基于數據分析的智能用電設備自學習模型方案設計

摘 要：隨著科學技術的發(fā)展與人們生活水平的提高，智能家居累積了大量用電數據，對家庭中家電簡單的控制與管理已不能滿足用戶舒適、環(huán)保、省電的需求。為了在保障用戶的正常生活需求的前提下節(jié)省用戶生活時間，文章設計了一種基于機器自學習的智能用電電器控制方案。該方案充分利用了智能家居的歷史數據，通過機器自學習算法調整電器的工作方式，提高居民生活質量。

關鍵詞：智能家居；機器自學習；電器控制

引言

隨著經濟與科技水平的不斷提高和智能家居技術的快速發(fā)展，以及計算機技術、通信技術和控制技術的不斷發(fā)展，人們開始追求更加安全、舒適、環(huán)保、節(jié)能的綠色生活，更加方便、靈活、智能的家用電器也應運而生，大量用電數據開始出現并儲存起來，而如何利用這些數據就成為了研究的重點。面對智能家居的巨大市場，許多公司都參與到智能家居控制系統的研發(fā)中來，微軟發(fā)布了一個旨在幫助居民節(jié)省能源的網站-Microsoft Hohm，該網站通過分析用戶的用電數據來幫助居民節(jié)約能源開支；Google公司推出了PowerMeter工具，通過用戶歷史用電數據用來衡量家用或者商用電器的電能利用情況，以使得用戶了解他們家里各種電器的電能使用狀況，引導用戶作出更明智的電能分配[1-2]。目前研究的方向是建立相應的能耗模型，通過歷史數據分析，找尋優(yōu)化策略，進行智能化管理。本文提出將機器自學習來分析用電數據，合理設計出一種基于機器自學習的智能用電電器控制方案。

1 基于歷史數據的機器自學習

隨著機器學習理論研究的逐漸深入，它的應用也日益廣泛，許多優(yōu)秀的算法應運而生。算法可以分為基于符號的和基于非符號的兩類。前者包含機械式學習、歸納學習、基于解釋的學習等，后者包括基于遺傳算法的學習和基于神經網絡學習等[3]。

文章選擇的機器自學習方法為遺傳算法。算法實現的具體過程如下：

（1）定義適應度函數，給定種群規(guī)模N，交叉率Pc和變異率Pm以及最大迭代代數。

（2）隨機選擇N個個體組成初始種群S，設置迭代計數器t=1。

（3）計算種群S中每一個個體的適應度函數值。

（4）若終止條件滿足，則取S中適應度最大的染色體作為所求結果，算法結束；否則根據個體被選擇的概率p做N次選擇，每次隨機選擇一個個體并復制，然后將N個復制得到的染色體記為新群體S1。

（5）按Pc所決定的參加交叉的染色體數c，從S1中隨機確定c個染色體，配對進行交叉操作，并用產生的染色體代替原染色體，組成群體S2。

（6）按Pm所決定的變異次數m，從S2中隨機確定m個染色體，分別進行變異操作，并用產生的新染色體代替原染色體，組成群體S3。

（7）將群體S3作為新種群，即用S3代替S，迭代計數器t=t+1，轉步驟3。

2 家電控制模型設計

家庭用電電器選擇空調、洗衣機、電熱水器、電視機、電燈、吸塵器、電飯鍋等七個用電設備，其中因為用戶對空調的需求量最大，且空調的控制較為復雜，空調負荷的變化波動較大，現在對用戶的空調電費和空調舒適度進行優(yōu)化，其多目標優(yōu)化模型如下：

其中，t為時間標記（t=0，1，…，23，間隔為1h），Pt為時刻t對應的分時/實時電價（元/kWh），Qt為時間t內對應的空調用電量（kWh），Tdesired為室內最舒適溫度（℃），Ttin為t時刻對應的室內溫度（℃），Qmax為時刻t內空調系統最大電能消耗量（kWh），Tmin和Tmax分別為室內溫度下限和上限（℃）。

空調控制以用戶手動控制為最高優(yōu)先級，在用戶不進行手動控制時進行自動控制。自動控制通過遺傳算法來計算空調優(yōu)化后的負荷數據并進行存儲，使空調按照優(yōu)化后的負荷曲線工作。在空調工作一天完成后，以實際工作負荷曲線作為歷史數據，進行第二天的優(yōu)化控制。

3 實驗仿真

實驗環(huán)境為MATLAB R2014a，選取式4作為適應度函數，取種群規(guī)模為50，交叉概率為0.6，變異概率為0.1，則遺傳次數為30次本文模型及算法的設計基于當前國內電價市場現狀，Pt和T分別采用北京市分時電價以及夏季典型日氣溫曲線如圖1、圖2所示。

將實時電價與溫度曲線作為參數，將用戶原始用電負荷作為歷史數據，通過遺傳算法計算優(yōu)化前后用電設備總優(yōu)化效果如圖3：

a曲線為原始的負荷曲線，b曲線為優(yōu)化后的負荷曲線，由于實時電價的原因，用電負荷在高峰時期有少量的降低，同時在夜間休息時期，也降低了用電量，減少了不必要的損失。

優(yōu)化前后電費與電量如表1所示。

由負荷曲線可得優(yōu)化前電費為9.56元，優(yōu)化后電費為7.81元，優(yōu)化前的電量為8.9144kW/h，優(yōu)化后的電量為7.1722kW/h。用戶舒適度K=0.9173，可見根據用戶用電行為習慣的歷史數據，考慮用戶實時電價的因素，通過機器自學習算法，降低電費與電能損耗，同時保證了一定的用戶用電舒適度，比如空調負荷的優(yōu)化與氣溫有著相似變化，呈現正比關系，氣溫高時空調功率較大，氣溫低時降低了空調功率，電飯鍋開啟時間由11：00調整至10：30，洗衣機開啟時間由21：00調整至22：00，電熱水器由22：00-次日2：00調整至0：00-4：00，在降低了電費的情況下，又一定程度保持了用戶的用電習慣，達到優(yōu)化目的。

4 總結與展望

文章通過智能用電電器控制策略研究，設計了一種基于機器自學習的智能用電電器控制方案，該方案可以利用以往歷史中存儲的大量用電數據，通過自學習算法，電器可以自行調整至最佳的工作狀態(tài)，并依據不同的實際情況調整自身工作方式，并將每次工作狀態(tài)作為歷史記錄保存起來，為用戶制定更加舒適、環(huán)保、省電的電器使用策略提供了依據。

參考文獻

[1]侍必勝.家庭能耗管理系統的設計與實現[D].南京信息工程大學，2012.

[2]張瑩.智能家電能量檢測系統的設計與實現[D].哈爾濱工業(yè)大學，2012.

[3]郭亞寧，馮莎莎.機器學習理論研究[J].中國科技信息，2010，14：208-209，214.