0 引言

    電能是現代生產生活中應用最廣泛、最重要的能源之一。在電能計量方面，傳統的“一戶一表”方式是由電力部門抄取電能表并給出當月耗電度數，其弊端在于用戶無法獲知具體某用電器在某時間段內的耗電情況?？梢哉f，用戶對負荷集的動態實時運行信息的掌握還相當匱乏。為解決此問題，傳統的侵入式監測方式在每個待測負荷上加裝功率測量硬件，“一對一”地監測負荷運行信息，缺點是需要破壞負荷原有的供電電路，在安裝、維護上將耗費大量的人力物力^[1]。

    非侵入式負荷監測系統(Non-intrusive Load Monitoring System，NILMS)是在電力供給入口處安裝功率測量硬件，無需破壞負荷硬件結構，可以“一對多”地監控負荷運轉狀態^[2]。但由于缺乏當前所接入負荷的種類先驗信息，故隨之而來的是負荷種類識別的問題。對此，國內外眾多學者進行了相關研究，尤其是借助神經網絡進行負荷識別^[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神經網絡實現負荷識別^[6]；Jiang Lei等以負荷電流諧波作為特征量，利用SVM方法進行負荷分類^[7]。

    本文從工程應用的角度出發，設計了一種軟硬件兼備的非侵入式監測與識別系統。設計了電源管理電路、功率計量電路等，通過Wi-Fi向云服務器上傳負荷的實時功率信息，云服務器可以根據預先訓練好的分類器識別當前負荷種類，實現負荷的分類計量；提出利用主成份分析法(PCA)對負荷的特征量進行降維提取，利用k最近鄰(kNN)算法識別用電器種類。與傳統技術相比，本系統能夠以非侵入方式采集負荷功率信息，減少安裝和維護的工作量；借助云服務器識別負荷、分析運行狀態，可以遠程控制負荷開關，從而指導用戶合理規劃用電，實現節能減排；及時排除故障，保障人身安全，減少財產損失，是智能電網發展的必然趨勢。

1 系統結構

    非侵入式負荷監測與識別系統由分布式硬件節點、路由器、云服務器和智能終端組成，如圖1所示。其中，分布式硬件節點布設在各電力供給入口處采集負荷的功率信息，每個節點上都帶有Wi-Fi芯片用于連接路由器；路由器將各節點的功率信息通過因特網轉發至云服務器；云服務器上保存有各個節點上不同負荷的歷史耗電記錄，并根據訓練好的分類器識別當前運轉的負載，同時向用戶提供訪問接口；用戶可以通過智能終端聯網查看各電力供給入口的負荷運行狀態，發送電路控制指令。

    如圖2所示，硬件節點是一個完整的功率測量系統。當負荷接入電力供給入口時，功率計量電路采集負荷的電壓、電流有效值并轉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數；MCU獲得脈沖頻率后，解算出功率值并通過Wi-Fi發送到云服務器。另外，當硬件節點收到由云服務器傳來的控制指令時，由MCU控制繼電器通斷。

2 硬件節點端電路設計

2.1 電源管理電路

    自激隔離式開關電源用于給光耦、CPLD、MCU、繼電器和Wi-Fi芯片供電，如圖3所示。其中，單相工頻市電經半波整流后加到三極管Q2上，Q2起到開關的作用。當Q2微導通時，變壓器初級繞組L1和L2將產生相反方向的感應電動勢；當Q2處于飽和狀態時，L1中電流近似線性增加，L2中產生的穩定電動勢給電容C2充電；當Q2處于截止狀態時，L1和L2中的感應電動勢極性反轉，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進行穩壓濾波。

    圖4所示電路可以提供5 V、200 mA的非隔離式電源，用于給功率計量芯片HLW8012供電。MP150是一款原邊整流器，可以實現精確的恒壓調節功能。單相工頻市電經整流、濾波和穩壓后獲得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。弱電區通過自激隔離式電源供電，強電區通過非隔離式電源供電，避免了220 V交流電竄入弱電區，增加系統的可靠性。

2.2 功率計量電路

    負荷的實時用功功率計量電路如圖5所示，HLW8012是一款單相功率計量芯片，滿足50/60 Hz IEC 687/1036準確度要求標準。L_Relay為經過繼電器的火線，N為零線。通過在負荷回路中串聯2 mΩ的康銅電阻RS采樣工作電流，通過電阻網絡R5~R9采集工作電壓。將采樣電壓經壓頻轉換后，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字邏輯電路，其中，標準信號為50 MHz晶振信號，閘門信號設置為寬度為1 s的脈沖，D觸發器捕獲到待測信號的邊沿時，閘門信號才會被鎖存到輸出端，32位標準信號計數器和待測信號計數器同時被使能并開始計數，故待測信號計數器不會出現±1個計數值的誤差。1 s計數結束后，D觸發器鎖存閘門信號的下降沿，同時讀取計數器數值，并通過式(1)計算待測信號的頻率fdc，bz_count[31..0]和dc_count[31..0]分別存儲了閘門時間內標準信號和待測信號的上升沿個數。

    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的基準電壓源。實測出輸出頻率后，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量電路輸出的高頻脈沖轉換為3.3 V電平標準的數字脈沖并與強電區域隔離，隔離后的脈沖由CPLD計數。如圖7所示，HCPL-0630是雙通道光耦芯片，開關速度可達到10 Mb/s。來自HLW8012的高頻脈沖CF和CF1連接鋁砷化鎵發光二極管的陰極，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。當二極管發光時，右側三極管導通，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

    系統通過圖8所示的Wi-Fi電路與云服務器實現TCP/IP通信。云服務器收到終端發出的控制指令后，將指令按硬件編號轉發到各節點上。節點通過Wi-Fi電路接收到開關指令，通過圖9所示的繼電器電路控制負荷與電力入口連通或斷開。R_IO由MCU控制其電平狀態，繼電器RY1串聯在三極管Q0的集電極，當R_IO為低電平時，三極管Q0截止，繼電器處于常開狀態；當R_IO置高時，三極管Q0導通，繼電器吸合。

3 云服務器端數據處理方法

3.1 基于PCA的特征提取與降維

    對于一個電力供給入口來說，總存在若干個經常接入使用的電負荷，既然系統已經能夠獲取負荷隨時間變化的功率值，那么在已知“功率-時間”波形圖的基礎上，可以對波形圖進行特征提取和降維，得到一組可以鑒別負荷種類的特征向量。具體方法為：采集n類負荷在1 min內的功率數據作為訓練樣本，提取功率值序列的平均數、中位數、眾數、方差、極差、峰度、偏度、四分位差、正斜率均值和負斜率均值等共10種基本統量，得到n類負荷的樣本數據矩陣x_n×10。其中，正、負斜率均值分別指將離散功率值序列作差分運算后的正數集的平均數和負數集的平均數?？紤]到特征量維數較多且相互之間具有一定的相關性，采用主成分分析(Principal Components Analysis，PCA)，通過正交變換將基本統計量降維成相互獨立的綜合指標^[8]。

3.2 基于kNN的負荷分類

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

4 采集端和云端流程圖

    采集端MCU的程序流程如圖10所示。首先初始化時鐘、串口、定時器等片內外設。再通過AirKiss協議配置Wi-Fi模塊所接入無線網的SSID和密碼，成功連接路由器后被分配IP地址。接著，CPLD對功率計量電路產生的高頻脈沖計數，MCU讀取CPLD的計數值，并根據式(2)解算出負荷功率值。采集端在與服務器進行通信的過程中，一方面向服務器傳遞實時功率信息，另一方面接收服務器下達的開關指令，從而控制繼電器通斷。

    云服務器端程序流程如圖11所示，首先通過TCP/IP協議接收負荷的編號與功率信息，再利用PCA對1 min內的功率值序列進行特征提取與降維，接著通過kNN分類實現負荷識別。云端既可以轉發客戶端提出的關斷請求，也可以根據異常的功率值判斷電路故障，從而自主地下達關斷指令。 

5 實驗

    將本系統安裝于室內墻壁插座內，選擇手機充電器、平板充電器、臺燈、筆記本電腦、電風扇、洗衣機、電吹風機和電水壺共8類常用家用電器作為實驗負荷。配置硬件Wi-Fi模塊接入家庭路由器，建立其與云服務器的通信。

    (1)分別對處于正常運行狀態的8類實驗負荷采集60 s的有功功率數據，圖12所示為各負荷的“功率-時間”變化圖，可以看出8類負荷有著不同的波形特征。

    (2)為了定量分析8類實驗負荷的波形特征，對步驟(1)所采集的有功功率值序列求取3.1節所述的10種基本統計量。

    (3)為了消除10種基本統計量的相關性，降低特征維度，利用式(3)～式(5)進行主成分變換。結果如表1所示，取前3個主成分，可以獲得99.83%的累積貢獻率，說明前3個主成分包含了原指標的99.83%的信息，且相互獨立。

    (4)利用3.2節所述的分類方法，以步驟(3)所求得的主成分作為歐式維度，計算待識別樣本到其他訓練樣本之間的歐式距離，并利用kNN算法進行歸類。識別準確率如表2所示，可以看出，平板充電器、臺燈和筆記本3類負荷均有未識別出的次數，是因為這三者的功率平均數較為相似，且平板充電器和筆記本充電器的充電電流與環境溫度及是否正在使用等因素有關。整體看來，平均識別準確率達到98.75%。

6 結束語

    NILMS通過在電力入口處布設硬件節點，實現了“一個入口，多種負荷”的監測系統。這對于電力系統而言，不僅降低了安裝維護的費用，更簡化了監控系統，便于管理，但與之同來的是負荷種類識別的高效性與準確性問題。本文主要完成了兩項工作：(1)設計并研制出非侵入式負荷功率采集裝置，全天候地向云服務器上傳負荷功率信息，并對強電區域和弱電區域進行電氣隔離，增加硬件節點的可靠性；(2)借助云服務器平臺實現負荷種類識別功能，預先通過PCA對常用負荷的功率值序列進行訓練，達到特征提取與降維的目的，再利用kNN對待識別樣本進行歸類，經多次實驗，顯示負荷識別率可以達到98%以上?？傮w而言，本系統具有非侵入式測量和網絡遠程控制的特點，又借助云服務器識別負荷、分析運行狀態，從而指導用戶合理規劃用電，實現節能減排，并及時排除故障，是智能電網發展的必然趨勢。

參考文獻

[1] 劉然.結合改進最近鄰法與支持向量機的住宅用電負荷識別研究[D].重慶：重慶大學，2014.

[2] 牛盧璐，賈宏杰.一種適用于非侵入式負荷監測的暫態事件檢測算法[J].電力系統自動化，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神經網絡在非侵入式負荷分解中的應用[J].電力系統保護與控制，2016，44(7)：55-61.

[6] 鄭宇.神經網絡在學生公寓用電負荷識別中的應用研究[D].重慶：重慶大學，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.基于暫態特征貼近度匹配的家用負荷識別[J].電力系統自動化，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].電子學報，2002，30(5)：745-748.

作者信息:

陳彭鑫1，仲思東1，2

（1.武漢大學 電子信息學院，湖北 武漢430079；2.武漢大學 測繪遙感信息工程國家重點實驗室，湖北 武漢430079）