基于非侵入式負(fù)荷監(jiān)測的家庭電氣火災(zāi)防控系統(tǒng)

呂銀華，張旻

（1.浙江中辰城市應(yīng)急服務(wù)管理有限公司，浙江 杭州 310050；2.杭州電子科技大學(xué) 計(jì)算機(jī)學(xué)院，浙江 杭州 310018）

0 引言

近年來，電氣火災(zāi)頻發(fā)，其原因主要有用電設(shè)備操作不當(dāng)和線路故障[1]，其中用電設(shè)備操作問題可近似看作用戶用電行為問題。非侵入式負(fù)荷監(jiān)測技術(shù)（NILM）最早由Hart提出[2]，常用于家庭能源監(jiān)測和用戶用電安全感知，其主要優(yōu)勢在于不需要對家電設(shè)備進(jìn)行分別監(jiān)測，只需要在家庭總線處進(jìn)行監(jiān)測即可，可以節(jié)省大量的人力物力。但在用戶用電安全感知上，傳統(tǒng)的NILM 技術(shù)需要大量的故障信號數(shù)據(jù)對模型進(jìn)行訓(xùn)練，而家庭電氣火災(zāi)的設(shè)備故障數(shù)據(jù)難以獲得，人為制成數(shù)據(jù)集不僅在真實(shí)性上有所欠缺，同時(shí)還會加大實(shí)驗(yàn)的風(fēng)險(xiǎn)性，在應(yīng)用上具有較大難度，另外現(xiàn)有NILM 技術(shù)也存在著一些不足。

電信號的選擇對保證負(fù)載分配的準(zhǔn)確性起著至關(guān)重要的作用。NILM 領(lǐng)域的常見特征包括有功和無功功率[3]、諧波[4]、啟動時(shí)的瞬態(tài)模式[5]和V-I 關(guān)系曲線[6]。主流的NILM 模型大體上可以分為兩類：基于事件模式與基于非事件模式?；谑录Ｊ绞侵笝z測何時(shí)發(fā)生設(shè)備切換，該設(shè)備識別從每個(gè)設(shè)備提取的不同電子簽名以標(biāo)記狀態(tài)更改事件。但其缺點(diǎn)在于需要較高的采樣頻率，采樣率約為千赫茲或兆赫茲級，這對采集設(shè)備的要求較高，會加大應(yīng)用難度?；诜鞘录Ｊ絼t是將匯總的功耗分成單獨(dú)的功耗，并估計(jì)在低頻條件下處于工作狀態(tài)下的家電設(shè)備組合功耗，可以近似看作組合最優(yōu)問題，這種方法可以依托于采樣頻率極低的智能電表來實(shí)現(xiàn)，應(yīng)用的可能性較高，這一特點(diǎn)也使基于非事件模式的算法成為NILM 的主流方向。

國內(nèi)外許多學(xué)者對基于非事件模式的算法進(jìn)行了研究，學(xué)者們發(fā)現(xiàn)對不同類型的電器，算法的效果也會有差異。常見的家用電器可以分為開關(guān)型電器和多狀態(tài)型電器，其中開關(guān)型電器是指只有啟動和關(guān)斷兩種狀態(tài)的電器，多狀態(tài)型電器是指具有多種檔位的電器。文獻(xiàn)[7]提出了一種基于因子隱馬爾可夫模型（Factorial Hidden Markov Model,FHMM）的監(jiān)測算法，并使用分段約束二次規(guī)劃進(jìn)行優(yōu)化。文獻(xiàn)[8]提出了一種基于隱馬爾可夫模型（Hidden Markov Model,HMM）的監(jiān)測方法，利用迭代K-Medoids 算法對模型進(jìn)行了優(yōu)化，對I 型負(fù)荷能進(jìn)行有效監(jiān)測，但對II 型負(fù)荷的監(jiān)測準(zhǔn)確率較低。文獻(xiàn)[9]提出了一種基于譜分解的監(jiān)測方法，可以在樣本很少的情況下對I 型負(fù)荷進(jìn)行有效監(jiān)測，但在存在未知設(shè)備的情況下，準(zhǔn)確率會大大降低。

電氣火災(zāi)監(jiān)控與能源監(jiān)控領(lǐng)域存在一定差異。能源監(jiān)控需要對所有電器設(shè)備進(jìn)行監(jiān)控，主要目標(biāo)在于對不同的電器都能有較好的監(jiān)測效果；而電氣火災(zāi)監(jiān)控則是要重點(diǎn)對存在火災(zāi)隱患的電器設(shè)備進(jìn)行監(jiān)控，要求對特定電器有精準(zhǔn)的監(jiān)控效果，這種電器多為開關(guān)型電器，少數(shù)為多狀態(tài)型電器。電氣火災(zāi)監(jiān)測領(lǐng)域較為關(guān)注的電氣火災(zāi)成因有漏電電流和電流過載。文獻(xiàn)[10]設(shè)計(jì)了模擬漏電電流的實(shí)驗(yàn)裝置，并首次將漏電電流與NILM 結(jié)合在一起，為電氣安全監(jiān)控提供了新的方向。

針對NILM 和電氣火災(zāi)監(jiān)控領(lǐng)域的特點(diǎn)，本文提出了基于非侵入式負(fù)荷監(jiān)測的家庭電氣火災(zāi)防控系統(tǒng)。該系統(tǒng)采用智能插座作為硬件，原因在于：一方面，智能電表所監(jiān)控的負(fù)荷數(shù)過多，不適用于電氣火災(zāi)監(jiān)控；另一方面，過多的負(fù)book=9,ebook=13荷數(shù)會影響算法性能。智能插座可以有效約束監(jiān)測的負(fù)荷數(shù)，平衡算法性能與硬件成本，對電氣火災(zāi)監(jiān)控領(lǐng)域的針對性更強(qiáng)。

本文的貢獻(xiàn)在于：

（1）將NILM 技術(shù)與電氣火災(zāi)的監(jiān)控結(jié)合在一起，可以有效排查設(shè)備處發(fā)生電氣火災(zāi)的隱患，防止火災(zāi)的發(fā)生；

（2）提出了一種基于跳躍模型的NILM 技術(shù)，能夠精確地對易發(fā)生電氣火災(zāi)的設(shè)備進(jìn)行監(jiān)控；

（3）設(shè)計(jì)了一款智能插座，可以實(shí)時(shí)采集設(shè)備電功率，采集頻率為0.1 Hz，并將數(shù)據(jù)上發(fā)至云端，由云端進(jìn)行數(shù)據(jù)的處理。

1 系統(tǒng)建構(gòu)

1.1 整體實(shí)施方案

系統(tǒng)實(shí)施方案如圖1所示，該方案主要涉及三個(gè)部分：智能插座端、云端和APP 端。其中智能插座端負(fù)責(zé)采集設(shè)備數(shù)據(jù)；云端負(fù)責(zé)接收智能插座端采集的數(shù)據(jù)并對數(shù)據(jù)進(jìn)行處理；APP 負(fù)責(zé)顯示能源分解和電氣火災(zāi)隱患判定結(jié)果。

圖1 系統(tǒng)實(shí)施方案

1.2 硬件設(shè)計(jì)方案

硬件端的結(jié)構(gòu)如圖2所示，整個(gè)硬件實(shí)施方案分為4 個(gè)模塊：電源模塊、計(jì)量模塊、WiFi 通信模塊和MCU 模塊。

圖2 硬件實(shí)施方案

電源模塊由交直流轉(zhuǎn)換電路與直流降壓電路構(gòu)成。其中交直流轉(zhuǎn)換電路的控制芯片選用ME8321，這是一款低功耗的交直流轉(zhuǎn)換電源控制芯片，該電路將220 V 市電轉(zhuǎn)換為5 V 直流電，用于為計(jì)量模塊供電以及后續(xù)轉(zhuǎn)換為3.3 V。將得到的5 V 直流電通過由 AMS1117-3.3 V 電源芯片主控的降壓電路轉(zhuǎn)換為3.3 V，并對MCU、WiFi 模塊進(jìn)行供電。

計(jì)量模塊由功率測量模塊和漏電電流采集模塊組成。功率測量模塊的主控芯片為HLW8012，該芯片可以測量有功功率、電量、電壓有效值、電流有效值，被廣泛應(yīng)用于智能家電采集終端。該模塊通過互感器對火線處流入的電流進(jìn)行處理，將縮小后的電流接入HLW8012；同理通過分壓電路進(jìn)行分壓，將分壓后的單相電壓輸入HLW8012，即可輸出代表有功功率值和電流有效值的電壓信號。漏電電流采集模塊的主控芯片為AD637，將三相線電流通過互感器轉(zhuǎn)換后的交流信號接入AD637 中，即可輸出得到電壓信號。將所得的兩種電壓信號接入MCU 中，通過MCU 計(jì)算便可得到有功功率值、電流有效值和漏電電流值。

WiFi 通信模塊選用TYWE3S 模塊，是一款低功耗嵌入式WiFi 模塊。它由一個(gè)高集成度的無線射頻芯片ESP8266和少量外圍器件構(gòu)成，內(nèi)置了WiFi 網(wǎng)絡(luò)協(xié)議棧和豐富的庫函數(shù)。TYWE3S 是一個(gè)RTOS 平臺，集成了所有WiFi MAC 以及TCP/IP 協(xié)議的函數(shù)庫，內(nèi)嵌低功耗的32 位CPU、1 MB 閃存、50 KB SRAM 和豐富的外設(shè)資源。

MCU 模塊主控芯片采用的是STM32F103C8T6 芯片，該芯片核心采用ARM Cortex-M3 架構(gòu)，可滿足信號采集、處理與上發(fā)的基本功能。

2 電氣火災(zāi)監(jiān)控算法

本文擬議的監(jiān)控算法主體為基于跳躍模型的NILM 算法，該算法可以實(shí)時(shí)獲取電器設(shè)備組合狀況。針對電氣火災(zāi)監(jiān)控方面，本文算法綜合考慮了設(shè)備級電氣火災(zāi)成因，可以有效對漏電電流、電流過載兩種常見的引起電氣火災(zāi)的因素進(jìn)行實(shí)時(shí)辨識，同時(shí)可以獲取當(dāng)前時(shí)段電器運(yùn)行信息，對分辨引起電氣火災(zāi)的設(shè)備有一定指導(dǎo)意義。

2.1 負(fù)荷分解問題描述

將接入總線的待測電器的種類數(shù)記為N，在t時(shí)刻的總線的聚合特征記為y(t)，t時(shí)刻的第i類電器的特征記作yi(t)，其中i={1,2,...,N}，由此可得：

其中e(t)表示建模誤差，這種誤差通常是由于電網(wǎng)擾動帶來的噪聲造成的。負(fù)荷分解的目的在于從總線的聚合特征中得到各個(gè)電器的能耗，并使e(t)最小。本文選取的負(fù)荷特征為有功功率P，負(fù)荷的聚合特征可以被表示為序列P={p1,p2,...,pi,...,pF}，F(xiàn)為長度。實(shí)現(xiàn)分解的主要任務(wù)就是求出在總功耗序列P中，第i個(gè)設(shè)備的單個(gè)功率值Pi(t)，最終使分解所得的各個(gè)設(shè)備功耗之和與總功耗序列P之間的差值最小。

2.2 負(fù)荷建模

電器狀態(tài)的轉(zhuǎn)變可以看作線性時(shí)不變系統(tǒng)，用Ki表示第i個(gè)設(shè)備的不同狀態(tài)，Ki是一個(gè)自然數(shù)；用si(t)來表示設(shè)備ibook=10,ebook=14在t時(shí)刻的狀態(tài)集，即。設(shè)備功率值可表示為：

其中：X(t)和分別表示特征值和模型參數(shù)；e(t)表示建i模誤差。本文選用動態(tài)跳躍模型進(jìn)行建模，選用特征量為功率值，該模型可表示為：

其中：n表示設(shè)備的切換順序。θi通過最小化誤差函數(shù)來求取：

優(yōu)化算法則選用粒子群算法進(jìn)行，由于動態(tài)模型中的si(t)未知，需要借用靜態(tài)模型來輔助求出，靜態(tài)模型不同之處在于靜態(tài)跳躍模型建模為：

其損失函數(shù)為：

其中模型輸出值與實(shí)際測量值之間的誤差有關(guān)，此處選擇用均方誤差來衡量：

動態(tài)跳躍模型的學(xué)習(xí)算法如下：

（2）迭代h=1,2,3,...。求解得到靜態(tài)；代入求解得到直到求得通過粒子群算法求解得到θi。

（3）輸出：θi和。

2.3 負(fù)荷分解

由上述跳躍模型進(jìn)行負(fù)荷分解的目的是通過總線功率值y(t)，獲取不同的設(shè)備運(yùn)行狀態(tài)，用s(t)表示t時(shí)刻的所有設(shè)備的狀態(tài)，s(t)∈{s1(t),s2(t),···,s N(t)}，用S表示所有的組合可能性，用|S|表示設(shè)備狀態(tài)的組合數(shù)，。

常見的能量分解算法是以優(yōu)化損失函數(shù)的形式完成分解任務(wù)，本文的不同之處在于考慮了分解時(shí)的限定條件，提高了整體算法的分解精度。

為規(guī)避極小概率事件，本文作出假設(shè)：在同一時(shí)刻，至多只有一種電器切換電器狀態(tài)，這樣即可提高算法分解的精度。用Ci(t)來表示t時(shí)刻設(shè)備i的變化情況，表達(dá)式為：

限定條件可以表示為

分解時(shí)損失函數(shù)的定義為：

與式（9）類似，均方誤差為：

式（13）中，λ(d)(d∈S)是可調(diào)參數(shù)，與連續(xù)兩個(gè)時(shí)刻都保持狀態(tài)d的經(jīng)驗(yàn)概率成反比。假設(shè)設(shè)備彼此獨(dú)立的情況下，λ(d)的計(jì)算式為：

其中：w是可調(diào)參數(shù)；λi(di)是經(jīng)驗(yàn)概率，且有：

其中：i=1,2,...,N；j=1,2,...,Ki。

分解算法的核心思想是在約束條件下進(jìn)行損失函數(shù)的最小化求解。在電氣火災(zāi)監(jiān)測中，電器不同檔位的運(yùn)行時(shí)間也是很重要的特征，所以本文的監(jiān)測算法不僅需要輸出不同的狀態(tài)，還要輸出電器不同狀態(tài)的運(yùn)行時(shí)間。具體算法如下：

（1）輸入：總線功率值讀數(shù)模型參數(shù)θi，λ(d)，d∈S。

（2）通過計(jì)算l(y(1),h)（h∈S），求得J*(1,h)；通過求得s*(1)；對于t=2,...，在條件下進(jìn)行迭代，計(jì)算，計(jì)算求得s*(t)。當(dāng)Ci(t)=1 時(shí)，將上一次book=11,ebook=15Ci(t)=1 的時(shí)刻記為til，記下此時(shí)時(shí)刻tin，設(shè)備不同狀態(tài)的運(yùn)行時(shí)間為tid。

（3）輸出：估計(jì)得到的模式序列s*(t)，設(shè)備不同狀態(tài)的運(yùn)行時(shí)間tid。

3 實(shí)驗(yàn)

3.1 分解算法實(shí)驗(yàn)

本節(jié)使用REDD 數(shù)據(jù)集中的House2 三天用電數(shù)據(jù)進(jìn)行仿真，在不同的電器設(shè)備混合情況下，對Hart 模型[2]、AFHMM 模型[11]、靜態(tài)跳躍模型[12]以及本文所提出的改進(jìn)跳躍模型分別進(jìn)行分解實(shí)驗(yàn)，以此驗(yàn)證本文算法的優(yōu)越性。

本文所采用的算法評價(jià)指標(biāo)為FM，F(xiàn)M是精確率PR和召回率RE的調(diào)和平均值。三者的定義公式為：

式中：TP表示實(shí)際運(yùn)行設(shè)備被成功檢測與辨識的總數(shù)；FP表示設(shè)備未運(yùn)行卻被誤檢的總數(shù)；PR用于衡量算法的檢測準(zhǔn)確率；FN表示設(shè)備在運(yùn)行卻被漏檢的總數(shù)；RE用于衡量事件檢測與聚類的強(qiáng)度；FM是對兩者的綜合評估。在實(shí)驗(yàn)中選用3 種主流模型與本文模型作對比，總的來說本文算法的性能優(yōu)于其余3 種主流模型。在六種混合設(shè)備的情況下，平均FM指數(shù)大于80%，整體分解效果較好。不同混合設(shè)備的平均FM指數(shù)見表1 所列。

表1 不同混合設(shè)備的平均FM 指數(shù)對比

冰箱的有功功率分解曲線如圖3所示，分解估計(jì)值近乎與真實(shí)值重合。

圖3 冰箱有功功率分解曲線

3.2 漏電監(jiān)測實(shí)驗(yàn)

在監(jiān)測功率變化的同時(shí)，對漏電電流進(jìn)行監(jiān)測，實(shí)驗(yàn)裝置示意圖如圖4所示。漏電電流通常情況下應(yīng)為0，且漏電電流的發(fā)生往往伴隨著電器的投切。電器設(shè)備的啟動將伴隨接地電阻回路連通，火線與地線之間出現(xiàn)電流，三相電流平衡被打破，視作發(fā)生漏電情況，只要對比發(fā)生漏電電流前后的電器設(shè)備變化情況，即可判斷出可能發(fā)生漏電的電器設(shè)備，完成對設(shè)備漏電的監(jiān)控。

圖4 漏電電流模擬實(shí)驗(yàn)

某次漏電電流實(shí)驗(yàn)曲線如圖5所示，在該次實(shí)驗(yàn)中，電水壺與電磁爐混合運(yùn)行，其中電磁爐有兩個(gè)檔位。將電水壺與大電阻相接，則電水壺運(yùn)行過程中伴隨著漏電電流發(fā)生，電水壺關(guān)斷后，漏電電流消失。通過非侵入式負(fù)荷監(jiān)測，可以推斷出漏電電流發(fā)生時(shí)的電器投切情況，從而推斷出故障電器。

圖5 漏電電流監(jiān)測實(shí)驗(yàn)曲線

漏電電流實(shí)驗(yàn)匯總見表2 所列，實(shí)驗(yàn)中選用電器共4 種，分別為電吹風(fēng)、電水壺、電磁爐和小煮鍋，按發(fā)生漏電電流的電器種類分為四組實(shí)驗(yàn)，每組實(shí)驗(yàn)進(jìn)行25 次，分別統(tǒng)計(jì)準(zhǔn)確識別、漏識別和錯(cuò)誤識別次數(shù)。

表2 漏電電流實(shí)驗(yàn)匯總

4 結(jié)語

本文所提出的基于非侵入式負(fù)荷監(jiān)測的電氣火災(zāi)監(jiān)控算法，以采樣頻率為0.1 Hz 的智能插座作為硬件實(shí)現(xiàn)端，得到的電器有功功率值、電流有效值和漏電電流值，作為電氣火災(zāi)判定的特征值。其中有功功率值用于判定不同時(shí)刻正在運(yùn)行的電器，電流有效值和漏電電流值用于判定漏電與電流過載發(fā)生與否，本文所提出的系統(tǒng)主要針對于用電行為不當(dāng)造成的電氣火災(zāi)隱患判別。

本文所提出的電氣火災(zāi)隱患識別算法的優(yōu)點(diǎn)在于以非侵入式負(fù)荷監(jiān)測算法為主體，在掌握家庭用電行為的同時(shí)，將電流過載與漏電這兩種常見的電氣火災(zāi)因素與用電設(shè)備狀態(tài)切換結(jié)合在一起，從而能有效判別由不良用電行為造成的電氣火災(zāi)隱患。本文在原有跳躍模型的基礎(chǔ)上，增加了更符合家用電器特征的約束條件，從而提高了分解準(zhǔn)確率。

本文所提出系統(tǒng)的進(jìn)一步改進(jìn)空間在于減小模型的大小，便于下一步將電氣火災(zāi)隱患識別算法向嵌入式端轉(zhuǎn)移，以進(jìn)一步提高算法運(yùn)行速度，減少云端資源占有率。

[1]廖俊華.電氣火災(zāi)原因調(diào)查與防范技術(shù)[J].低碳世界，2020，10（4）：223-224.

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

[3]劉興杰，曹美晗，許月娟.基于改進(jìn)雞群算法的非侵入式負(fù)荷監(jiān)測[J].電力自動化設(shè)備，2018，38（5）：235-240.

[4]呂志寧，趙少東，饒竹一，等.非侵入負(fù)荷辨識的諧波特征量提取改進(jìn)方法研究[J].電子測量技術(shù)，2019，42（7）：29-34.

[5]高浩瀚，張利，梁軍，等.基于改進(jìn)排列熵算法和 Yamamoto算法的非侵入式用電設(shè)備狀態(tài)變化檢測[J].電力自動化設(shè)備，2020，40（1）：192-197.

[6]周任飛，湯鵬飛，劉三豐，等.基于卷積神經(jīng)網(wǎng)絡(luò)的非侵入式負(fù)荷識別研究[J].信息技術(shù)與網(wǎng)絡(luò)安全，2019，38（8）：64-68.

[7]陳思運(yùn)，高峰，劉烴，等.基于因子隱馬爾可夫模型的負(fù)荷分解方法及靈敏度分析[J].電力系統(tǒng)自動化，2016，40（21）：128-136.

[8]KONG W，DONG Z Y，HILL D J，et al.Improving non-intrusive load monitoring efficiency via a hybrid programing method [J].IEEE transactions on industrial informatics，2016，12（6）：2148-2157.

[9]DINESH C，NETTASINGHE B W，GODALIYADDA R I.Residential appliance iden-tification based on spectral information of low frequency smart meter measurements [J].IEEE transactions on smart grid，2016，7（6）：2781-2792.

[10]CHEN W Y，GONG Q H，GENG G C，et al.Cloud-based nonintrusive leakage current detection for residential appliances [J].IEEE transactions on power delivery，2019，35（4）：1977-1986.

[11]KOLTER J Z，JAAKKOLA T.Approximate inference in additive factorial HMMs with application to energy disaggregation [C]//Proceedings of International Conference on Artificial Intelligence and Statistics.La Palma，Canary Islands：PMLR，2012：1472-1482.

[12]BRESCHI V，PIGA D，BEMPORAD A.Online end-use energy disaggregation via jump linear models [J].Control engineering practice，2019，89（8）：30-42.