張 輝，張 慧

（安徽師范大學(xué)皖江學(xué)院 電子工程系，安徽 蕪湖 241000）

目前，居民家中多裝有采集電功率和電壓的傳感器，但只能監(jiān)測用戶電力能耗，在整體的管理和分類上具有準(zhǔn)確性差、智能化程度低、系統(tǒng)化管理難等缺點(diǎn)[1]。因此，需要設(shè)計(jì)一款家用電器節(jié)能監(jiān)測系統(tǒng)，在達(dá)到基本的電能監(jiān)測的同時，還能準(zhǔn)確地對用電器進(jìn)行種類識別，長時間工作下進(jìn)行節(jié)能提醒，便于用戶調(diào)整和管理，避免電能的過多消耗。

本系統(tǒng)的設(shè)計(jì)針對居民用電的問題，不但可以在不影響原始電路和居民住宅結(jié)構(gòu)的情況下監(jiān)測戶內(nèi)電力能耗情況，還可以精準(zhǔn)判定用電器類型，提醒用戶節(jié)能用電。系統(tǒng)整體結(jié)構(gòu)精簡安全，易于移植，便于配置和使用，適合推廣到居民日常生活中使用。

1 相關(guān)概念及系統(tǒng)設(shè)計(jì)

目前對電器的用電量監(jiān)測一般有以下兩種方案：第一種是基于無線傳輸系統(tǒng)的電網(wǎng)檢測，但考慮到成本問題，并不適合投入到日常生活中。第二種就是采用PLC電力線通信，這種方法不僅成本低且傳輸數(shù)據(jù)快。由于電力網(wǎng)大多由非屏蔽線構(gòu)成，在數(shù)據(jù)傳輸?shù)耐瑫r也會帶來電磁輻射，因此，家用電器也會產(chǎn)生電磁波干擾正常通信，造成很多人為無法預(yù)判的錯誤[2]。

國內(nèi)近幾年多采用非侵入式電力負(fù)荷監(jiān)測。即在電力接口處安裝檢測設(shè)備，來獲取相應(yīng)的電器特征量，從而知道電力系統(tǒng)內(nèi)部運(yùn)轉(zhuǎn)情況，而無需接入電力系統(tǒng)內(nèi)部獲取參量。這種方式下，既可以維護(hù)居民的隱私權(quán)，也可以減少在檢測設(shè)備上花費(fèi)大量金錢。目前家用典型負(fù)荷特征分析和分類問題，多采用決策樹算法對其進(jìn)行分析，對單一功率因數(shù)數(shù)據(jù)進(jìn)行了驗(yàn)證，但決策樹在訓(xùn)練數(shù)據(jù)中存在噪音數(shù)據(jù)干擾，容易導(dǎo)致過擬合[3]。

本系統(tǒng)的結(jié)構(gòu)設(shè)計(jì)包含兩個部分，用電器節(jié)能監(jiān)控硬件模塊和用電器節(jié)能預(yù)警軟件模塊。監(jiān)控模塊實(shí)現(xiàn)對用電器總體運(yùn)行狀態(tài)（電壓、電流、功率、功率因數(shù)等）的監(jiān)測采集，并將數(shù)據(jù)通過串口發(fā)送給預(yù)警模塊。預(yù)警模塊在收到數(shù)據(jù)后進(jìn)行分析判斷、類型識別和事件預(yù)警，并將數(shù)據(jù)顯示在設(shè)備上。以提醒用戶及時關(guān)閉無需工作的電器，避免用電事故和資源浪費(fèi)等情況的發(fā)生，系統(tǒng)基本結(jié)構(gòu)如圖1所示。

圖1 系統(tǒng)基本結(jié)構(gòu)圖

2 用電器節(jié)能監(jiān)控硬件模塊

2.1 設(shè)計(jì)概述

用電器節(jié)能監(jiān)控模塊以STM32F103ZET6作為主控模塊，其它結(jié)構(gòu)由數(shù)據(jù)采集裝置、WIFI模塊和TFT彩屏顯示模塊構(gòu)成。設(shè)備系統(tǒng)結(jié)構(gòu)如圖2所示。主控模塊作為本設(shè)計(jì)的控制中心，利用互感裝置把大電壓、大電流轉(zhuǎn)化成小電壓、小電流傳送到數(shù)據(jù)采集模塊，再由數(shù)據(jù)采集模塊實(shí)時測量電壓、電流、功率等參數(shù)，并對信息進(jìn)行數(shù)據(jù)轉(zhuǎn)換再傳輸?shù)娇刂浦行?，最后由控制中心通過串口與PC端進(jìn)行數(shù)據(jù)交換，接收數(shù)據(jù)結(jié)果，并在TFT彩屏實(shí)時顯示。

圖2 用電器節(jié)能監(jiān)控模塊結(jié)構(gòu)框圖

2.2 硬件選擇

2.2.1 數(shù)據(jù)采集裝置 區(qū)分用電器類型的關(guān)鍵在于對用電器的各項(xiàng)參數(shù)的處理，捕捉到每項(xiàng)參數(shù)，并識別到特征數(shù)據(jù)，將使分類工作事半功倍。家電電壓參數(shù)并無較大不同，皆為市電，因此該特征參量不具有標(biāo)志性[4]。電流對于不同用電器可以作為一個很好的區(qū)分點(diǎn)，用電器的工作狀態(tài)直接可以從電流中看出來，能很好的區(qū)分出大小功率用電器。而功率因素則是將感性負(fù)載和阻性負(fù)載區(qū)分的關(guān)鍵值。居民生活中最常用的LED燈泡、充電器、風(fēng)扇等屬于感性負(fù)載，其功率因數(shù)多在0.4到0.9之間，并不會趨近1。而阻性負(fù)載多為發(fā)熱型電器，如電磁爐、水壺等，其功率因數(shù)一般趨近甚至等于1。因此功率因數(shù)是區(qū)分這兩類用電器的關(guān)鍵。因此為實(shí)時精準(zhǔn)測量有功功率、交流電流、電壓、累計(jì)電量、頻率、功率因素等參數(shù)，該裝置采用ADS118模數(shù)轉(zhuǎn)換器和電能采集模塊組合使用。SUI-101A裝置接線圖如圖3所示。產(chǎn)品采用全隔離采集方案，來達(dá)到高低壓完全隔離的效果。具有極強(qiáng)的穩(wěn)定性和安全性。因此采用該模塊作為該模塊的數(shù)據(jù)采集裝置一部分。

圖3 SUI-101A接線示意圖

ADS118是一個具有高精度、低功耗特點(diǎn)的16位模數(shù)轉(zhuǎn)換器，它與可編程增益放大器、振蕩器、高精度溫度傳感器和電壓基準(zhǔn)集成于一體。這些功能以及它較寬的電源電壓范圍（2v-5.5v），使其適合受有限空間影響的傳感器，因此作為數(shù)據(jù)采集裝置。裝置原理圖如圖4所示。

圖4 ADS118原理圖

SUI-101A和ADS118協(xié)同對電壓電流進(jìn)行轉(zhuǎn)換，主控模塊通過串行協(xié)議同SUI-101A電能計(jì)量模塊進(jìn)行通訊，同時主控模塊與TFT彩屏連接，可以在彩屏上實(shí)時顯示各類電參數(shù)。

2.2.2 主控模塊 為對數(shù)據(jù)采集裝置的數(shù)據(jù)實(shí)現(xiàn)高效處理，同時又易于開發(fā)，該裝置的主控模塊選用了STM32F103ZET6。STM32F1系列外設(shè)資源豐富，而且還能在低功耗、低壓的狀況下保持著高性能，使用成本較低，結(jié)構(gòu)精簡可靠，開發(fā)環(huán)境高度集成。

該模塊將數(shù)據(jù)采集裝置傳輸?shù)臄?shù)據(jù)通過串口交由PC端處理，并將返回的結(jié)果展示到TFT彩屏和移動端。

2.2.3 串口調(diào)試模塊 為方便參數(shù)的查看，并對設(shè)備進(jìn)行調(diào)試。主控模塊和外設(shè)模塊都集成有USART接口。由于SUI-101通信接口采用3.3VTTL異步串行接口，同時兼容5V的TTL接口，可以直接和主控模塊交換數(shù)據(jù)。

2.2.4 TFT彩屏顯示 顯示模塊采用7寸RGB屏幕。該裝置將存儲的內(nèi)容展示到LCD面板上，屏幕顯示模式的設(shè)置則可以通過直接控制驅(qū)動IC，發(fā)送相對應(yīng)的操作命令，再由收到的指令去對屏幕顯示模式進(jìn)行更改，圖5為基本驅(qū)動流程。

圖5 LCD驅(qū)動流程

2.2.5 WIFI通信模塊 WIFI通信模塊承擔(dān)著主控模塊和移動端通信的職責(zé)，二者的數(shù)據(jù)交換由WIFI模塊來完成。為了保證在連接斷開后不僅能夠恢復(fù)連接，還能夠在無人為操作的情況下匹配到上一次連接過的熱點(diǎn)，最終選用了ESP8266芯片。

2.2.6 通信協(xié)議——MODBUS 數(shù)據(jù)采集裝置和主控模塊間采用MODBUS傳輸協(xié)議。用戶可以自主選擇對應(yīng)合適的模式，也可以設(shè)置串口通信的參數(shù)。同時，為了讓通信能夠不受干擾，在控制器的配置上，需要保證該網(wǎng)絡(luò)協(xié)議上全部裝置的串口參數(shù)設(shè)置和傳輸方式都需要一致。

3 用電器節(jié)能預(yù)警軟件模塊

3.1 設(shè)計(jì)概述

該部分主要功能是接收用電器監(jiān)控模塊發(fā)來的數(shù)據(jù)，隨后通過KNN算法對用電器進(jìn)行分析判斷、類型識別和事件預(yù)警功能，將所得結(jié)果通過WIFI傳回監(jiān)控設(shè)備，同時上傳到移動端以提醒用戶及時關(guān)閉無需工作的電器。

3.2 KNN

實(shí)例數(shù)據(jù)對每個數(shù)據(jù)的類別設(shè)置對應(yīng)的標(biāo)簽，當(dāng)用戶輸入不曾設(shè)置標(biāo)簽的新數(shù)據(jù)時，它會對輸入的新數(shù)據(jù)中的特征和實(shí)例數(shù)據(jù)集中的已有實(shí)例進(jìn)行比對，通過算法獲得和實(shí)例數(shù)據(jù)集中的數(shù)據(jù)最接近的那個標(biāo)簽。在數(shù)據(jù)選擇上，我們選擇和實(shí)例數(shù)據(jù)集中最相似的K個值（K不大于20），再根據(jù)多數(shù)表決原則，用戶輸入數(shù)據(jù)所對應(yīng)的類別就是在K個數(shù)據(jù)中頻次最高的那個類別[5]。

KNN算法的關(guān)鍵是以用戶輸入數(shù)據(jù)和實(shí)例數(shù)據(jù)間的距離，作為各個對象之間的非相似性指標(biāo)[6]。在KNN算法中距離一般使用歐氏距離（1）：

3.3 識別系統(tǒng)構(gòu)建

在該階段主要任務(wù)是完成對在用電器的判別和分類，同時將結(jié)果返回給控制中心，由控制中心再判別是否發(fā)出節(jié)能警告。接下來將介紹識別系統(tǒng)的構(gòu)建流程：

（1）訓(xùn)練數(shù)據(jù)集。從電能監(jiān)測模塊得到了電壓、電流、功率等參數(shù)，整理出了每個數(shù)據(jù)和所屬分類的對應(yīng)關(guān)系，表1是數(shù)據(jù)集（部分）。

表1 數(shù)據(jù)集（部分）

（2）根據(jù)計(jì)算公式計(jì)算特征量與訓(xùn)練數(shù)據(jù)之間的歐式距離；

（3）對樣本和輸入數(shù)據(jù)的距離關(guān)系進(jìn)行排序，獲得距離最小的K個樣本標(biāo)簽；

（4）確定前K個樣本用電器類別的出現(xiàn)頻率；

（5）返回前K個樣本中頻率出現(xiàn)最高次的類別作為用電器種類的預(yù)測分類。

根據(jù)如下所示的多數(shù)投票的原理決定用電器x 所屬的類別 y（2），式（3）中 I為指示函數(shù)：

（6）測試分類器的正確率。在數(shù)據(jù)選擇上，為了實(shí)現(xiàn)隨機(jī)性，需要選擇20%數(shù)據(jù)作為驗(yàn)證集。

4 裝置測試與分析

4.1 初步測試

通過組合不同種類型電器，進(jìn)行分類實(shí)驗(yàn)。用電器工作參量可視化如圖6、圖7、圖8所示。在經(jīng)過大量實(shí)驗(yàn)和數(shù)據(jù)記錄下，驗(yàn)證了該設(shè)備已經(jīng)有較高的分類準(zhǔn)確率。在單個用電器的識別上，無論是大功率電磁爐，還是小功率燈泡，準(zhǔn)確率較高。對大功率組合用電器分類準(zhǔn)確率可達(dá)91%。但對于大功率組合小功率用電器，如電磁分類正確率能達(dá)到86%。

圖6 用電器功率（W）對照圖

圖7 用電器功率因素（10^-3）對照圖

圖8 用電器電流（mA）對照圖

由初步的結(jié)果可以看出，模型得出的結(jié)果不夠理想，為此我們需要對模型進(jìn)行優(yōu)化，以獲得更高的識別準(zhǔn)確度。

4.2 模型優(yōu)化與對比實(shí)驗(yàn)

方法一：模型調(diào)參

在KNN模型中有很多的參數(shù)，由于在之前的模型中使用默認(rèn)參數(shù)，導(dǎo)致得到的結(jié)果不能達(dá)到最理想化程度，所以需要對模型進(jìn)行調(diào)參。在KNN算法中有幾個較為重要的參數(shù)，分別是algorithm、neighbors、weights、P[7]。

參數(shù)的選擇對獲取一個好的模型起著關(guān)鍵作用。algorithm就是選取適當(dāng)?shù)膮?shù)去搜索最鄰近的K個點(diǎn)，在建立KNN模型的時候，通常供選擇的有三種方法：brute（暴力搜索）、kd_tree（KD樹）和ball_tree（球樹）。為了使用戶快速高效地選取出最合適的參數(shù)，系統(tǒng)一般會自動選擇三種里速度最快的。Neighbors決定了要選擇最近多少點(diǎn)。距離權(quán)重weights按是否考慮距離權(quán)重，分成兩類，uniform和distance。P值是明可斯基距離（4）的參數(shù)，采用的是歐拉距離，即P=2時的明可斯基距離。

添加參數(shù)后，為快速獲得最優(yōu)參數(shù)組合，它將各項(xiàng)參數(shù)依次匹配，放在模型中運(yùn)行，依次循環(huán)直到完成所有的參數(shù)組合，最終返回最優(yōu)解。表2為參數(shù)改進(jìn)前后用電器分類情況（部分）。

表2 參數(shù)改進(jìn)前后用電器分類情況（部分）

方法二：數(shù)據(jù)歸一化

由于KNN模型就是依靠樣本點(diǎn)之間的距離來分類的，所以距離對模型的分類效果很重要。過大的數(shù)字差值，將會對計(jì)算結(jié)果造成很大影響。即在用電器屬性中電流的影響將遠(yuǎn)超于其他特征量對結(jié)果的影響。而造成這種現(xiàn)象的原因就是電流值差值遠(yuǎn)超其他特征量。作為四個等權(quán)重的特征量之一，為減小電流對計(jì)算結(jié)果的嚴(yán)重影響。可以采取將數(shù)值歸一化的辦法，即將電流數(shù)值的取值范圍設(shè)定在0到1或者-1到1之間?？梢詫⑷我馊≈捣秶碾娏髦底兓癁?到1范圍內(nèi)的值：

公式中min和max指的是數(shù)據(jù)集中最小特征值和最大特征值。盡管改變特征量的取值范圍可能會增加分類器的復(fù)雜程度，但為了使得結(jié)果更加貼近實(shí)際情況，避免干擾因素，最終采取了此方法。表3為進(jìn)行數(shù)據(jù)歸一化前后用電器分類情況（部分）。

表3 數(shù)據(jù)歸一化前后用電器分類情況（部分）

方法三：K—CV折疊交叉驗(yàn)證

僅對參數(shù)進(jìn)行設(shè)置和對某些屬性采取數(shù)據(jù)歸一化，可以得到較好的準(zhǔn)確率，但不能保證有一個好的測試率[8]。常用的方法是使用交叉驗(yàn)證模型好壞。改進(jìn)前的模型采用了交叉驗(yàn)證，但該方法得到的驗(yàn)證結(jié)果的準(zhǔn)確率和原數(shù)據(jù)的分組密切相關(guān)，即由于訓(xùn)練集樣本不夠，無法代表全體樣本分布特性，因此得到的結(jié)果及準(zhǔn)確率不具有可信度。因此采用K折疊交叉驗(yàn)證法來評估模型的實(shí)際情況。

通過多次對參數(shù)調(diào)整和模型評估，得到了最佳模型，表4是模型改進(jìn)前后用電器分類準(zhǔn)確率（部分）。

表4 模型改進(jìn)前后用電器分類準(zhǔn)確率（部分）

4.3 裝置測試與結(jié)果分析

在對參數(shù)設(shè)置最佳值的同時將電流數(shù)值歸一化，經(jīng)過K-CV折疊交叉驗(yàn)證法建立了最優(yōu)模型，再對分類結(jié)果進(jìn)行驗(yàn)證。在單個用電器的識別上，無論是小功率電器，還是大功率電器，平均準(zhǔn)確率可達(dá)96.4%。對于大功率組合小功率用電器，如電磁爐組合小燈泡類型，算法改進(jìn)后分類正確率也得到較高改善，能達(dá)到95.6%的準(zhǔn)確率。對大功率組合類用電器分類準(zhǔn)確率可達(dá)97.3%。用電器平均準(zhǔn)確率在改進(jìn)模型后達(dá)到96.4%。表5是模型改進(jìn)前后平均準(zhǔn)確率對比。

表5 模型改進(jìn)前后平均準(zhǔn)確率

5 結(jié)語

該系統(tǒng)主要由用電器數(shù)據(jù)采集硬件模塊和用電器數(shù)據(jù)解析軟件模塊組成，所采用的硬件平臺性能優(yōu)異、穩(wěn)定性高。軟件部分復(fù)雜度低、準(zhǔn)確度高，且便于安裝和操作。無論是對單個用電器，還是多種組合類用電器，都有很高的分類準(zhǔn)確率。實(shí)驗(yàn)結(jié)果證明，該系統(tǒng)針對各類用電器的平均分類準(zhǔn)確率能達(dá)到96.4%以上。