準差閾值.其累計和的計算公式為：

gpj=max{0,gpj-1+Mr-(Ma+ε)},gp0=0,

(5)

gnj=max{0,gnj-1+Mr-(Ma+ε)},gn0=0.

(6)

2.2.2 多態負荷分離

當有事件投切時,進一步進行多態事件匹配,并依據匹配結果進行多態負荷特征分離.為此,設計一種基于規則學習的多態事件匹配方法,用于解決分解多態負荷狀態問題.首先,明確規則學習中的規則體和規則頭.規則體表示該條規則的前提A,規則頭表示該條規則的結果B,即“如果A,則B”形式的邏輯規則.因此,可設計規則集合c：

……

依據上述規則,以多狀態負荷焊臺為例,其狀態匹配算法見圖7,其中ΔIk為k時的瞬時電流變化量.

圖7 多態負荷狀態匹配流程圖

當焊臺狀態變化時,電流波動遠大于其他電器.為進一步判斷焊臺狀態變化的發生,設置判斷閾值為Iht.其判斷依據見式(7)：

(7)

(8)

(9)

(10)

(11)

以變點累計和為基礎,進一步區分焊臺的加熱、降溫、關閉和疑似恒溫狀態,設置累計和閾值為T1和T2,并做以下判斷：

(12)

當焊臺恒溫時,電流成周期性變化,與其他狀態均不同,所以在式(12)的基礎上,通過檢測焊臺電流周期性變化的次數來判斷是否恒溫.具體見式(13),其中：X為周期性波動次數閾值;“其他”為未知狀態,需結合負荷識別進一步判別.

(13)

綜上,以擴展特征為基礎,通過規則學習實現多態事件匹配,即得到焊臺的狀態特征值st.

2.3 特征庫構建

在精確檢測到負荷處于穩定狀態或周期波動狀態后,進一步在穩定時間內計算電流均值,得到穩定的特征數據.因為每種電器正常工作的狀態數n是確定的,若假設共有z種電器,則所有電器的狀態組合總數N=n1×n2×…×nz.采集每種狀態組合的基礎電能數據,從中提取特征數據,并設置狀態組合標簽,得到負荷狀態特征庫Y={y1,y2,…,yN}.其中,每個特征向量y表示一種負荷狀態組合,其包含電流有效值I、有功功率P、功率因素PF和多態負荷狀態st4個負荷特征值,即y=(I,P,PF,st).

2.4 負荷識別

在特征庫構建完成后,即可進行負荷在線識別,進入負荷監測階段.其流程為：先通過2.2節中的事件檢測方法,得到多態負荷的狀態特征,再將特征庫中的特征集合與測試值進行特征匹配.特征匹配的流程是：首先,從測量值中獲得待匹配的特征向量.然后,依次計算特征庫中特征向量與之的特征距離,計算結果若在閾值范圍內,則匹配成功,否則匹配失敗.特征距離計算采用歐幾里得度量,并將預先構建的特征庫中的特征集合作為期望值.每個特征集合包含4種特征值,所以在4維空間中計算測試值δ與特征庫中每一個期望值y之間的歐式距離(d1,d2,…,dN),并計算最小距離dmin=min{d1,d2,…,dN}.最后,通過比較最小距離dmin和模糊范圍D來決策當前樣本的負荷組合狀態.若最小歐式距離dmin處于某一個期望點的模糊范圍D內,則可判定此時處于期望點對應的負荷組合狀態;若dmin不處于任何一個樣本點的模糊范圍,則認為是未知負荷或異常工作狀態.模糊范圍D可以控制識別的精度,取值越小,識別越精確,但其容易受到不穩定波動的影響;取值越大,識別更穩定,但準確率會降低.因此,需確定能準確識別的最優模糊范圍D.

3 確定算法參數

3.1 事件檢測閾值設置

通過訓練可知,不同電器穩定狀態的標準差見表1,其閾值Δmin為0.002.

表1 不同電器穩定狀態的標準差

事件檢測算法中累積和閾值應在(Qmin,Qmax)中選取,Qmin一般為最大的誤檢事件累計和,Qmax為最小的有效事件累積和.事件檢測結果見圖8,圖中的實線為電流增大事件,虛線為電流減小事件.由圖8可知,事件檢測算法能識別每一個狀態改變事件的發生,在比較檢測效果后取最佳的Q為0.015.在非周期性波動時,識別率達100%;在電流因焊臺恒溫造成強烈波動時,識別率仍達98.5%.這為后續的多態負荷分離提供了基礎保障.

圖8 事件檢測結果

3.2 多態負荷分離參數

多狀態負荷匹配的準確度受閾值H的影響,當電流變化量ΔI>H時,表示接入了多狀態負荷.若H取值過小,則易受到電流固有波動的影響,從而造成誤判;若H取值過大,則會導致無法識別.此外,通過閾值Iht可進一步確定焊臺狀態是否變化.權重參數可通過訓練獲得,當H設置為0.07時,監測準確率最好,見表2;當Iht設置為0.18 A時,識別效果最佳,見表3.

表2 不同參數H下焊臺事件監測結果

表3 不同參數Iht下焊臺事件監測結果

變點累計和m±與周期性波動次數x會影響多態負荷匹配的準確度.當焊臺關閉時,焊臺降溫識別受下降變點累計和m-的影響,焊臺加熱識別受上升變點累計和m-的影響,恒溫受周期性波動次數x的影響,此時波動周期為m++m-,具體見圖9.在圖9的橫坐標軸上,一個單位間隔代表5個周期信號.由此可以看出,當焊臺加熱時,電流上升達到穩態,上升變點累計和m+大約為5個單位間隔(25個信號周期);當焊臺關閉時,電流下降迅速,下降變點累計和m-不到1個單位間隔;當焊臺降溫時,電流下降稍緩,下降變點累計和m-約為2個單位間隔(10個周期信號).

圖9 變點累計和示意圖

本文設置下降累計和閾值T2=2,上升累計和閾值T1=5,周期性波動次數閾值X=1,得到規則集合c：

4 試驗與分析

本文通過第一節介紹的負荷監測節點對電器進行電能數據采集,并利用非侵入式負荷監測算法進行多態負荷狀態分解、特征庫構建和負荷識別.為驗證識別效果,在電子工藝實驗室環境下,選用3類代表性電器(臺燈、充電器、焊臺)作為測試對象,對不同負荷組合進行試驗.試驗流程為：通過投切不同電器或切換電器工作狀態,改變線路電氣狀態;監測節點利用算法識別,并將結果上傳至服務器存儲.實驗環境布置見圖10,(a)為電器與監測節點工作場景,(b)為節點的屏幕顯示與服務器的后臺記錄.

圖10 實驗環境現場

4.1 特征庫構建

為得到可靠的負荷特征,對每種狀態組合進行200次采集,將采集的數據通過負荷監測算法處理得到狀態特征,從而構建一個電器狀態組合特征庫,見表4.通過可視化處理得到特征庫空間圖,其中點的大小代表第四維,見圖11.由觀察發現,“充電器”和“恒溫+充電器+臺燈”兩個樣本點的距離最近.通過計算驗證,得到最優的識別閾值范圍D=3.

表4 電器狀態組合特征庫

圖11 特征庫空間圖

4.2 負荷識別結果

經過實驗驗證,多態負荷總體識別正確率可達100%,“其他”異常狀態也能有效識別,滿足要求.本文設計的方法與現有方法的識別結果見表5,表中的“√”代表正確,“×”代表錯誤.由此可以看出,本文設計的方法與現有的方法雖然都能穩定地識別負荷的類別,但現有方法僅能識別負荷的啟停狀態,無法識別多態負荷工作時的狀態切換,如焊臺恒溫與焊臺降溫狀態,而本文設計的方法可以精確地識別多態負荷狀態,以及混合場景下的多態負荷狀態.

表5 各負荷組合識別結果

5 結 論

本文針對傳統實驗室管理不足的問題,采用非侵入方式監測電力線路,設計一種基于物聯網的非侵入式負荷監測系統,并設計監測節點的軟硬件和非侵入式負荷監測算法.其中,NILM算法融合了負荷分解與負荷識別,能夠準確地識別多態負荷或混合多態負荷的場景.另外,結合物聯網技術實現了數據采集、數據通信、遠程控制等功能,在接入違禁電器等異常情況時能實現自動斷電,并通過真實場景部署驗證了設計的可行性.該系統仍然存在一些局限,如研究的電器種類有限,未考慮同時識別多種多態負荷等.今后的研究重點是解決這些問題.