基于物聯網的家庭電量分析系統

摘要：近年來，能源短缺問題日益嚴峻，減少能源浪費和合理利用電力已成為全社會亟須解決的問題。了解每個電器的用電數據對于實現節約用電至關重要。然而，普通用戶難以在每個電器后面都安裝監測裝置以實時監控用電情況。因此，迫切需要一種方法，通過僅有總電表數據即可預測每個電器的用電數據，以幫助用戶更高效地節省能源。非侵入式負荷監測技術應運而生，通過分析從單個總電表采集的數據，可以識別和預測每個電器的用電數據。這種方法避免了在每個電器后安裝獨立監測裝置的需求，從而降低了成本和復雜性。本文成功實現了一個基于物聯網的家庭電量分析系統，能夠以非侵入的方式監測家庭電量使用情況，將總電表的數據分解為每個電器的功率，使用戶能夠深入分析自己家庭的電量使用情況。

關鍵詞：非侵入式電量負荷監測技術；人工神經網絡；物聯網

引言

隨著全球能源需求不斷增長，能源資源日益緊缺，同時能源價格上漲和環境污染問題日益突顯。據國際能源署（IEA）報告，建筑物和家庭電器的用電占全球總能源消耗的近40%，這一比例仍在不斷上升。因此，21世紀家庭能源管理和節能減排成為能源政策的關鍵組成部分。然而，傳統的家庭能源管理手段存在設備安裝成本高、監測手段煩瑣等問題，制約了其推廣和實施。與此同時，現有的非侵入式負荷監測產品多數面向工業領域，對于普通家庭來說使用成本較高。在這一背景下，研究一種基于物聯網技術，能夠實時、準確監測家庭電器用電數據的應用具有極大的現實意義。家庭電量分析系統應運而生，能夠在只有總電表數據的情況下預測每個電器的用電數據，同時對異常用電行為進行預警與提醒，為家庭能源管理提供了實用、高效且易于實施的解決方案。

1. 非侵入式負荷監測概述

在過去的幾十年里，非侵入式負荷監測（NILM）領域得到了廣泛關注和深入研究。研究者們采用了多種方法和技術來提高對家庭電器用電數據的監測精度[1-3]。早期的NILM研究主要集中在特征提取和分類算法上，從電力信號中提取電壓、電流、有功功率和無功功率等各種特征。然后，采用傳統的機器學習分類器（如決策樹、支持向量機、隨機森林等）對不同電器的用電模式進行分類。這些方法在某些情境下取得了一定的成功，但在處理大規模、復雜的家庭用電場景時存在性能局限。為了克服傳統方法的限制，研究者們開始采用基于概率模型的方法，如隱馬爾可夫模型（HMM）、因子圖模型等。這些方法通過建立概率模型描述電器用電行為，可以更好地處理信號中的噪聲和不確定性。然而，基于概率模型的方法通常需要大量的計算資源和參數調整，這在一定程度上限制了其在實際應用中的推廣。

近年來，隨著深度學習技術的飛速發展，研究者們開始將深度學習方法應用于NILM領域，包括卷積神經網絡（CNN）、循環神經網絡（RNN）、長短時記憶網絡（LSTM）等。深度學習方法能夠自動學習高層次的特征表示，在處理復雜的家庭用電場景時表現良好。然而，深度學習方法通常需要大量的訓練數據和計算資源，可能導致過擬合和計算效率低下的問題?？傮w而言，非侵入式負荷監測領域的研究盡管取得了一定進展，但仍然面臨諸如性能局限性、計算資源需求、數據可用性等許多挑戰。

非侵入式負荷監測產品的涌現為家庭和商業用電分析提供了新的解決方案。NILM產品通過分析單一的電力信號，識別和監測各種設備的能耗，具有顯著的節能潛力。Sense Energy Montor[4]是一款基于云端的NILM產品，能夠實時監測房屋中的設備能耗，其硬件部分通過電表箱收集電力數據，并將數據發送到云端進行分析，用戶可以通過移動應用程序實時查看設備使用情況和能源消耗。EcoisMe[5]是一款基于NILM技術的智能房屋能源管理系統，能夠監測房屋中的電器設備，并提供實時的設備能耗數據。通過收集電力數據并利用機器學習算法，EcoisMe能夠識別家庭中的各種設備。此外，EcoisMe還能提醒用戶關閉不需要的設備，幫助節省能源。Bidgely[6]是一款基于云端的能源管理解決方案，旨在為公用事業公司提供負荷監測服務。Bidgely利用NILM技術分析電力數據，以識別和監測設備能耗，為公用事業公司提供的能源分析報告有助于提高能源效率，降低運營成本并改善客戶服務。這些NILM產品在技術實現和應用場景上各有特點，但共同目標都是幫助用戶更好地了解和管理能源消耗。許多現有的NILM產品都在不斷優化算法和提高設備識別的準確性，以滿足不同用戶的需求。隨著NILM技術的發展和智能家居系統的普及，未來預計將出現更多具有創新功能和應用場景的NILM產品。

2. 系統需求分析

基于物聯網的家庭電量分析系統是一個面向用戶的、集成分析與監測的系統，旨在通過物聯網終端設備自動上傳入戶電表的數據，智能分析用戶家庭中電器的用電分布情況。此外，安裝了智能電表設備的用戶可以利用本系統實現家庭電力情況監測，對突發情況即時進行預警，也可以了解自己家庭的用電習慣，以此來節約用電。本系統使用的非侵入式負荷監測模型，基于LSTM和CNN神經網絡算法，并且使用公開數據集訓練。這個模型運行于系統服務端，方便廣大用戶使用。

非侵入式電量分解系統需要具備以下功能：

（1）用戶身份管理：提供用戶登錄功能，允許已注冊用戶通過賬號和密碼登錄；支持新用戶注冊，以獲取系統的使用權。

（2）電量分解功能：提供已登錄用戶進行電量分解的功能，用戶可以上傳或輸入相應的電力數據進行分解；展示電量分解的結果，清晰顯示每個電器的用電情況。

（3）實時數據展示：實現實時數據展示，以圖表或表格形式展現每個時刻每種電器的用電情況；提供用戶可以自定義時間范圍的實時數據查詢和展示。

（4）結果管理：允許用戶主動刪除自己創建的電量分解結果，提供相應的刪除功能；禁止用戶刪除其他用戶創建的電量分解結果，確保數據的完整性和安全性。

（5）測試數據共享：提供用戶將其他用戶創建的電量分解結果加入自己測試數據中的功能；確保共享的數據在用戶的個人測試數據中可以方便查看，但不允許對其進行修改或刪除。

通過以上功能，基于物聯網的非侵入式電量分解系統可以滿足用戶的基本需求，包括登錄注冊、電量分解、實時數據展示、結果管理和測試數據共享等方面，這樣的系統設計有助于提高用戶體驗和系統的實用性。

3. 系統總體設計

該負荷監測分解系統通過獲取電量數據，經過負荷分解模塊的處理，將總用電量分解為各個用電設備的耗電數據。用戶可以靈活選擇，以清晰的圖表形式查看電量分解結果，更好地了解家庭或設備的電力使用情況。

該負荷監測分解系統的主要功能包括以下步驟：

（1）電量數據獲?。合到y通過合適的傳感器或電表等設備，實時或定期獲取家庭或設備的總電量數據，可以是實時數據或歷史數據，具體取決于用戶的需求和系統的配置。

（2）負荷分解模塊：系統使用負荷分解模塊，通過先進的算法和模型，將總用電量分解為各個用電設備的耗電數據。這包括對電壓、電流等信號的分析，以確定每個電器在特定時刻的能耗。

（3）用戶選擇電量展示方式：用戶可以選擇將電量按照一段時間內各個電器的總用電量進行展示，也可以選擇按照每個電器每個采樣點的分用電量展示，這種靈活性允許用戶按照實際需求查看電量分解結果。

（4）前端圖表展示：系統采用Web前端圖表工具如Echarts[7]，通過可視化方式展示電量分解的結果，包括生成折線圖、柱狀圖等，直觀地呈現每個電器的用電情況，使用戶能夠輕松理解和分析數據。

該負荷監測分解系統整體分為四個主要模塊。

（1）登錄模塊：

a.用戶注冊：允許新用戶進行注冊，獲取系統的使用權。在注冊模塊中，用戶需要提供必要的信息并創建賬號。

b.用戶登錄：已注冊的用戶可以通過賬號和密碼進行登錄。登錄后，系統會驗證用戶身份并提供相應的權限。

（2）數據導入模塊：

a.靜態數據導入：允許用戶導入靜態電量數據，可以是歷史電量數據或特定時間段內的電量數據，這可以通過文件上傳或手動輸入的方式完成。

b.動態數據導入：允許實時或定期導入動態電量數據，以確保系統可以及時反映最新的電量使用情況。

（3）管理模塊：：

a.分解結果管理：用戶可以管理系統生成的電量分解結果，包括查看、刪除自己創建的分解結果，確保結果的完備性和可控性。

b.分解處理：包括對電量數據進行負荷分解的處理過程，這可能涉及算法的選擇、參數的配置等。

（4）顯示模塊：

a.動態數據顯示：提供實時或定期采集的電量數據的動態展示，用戶可以通過圖表等方式觀察每個電器在不同時間點的用電情況。

b.靜態數據顯示：提供導入的靜態電量數據的展示，用戶可以查看歷史電量使用情況，分析特定時間段內的用電特征。

基于上述設計原則，系統的結構圖如圖1所示。系統通過數據導入模塊接收靜態和動態數據，將其傳遞至電量分解處理程序，隨后將分解后的數據存儲于數據庫中。最終，通過Web界面，根據具體的數據情況展示動態或靜態結果。

從數據輸入模塊獲取數據后，電量分解具體流程如圖2所示。該文件在服務器上獲取用戶的數據集，并截取所需時間段的未處理數據。在開始數據分解時，由于數據量小于滑動窗口尺寸，需要進行零值填充操作。具體而言，會在原始數據的開始位置之前通過零值進行擴充，將數據長度擴充至滑動窗口大小。隨后，擴充后的數據被送入神經網絡進行推測分解。同樣，在分解這段數據的最后部分，需要在原始數據結束位置之后進行零值填充操作，使數據長度達到滑動窗口尺寸。特征匹配識別函數隨后運行。此后，每獲取一個數據點，滑動窗口向后移動一位，進行相同的操作。

當補齊指定個數據點后，系統使用長短期記憶網絡（LSTM）或卷積神經網絡（CNN）正常分解原始數據，并將得到的點信息作為該時刻的結果，上傳到數據庫，這樣完成了非侵入式負荷分解。顯示模塊的動態數據實際效果如圖3所示。

結語

在當代社會，隨著經濟的迅速發展和人們對能源節約的意識不斷提高，人們對電量使用情況的了解需求也日益增加。然而，傳統的侵入式負荷監測方法由于需要大量設備、復雜的數據收集過程以及昂貴的成本，使得人們對非侵入式負荷監測的需求變得更為緊迫。為解決這一問題，本文介紹了基于物聯網的非侵入式負載監測的發展背景和概念，討論了其與傳統方式的區別。同時，設計并實現了一個基于物聯網的負荷監測分解系統，該系統能夠通過用戶提供的動態數據或靜態數據集，利用神經網絡算法模型對數據進行分解，生成詳細的用電量情況，包括時間、設備和功率等多個方面的信息。

參考文獻：

[1]程祥，李林芝，吳浩，等.非侵入式負荷監測與分解研究綜述[J].電網技術，2016，40（10）： 3108-3117.

[2]雷怡琴，孫兆龍，葉志浩，等.電力系統負荷非侵入式監測方法研究[J].電工技術學報，2021，36（11）：2288-2297.

[3]Hart G W.Nonintrusive appliance load monitoring[J].Proceedings of the IEEE，1992，80（12）：1870-1891.

[4]Sense Energy Monitor.Sense Energy Monitor Homepage[EB/OL].[2023-12-28].https：//sense.com/.

[5]EcoisMe.EcoisMe Homepage[EB/OL].[2023-12-28].https：//ecois.me/.

[6]Bidgely.Bidgely Homepage[EB/OL].[2023-12-28].https：//www.bidgely.com/.

[7]Apache Software Foundation.Apache ECharts is a free，powerful charting and visualization library offering an easy way of adding intuitive，interactive，and highly customizable charts to your commercial products[EB/OL].（2023-03-01）[2023-12-28].https：//echarts.apache.org.

作者簡介：張軒，博士研究生，工程師，研究方向：物聯網。