基于變權(quán)歐氏距離的學(xué)習(xí)型智能插座設(shè)計

蘇詩薦，章杰，程樹英，林培杰，陳志聰，戴曼娜，黃少輝

(福州大學(xué)微納器件與太陽能電池研究所，福建福州 350116)

0 引言

隨著全球資源緊張局勢日益加重，節(jié)能減排成為各國研究的熱點，對于家庭用電一般有兩種節(jié)能措施:①實時反饋機制，調(diào)查顯示實時反饋電能消耗量能節(jié)約10%～30%的電能［1］;②消除電器待機功耗，待機功耗造成不必要的電能浪費，還會影響電器的使用壽命．

針對節(jié)能措施一，文獻(xiàn)［2－3］提出一種基于智能插座的智能節(jié)能系統(tǒng)，能統(tǒng)計出每個插座上電能的消耗量．A Hashizume［1］等通過綁定智能插座和電器，實現(xiàn)對各個電器用電量的統(tǒng)計，并提供多種圖表顯示方式．針對節(jié)能措施二，紐曼、萊克斯特等公司采用設(shè)定一個待機閾值的方式，推出一種可消除待機功耗的節(jié)能插座．J Han等［4］結(jié)合該類節(jié)能插座和 ZigBee技術(shù)實現(xiàn)一個更高效的家庭能源管理系統(tǒng)(HEMS)．

以上研究還存在如下2個問題:①不能很好實現(xiàn)對各個電器用電量的統(tǒng)計，A Hashizume提出的方案必須提前綁定智能插座和電器，當(dāng)更換電器則需要再次綁定，靈活性和可用性差;②節(jié)能插座通過設(shè)定一個待機功率閾值(一般為8 W)來實現(xiàn)電器待機功耗的消除，當(dāng)某個電器正常工作時的功率小于待機功率閾值，或是周期性工作的電器，如冰箱，則無法正常使用，因此簡單設(shè)定一個待機閾值在實際應(yīng)用中有一定的局限性．

針對以上不足，利用有限狀態(tài)機方式提取電器的特征值，參考并改進(jìn)李靜等［5］對電器識別的研究方法，采用變權(quán)歐氏距離實現(xiàn)對電器的識別，從而實現(xiàn)電器用電量的統(tǒng)計和電器待機功耗的消除．鑒于電器的多樣性，引入學(xué)習(xí)功能來增加插座的靈活性．

1 總體概述

該智能插座首先要構(gòu)建包含電器屬性和特征值的樣本庫，每個電器樣本包括電器屬性和電器特征值．電器屬性包括電器名稱、電能消耗量、上一匹配時刻、匹配次數(shù)、待機后插孔狀態(tài);電器特征值包括電器正常工作時有功功率和功率因素的最大值、最小值及平均值，還包括待機狀態(tài)時有功功率和功率因素的平均值．電器屬性中的電器名稱和電能消耗量字段可實現(xiàn)各個電器用電量的統(tǒng)計;上一匹配時刻和匹配次數(shù)字段作為剔除陳舊電器樣本的參數(shù);待機后插孔狀態(tài)字段提供電器進(jìn)入待機模式后的控制信息．以下簡要介紹各種功能的實現(xiàn)方法．

1)消除電器待機功耗功能實現(xiàn)．當(dāng)識別到某個電器進(jìn)入待機模式，則根據(jù)樣本庫中該電器的控制信息對插孔通斷進(jìn)行控制，從而達(dá)到消除電器待機功耗的目的．

2)電器用電量統(tǒng)計功能實現(xiàn)．獲取電器開機到關(guān)機單次使用過程中電能的消耗量，再累加和更新樣本庫中該電器的電能消耗量，使各個電器的耗能狀況像話費清單一樣提供給用戶．

3)學(xué)習(xí)功能實現(xiàn)．當(dāng)某個電器不在樣本庫中，自動激活學(xué)習(xí)模式，等待用戶觸發(fā)學(xué)習(xí)事件，在電器不同工作狀態(tài)下觸發(fā)學(xué)習(xí)事件，插座獲取當(dāng)前狀態(tài)所能獲得的值添加到樣本庫．對于使用默認(rèn)值處理的字段，如電器名稱，可通過訪問該智能插座的靜態(tài)網(wǎng)頁或通過服務(wù)器的后臺管理系統(tǒng)修改對應(yīng)字段值．

4)電器樣本遺忘處理．由于存儲器容量有限，為防止新學(xué)習(xí)和經(jīng)常使用的電器樣本被剔除，采用記憶原理處理陳舊的電器樣本．

2 電器特征值提取

現(xiàn)有的多功能電表，可以獲取電器的穩(wěn)態(tài)特征值和暫態(tài)波形，但該類電表成本高、體積大，無法嵌入到智能插座中，且嵌入式設(shè)備很難對波形進(jìn)行復(fù)雜的處理．因此該智能插座選擇RN8209G作為電能參數(shù)采集模塊的核心，可以獲取電器工作時的電壓U、電流I、電能E、有功功率P和功率因素cosφ等電能參數(shù)，具有低成本、體積小和高精度等特點．

視在功率S=UI、有功功率P、無功功率Q以及電壓與電流之間的相位差φ之間滿足功率三角關(guān)系，因此，選擇P和cosφ作為電器的主要特征值．根據(jù)以上兩個特征值，就能在二維平面上繪制電器位置點，從而區(qū)分不同電器，見圖1．

以上方法既簡單又能區(qū)分出大多數(shù)電器，對于部分電器其P和cosφ區(qū)別不大，不易正確區(qū)分出電器類型，但該類電器正常工作時其P和cosφ波動的幅度有可能不一樣，見圖2．

圖1 電器識別原理Fig．1 Principle of the electrical appliance identification

圖2 電器工作時特征值波形Fig．2 Waveform of the operating eigenvalues of three electrical appliances

為表征電器正常工作時特征值的波動特性，引入P的最小值、最大值，cosφ的最小值、最大值4個輔助特征量，當(dāng)使用主要特征量識別出不只一個電器時，再結(jié)合輔助特征量做進(jìn)一步的識別．從圖2中還可以看出，電腦主機關(guān)機后進(jìn)入待機模式，而臺燈、音箱關(guān)閉后則無待機功耗．為識別出電器的不同工作模式并提取出不同模式下的特征值，采用有限狀態(tài)機［6］(FSM)方式將電器連續(xù)的工作過程分解成離散的狀態(tài)過程，見圖3．

電器正常工作過程中，其特征值可能會發(fā)生波動，如電腦處理不同任務(wù)時、電視切換頻道時，因此除了要盡可能地記錄電器正常工作時的電器特性，還要避免將非正常值當(dāng)作主要特征值．在S2狀態(tài)下，采集一段時間內(nèi)電器的特征值集合，中值濾波后再從中提取出最大值和最小值作為輔助特征量，求出平均值作為主要特征量．如果電器無待機模式，則待機特征值中P和cosφ都置為默認(rèn)值．

圖3 電器工作過程狀態(tài)圖Fig．3 The operating electrical appliance state machine

3 電器識別算法

對電器特征值的處理方法有人工神經(jīng)網(wǎng)絡(luò)算法、負(fù)荷暫態(tài)分析法［7－9］等．人工網(wǎng)絡(luò)算法識別準(zhǔn)確率較高，但用電設(shè)備種類發(fā)生變化時，需要重新對電器樣本的學(xué)習(xí)和訓(xùn)練．負(fù)荷暫態(tài)分析法對特征值采集電路、存儲容量、計算能力要求高，不適合在嵌入式設(shè)備上實現(xiàn)．因此，采用變權(quán)歐氏距離從樣本庫中找出待測電器的類型．

假設(shè)有n個電器特征值樣本，每個電器有m個特征量，xi=(xi1，xi2，…，xim)，i=1，2，…，n，待測電器xL=(xL1，xL2，…，xLm)，則原始數(shù)據(jù)矩陣X=［x1，x2，… ，xn，xL］T．為了消除不同特征值間其物理量綱不同的影響，采用Z－score標(biāo)準(zhǔn)化法處理原始數(shù)據(jù)，見式(1)．

一般情況下，研究對象之間相似性的度量方法有兩種:相似系數(shù)和距離［10］，采用歐氏距離來度量對象之間的相似性．在傳統(tǒng)的歐式距離公式中，各個特征值的貢獻(xiàn)度都相同，但在電器特征值提取過程中，其輔助特征量的貢獻(xiàn)度與主要特征量是不同的，因此需要引入權(quán)值．假設(shè)各個特征值的權(quán)值為W=(w1，w2，…，wm)，且使得w1+w2+… +wm=1，則對象i和j之間的加權(quán)歐氏距離為:

相似系數(shù)與距離相反，則待測電器L與樣本庫中的電器i之間的相似性用相似系數(shù)可表示為:

式中:c值范圍為0～100%，當(dāng)c值越接近100%，說明兩個電器之間相似程度越大．因此，通過尋找最大相似度即可確定待測電器的類型．

4 遺忘處理

將生物記憶原理與實際工程相結(jié)合，可實現(xiàn)用戶使用習(xí)慣的保留和數(shù)據(jù)有效性的判定，如陸秋琴等［11］結(jié)合記憶原理與基本輸入法，使輸入法能實時調(diào)整詞匯順序;張建業(yè)等［12］在對多傳感器信息融合時，用限定記憶控制項來防止陳舊信息引起的數(shù)據(jù)飽和．本文將該原理應(yīng)用到智能插座中，在解決存儲器容量有限的同時，還能防止新學(xué)習(xí)和經(jīng)常使用的電器樣本被剔除．

長時記憶是短時記憶的迭代更新和自身的遺忘作用共同產(chǎn)生，采用長時記憶值來表示電器樣本記憶值的大小．在樣本庫中，對于使用頻率大、時間間隔短的電器樣本，其電器樣本記憶值大．

用Ms表示電器樣本的短時記憶值，N表示短時記憶的初始值，ε表示短時調(diào)整常量，t表示當(dāng)前時刻，t'表示匹配到該電器樣本的時刻，則短時記憶更新的數(shù)學(xué)模型為:

用ML(t)表示t時刻某電器樣本的長時記憶值，M表示長時記憶的初始值，η表示長時調(diào)整常量，t0為第一次匹配到該電器樣本的時刻，則長時記憶的數(shù)學(xué)模型為:

上式中，需要較多的存儲容量記錄每次電器樣本被匹配到的時刻t'(i)，假設(shè)每次使用電器的間隔時間一致，上一匹配時刻為t1，匹配次數(shù)為n，則上式可簡化為:

長時記憶值ML體現(xiàn)了該電器樣本的重要性，因此，當(dāng)樣本庫容量滿時，可選擇剔除長時記憶值最小的電器樣本．

5 系統(tǒng)測試

該插座的硬件組成及各個模塊的連接關(guān)系［13］見圖4．其中，存儲模塊可以存儲電器的樣本庫，還可以存儲靜態(tài)網(wǎng)頁源碼和插座的配置信息;電能采集模塊以RN8209G為核心，用于獲取電器工作時的P和cosφ等電能參數(shù);繼電器陣列用于控制插座上各個插孔的通斷，為實現(xiàn)遠(yuǎn)程控制和電器待機功耗消除提供硬件基礎(chǔ)．

圖4 智能插座模塊框圖Fig．4 Block diagram of the smart socket

5．1 電能參數(shù)采集測試

電能參數(shù)采集模塊所獲取參數(shù)的準(zhǔn)確性影響到電器識別的準(zhǔn)確性和系統(tǒng)的可用性．本測試選擇負(fù)載特性穩(wěn)定的電器，分別使用該插座和0．2精度等級的多功能電表PY194E進(jìn)行測量，見表1，結(jié)果表明，插座所獲取的電能參數(shù)與多功能電表的測量值有較好的一致性．

表1 電能參數(shù)采集測試結(jié)果Tab．1 Result of the energy data acquisition

5．2 電器之間相似度測試

采用變權(quán)歐氏距離，可以控制是否要引入輔助特征量以及特征量的重要程度．該測試中，選取P和cosφ的平均值對應(yīng)的權(quán)值w1=w2=0．5，振動幅值(最大值與最小值之差)對應(yīng)的權(quán)值w3=w4=0，測得待測電器與電器樣本庫之間的相似度，見表2．

表2 電器之間的相似度(w1=w2=0．5，w3=w4=0)Tab．2 Similarity among the electrical appliances(w1=w2=0．5 ，w3=w4=0) (%)

從表2中可以看出，樣本庫中的電器樣本與生成該樣本的電器相似度較高，一般可達(dá)90%以上，同一類型不同型號的電器與樣本庫中的電器也保持較高的相似度，一般可達(dá)80%以上，但對于類型不同的音箱與臺燈保持較高的相似性，容易引起誤判．實時測量發(fā)現(xiàn)音箱的功率因素波動幅度較大，而臺燈則較穩(wěn)定，見圖2．因此，選取P和cosφ的平均值對應(yīng)的權(quán)值w1=w2=0．4，振動幅值(最大值與最小值之差)對應(yīng)的權(quán)值w3=w4=0．1，測得待測電器與電器樣本庫之間的相似度，見表3．

表3 電器之間的相似度(w1=w2=0．4，w3=w4=0．1)Tab．3 Similarity among the electrical appliances(w1=w2=0．4，w3=w4=0．1) (%)

從表3中可以看出，引入振動幅值后，一定程度上會降低電器之間的相似性，特別是不同類型的電器之間，如容易引起誤判的音箱和臺燈．

5．3 電器用電量統(tǒng)計測試

該測試中，隨機選擇一個宿舍作為測試對象，該宿舍常用的電器有電腦、臺燈、音箱、電吹風(fēng)、熱水壺以及衛(wèi)生間內(nèi)的熱水器，歷時一個月的統(tǒng)計結(jié)果見圖5．

從統(tǒng)計結(jié)果可看出，該插座可統(tǒng)計出宿舍中大部分電器的耗電量，“其它”指不在樣本庫中的電器的耗電量，可以看出宿舍中的耗電大戶是電腦和熱水器，提醒用戶針對性地采取相關(guān)措施，如定時開啟和關(guān)閉熱水器、減少該類設(shè)備的使用次數(shù)．

圖5 宿舍中各電器用電量統(tǒng)計Fig．5 Statistic of the electrical appliance energy consumption in a dormitory

6 結(jié)語

本研究所設(shè)計的智能插座根據(jù)待測電器的特征值，結(jié)合變權(quán)歐氏距離識別出電器的類型，進(jìn)而實現(xiàn)對電器用電量的統(tǒng)計和電器待機功耗的消除．測試結(jié)果說明，該智能插座能準(zhǔn)確識別出電器的類型，無需綁定智能插座和電器，就能實現(xiàn)對各個電器用電量的精確統(tǒng)計，且可避免對小功率電器和周期性工作電器的誤判，與常規(guī)的智能插座相比，具有更好的靈活性和適用性．

［1］Hashizume A，Mizuno T，Mineno H．Energy monitoring system using sensor networks in residential houses［C］//26th International Conference on Advanced Information Networking and Applications Workshops(WAINA)．Fukuoka:IEEE Press，2012:595－600．

［2］金逸超，孫力娟，王汝傳，等．物聯(lián)網(wǎng)環(huán)境下智能插座的設(shè)計［J］．計算機研究與發(fā)展，2010，47(S):321－326．

［3］徐尉，孫力娟，王汝傳，等．基于物聯(lián)網(wǎng)/傳感網(wǎng)的智能節(jié)能系統(tǒng)［J］．計算機研究與發(fā)展，2010，47(S):366－371．

［4］Han J，Choi C S，Lee I．More efficient home energy management system based on ZigBee communication and infrared remote controls［J］．IEEE Transactions on Consumer Electronics，2011，57(1):85 －89．

［5］李靜，楊洪耕．一種用于家用智能電表的負(fù)荷識別方法［J］．現(xiàn)代電力，2013(5):83－89．

［6］SAMEK M．Practical statecharts in C/C++:quantum programming for embedded systems［M］．Florida:CRCPress，2002．

［7］Chang H H，Lin C L，Lee J K．Load identification in nonintrusive load monitoring using steady－state and turn－on transient energy algorithms［C］//2010 14th International Conference on Computer Supported Cooperative Work in Design(CSCWD)．Shanghai，2010:27 －32．

［8］Zeifman M，Roth K．Nonintrusive appliance load monitoring:Review and outlook［J］．IEEE Transactions on Consumer Electronics，2011，57(1):76－84．

［9］高云，楊洪耕．基于暫態(tài)特征貼近度匹配的家用負(fù)荷識別［J］．電力系統(tǒng)自動化，2013，37(9):54－59．

［10］白雪，羅四維，黃雅平．聚類分析中的相似性度量及其應(yīng)用研究［D］．北京:北京交通大學(xué)，2012．

［11］陸秋琴，黃光球，周嬌．基于生物記憶原理的智能拼音輸入法模型［J］．計算機工程與應(yīng)用，2011，47(9):56－60．

［12］張建業(yè)，王占磊，張鵬，等．基于支持度的限定記憶二次融合算法［J］．計算機應(yīng)用研究，2012，29(4):1 338－1 340．

［13］福州大學(xué)．帶數(shù)據(jù)采集和網(wǎng)絡(luò)通訊功能的智能插座:中國，201320336673．5［P］．2013－12－04．