基于物联网的家庭电量分析系统

摘要：近年来，能源短缺问题日益严峻，减少能源浪费和合理利用电力已成为全社会亟须解决的问题。了解每个电器的用电数据对于实现节约用电至关重要。然而，普通用户难以在每个电器后面都安装监测装置以实时监控用电情况。因此，迫切需要一种方法，通过仅有总电表数据即可预测每个电器的用电数据，以帮助用户更高效地节省能源。非侵入式负荷监测技术应运而生，通过分析从单个总电表采集的数据，可以识别和预测每个电器的用电数据。这种方法避免了在每个电器后安装独立监测装置的需求，从而降低了成本和复杂性。本文成功实现了一个基于物联网的家庭电量分析系统，能够以非侵入的方式监测家庭电量使用情况，将总电表的数据分解为每个电器的功率，使用户能够深入分析自己家庭的电量使用情况。

关键词：非侵入式电量负荷监测技术；人工神经网络；物联网

引言

随着全球能源需求不断增长，能源资源日益紧缺，同时能源价格上涨和环境污染问题日益突显。据国际能源署（IEA）报告，建筑物和家庭电器的用电占全球总能源消耗的近40%，这一比例仍在不断上升。因此，21世纪家庭能源管理和节能减排成为能源政策的关键组成部分。然而，传统的家庭能源管理手段存在设备安装成本高、监测手段烦琐等问题，制约了其推广和实施。与此同时，现有的非侵入式负荷监测产品多数面向工业领域，对于普通家庭来说使用成本较高。在这一背景下，研究一种基于物联网技术，能够实时、准确监测家庭电器用电数据的应用具有极大的现实意义。家庭电量分析系统应运而生，能够在只有总电表数据的情况下预测每个电器的用电数据，同时对异常用电行为进行预警与提醒，为家庭能源管理提供了实用、高效且易于实施的解决方案。

1. 非侵入式负荷监测概述

在过去的几十年里，非侵入式负荷监测（NILM）领域得到了广泛关注和深入研究。研究者们采用了多种方法和技术来提高对家庭电器用电数据的监测精度[1-3]。早期的NILM研究主要集中在特征提取和分类算法上，从电力信号中提取电压、电流、有功功率和无功功率等各种特征。然后，采用传统的机器学习分类器（如决策树、支持向量机、随机森林等）对不同电器的用电模式进行分类。这些方法在某些情境下取得了一定的成功，但在处理大规模、复杂的家庭用电场景时存在性能局限。为了克服传统方法的限制，研究者们开始采用基于概率模型的方法，如隐马尔可夫模型（HMM）、因子图模型等。这些方法通过建立概率模型描述电器用电行为，可以更好地处理信号中的噪声和不确定性。然而，基于概率模型的方法通常需要大量的计算资源和参数调整，这在一定程度上限制了其在实际应用中的推广。

近年来，随着深度学习技术的飞速发展，研究者们开始将深度学习方法应用于NILM领域，包括卷积神经网络（CNN）、循环神经网络（RNN）、长短时记忆网络（LSTM）等。深度学习方法能够自动学习高层次的特征表示，在处理复杂的家庭用电场景时表现良好。然而，深度学习方法通常需要大量的训练数据和计算资源，可能导致过拟合和计算效率低下的问题。总体而言，非侵入式负荷监测领域的研究尽管取得了一定进展，但仍然面临诸如性能局限性、计算资源需求、数据可用性等许多挑战。

非侵入式负荷监测产品的涌现为家庭和商业用电分析提供了新的解决方案。NILM产品通过分析单一的电力信号，识别和监测各种设备的能耗，具有显著的节能潜力。Sense Energy Montor[4]是一款基于云端的NILM產品，能够实时监测房屋中的设备能耗，其硬件部分通过电表箱收集电力数据，并将数据发送到云端进行分析，用户可以通过移动应用程序实时查看设备使用情况和能源消耗。EcoisMe[5]是一款基于NILM技术的智能房屋能源管理系统，能够监测房屋中的电器设备，并提供实时的设备能耗数据。通过收集电力数据并利用机器学习算法，EcoisMe能够识别家庭中的各种设备。此外，EcoisMe还能提醒用户关闭不需要的设备，帮助节省能源。Bidgely[6]是一款基于云端的能源管理解决方案，旨在为公用事业公司提供负荷监测服务。Bidgely利用NILM技术分析电力数据，以识别和监测设备能耗，为公用事业公司提供的能源分析报告有助于提高能源效率，降低运营成本并改善客户服务。这些NILM产品在技术实现和应用场景上各有特点，但共同目标都是帮助用户更好地了解和管理能源消耗。许多现有的NILM产品都在不断优化算法和提高设备识别的准确性，以满足不同用户的需求。随着NILM技术的发展和智能家居系统的普及，未来预计将出现更多具有创新功能和应用场景的NILM产品。

2. 系统需求分析

基于物联网的家庭电量分析系统是一个面向用户的、集成分析与监测的系统，旨在通过物联网终端设备自动上传入户电表的数据，智能分析用户家庭中电器的用电分布情况。此外，安装了智能电表设备的用户可以利用本系统实现家庭电力情况监测，对突发情况即时进行预警，也可以了解自己家庭的用电习惯，以此来节约用电。本系统使用的非侵入式负荷监测模型，基于LSTM和CNN神经网络算法，并且使用公开数据集训练。这个模型运行于系统服务端，方便广大用户使用。

非侵入式电量分解系统需要具备以下功能：

（1）用户身份管理：提供用户登录功能，允许已注册用户通过账号和密码登录；支持新用户注册，以获取系统的使用权。

（2）电量分解功能：提供已登录用户进行电量分解的功能，用户可以上传或输入相应的电力数据进行分解；展示电量分解的结果，清晰显示每个电器的用电情况。

（3）实时数据展示：实现实时数据展示，以图表或表格形式展现每个时刻每种电器的用电情况；提供用户可以自定义时间范围的实时数据查询和展示。

（4）结果管理：允许用户主动删除自己创建的电量分解结果，提供相应的删除功能；禁止用户删除其他用户创建的电量分解结果，确保数据的完整性和安全性。

（5）测试数据共享：提供用户将其他用户创建的电量分解结果加入自己测试数据中的功能；确保共享的数据在用户的个人测试数据中可以方便查看，但不允许对其进行修改或删除。

通过以上功能，基于物联网的非侵入式电量分解系统可以满足用户的基本需求，包括登录注册、电量分解、实时数据展示、结果管理和测试数据共享等方面，这样的系统设计有助于提高用户体验和系统的实用性。

3. 系统总体设计

该负荷监测分解系统通过获取电量数据，经过负荷分解模块的处理，将总用电量分解为各个用电设备的耗电数据。用户可以灵活选择，以清晰的图表形式查看电量分解结果，更好地了解家庭或设备的电力使用情况。

该负荷监测分解系统的主要功能包括以下步骤：

（1）电量数据获取：系统通过合适的传感器或电表等设备，实时或定期获取家庭或设备的总电量数据，可以是实时数据或历史数据，具体取决于用户的需求和系统的配置。

（2）负荷分解模块：系统使用负荷分解模块，通过先进的算法和模型，将总用电量分解为各个用电设备的耗电数据。这包括对电压、电流等信号的分析，以确定每个电器在特定时刻的能耗。

（3）用户选择电量展示方式：用户可以选择将电量按照一段时间内各个电器的总用电量进行展示，也可以选择按照每个电器每个采样点的分用电量展示，这种灵活性允许用户按照实际需求查看电量分解结果。

（4）前端图表展示：系统采用Web前端图表工具如Echarts[7]，通过可视化方式展示电量分解的结果，包括生成折线图、柱状图等，直观地呈现每个电器的用电情况，使用户能够轻松理解和分析数据。

该负荷监测分解系统整体分为四个主要模块。

（1）登录模块：

a.用户注册：允许新用户进行注册，获取系统的使用权。在注册模块中，用户需要提供必要的信息并创建账号。

b.用户登录：已注册的用户可以通过账号和密码进行登录。登录后，系统会验证用户身份并提供相应的权限。

（2）数据导入模块：

a.静态数据导入：允许用户导入静态电量数据，可以是历史电量数据或特定时间段内的电量数据，这可以通过文件上传或手动输入的方式完成。

b.动态数据导入：允许实时或定期导入动态电量数据，以确保系统可以及时反映最新的电量使用情况。

（3）管理模块：：

a.分解结果管理：用户可以管理系统生成的电量分解结果，包括查看、删除自己创建的分解结果，确保结果的完备性和可控性。

b.分解处理：包括对电量数据进行负荷分解的处理过程，这可能涉及算法的选择、参数的配置等。

（4）显示模块：

a.动态数据显示：提供实时或定期采集的电量数据的动态展示，用户可以通过图表等方式观察每个电器在不同时间点的用电情况。

b.静态数据显示：提供导入的静态电量数据的展示，用户可以查看历史电量使用情况，分析特定时间段内的用电特征。

基于上述设计原则，系统的结构图如图1所示。系统通过数据导入模块接收静态和动态数据，将其传递至电量分解处理程序，随后将分解后的数据存储于数据库中。最终，通过Web界面，根据具体的数据情况展示动态或静态结果。

从数据输入模块获取数据后，电量分解具体流程如图2所示。该文件在服务器上获取用户的数据集，并截取所需时间段的未处理数据。在开始数据分解时，由于数据量小于滑动窗口尺寸，需要进行零值填充操作。具体而言，会在原始数据的开始位置之前通过零值进行扩充，将数据长度扩充至滑动窗口大小。随后，扩充后的数据被送入神经网络进行推测分解。同样，在分解这段数据的最后部分，需要在原始数据结束位置之后进行零值填充操作，使数据长度达到滑动窗口尺寸。特征匹配识别函数随后运行。此后，每获取一个数据点，滑动窗口向后移动一位，进行相同的操作。

当补齐指定个数据点后，系统使用长短期记忆网络（LSTM）或卷积神经网络（CNN）正常分解原始数据，并将得到的点信息作为该时刻的结果，上传到数据库，这样完成了非侵入式负荷分解。显示模块的动态数据实际效果如图3所示。

结语

在当代社会，随着经济的迅速发展和人们对能源节约的意识不断提高，人们对电量使用情况的了解需求也日益增加。然而，传统的侵入式负荷监测方法由于需要大量设备、复杂的数据收集过程以及昂贵的成本，使得人们对非侵入式负荷监测的需求变得更为紧迫。为解决这一问题，本文介绍了基于物联网的非侵入式负载监测的发展背景和概念，讨论了其与传统方式的区别。同时，设计并实现了一个基于物联网的负荷监测分解系统，该系统能够通过用户提供的动态数据或静态数据集，利用神经网络算法模型对数据进行分解，生成详细的用电量情况，包括时间、设备和功率等多个方面的信息。

参考文献：

[1]程祥，李林芝，吴浩，等.非侵入式负荷监测与分解研究综述[J].电网技术，2016，40（10）： 3108-3117.

[2]雷怡琴，孙兆龙，叶志浩，等.电力系统负荷非侵入式监测方法研究[J].电工技术学报，2021，36（11）：2288-2297.

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

[4]Sense Energy Monitor.Sense Energy Monitor Homepage[EB/OL].[2023-12-28].https：//sense.com/.

[5]EcoisMe.EcoisMe Homepage[EB/OL].[2023-12-28].https：//ecois.me/.

[6]Bidgely.Bidgely Homepage[EB/OL].[2023-12-28].https：//www.bidgely.com/.

[7]Apache Software Foundation.Apache ECharts is a free，powerful charting and visualization library offering an easy way of adding intuitive，interactive，and highly customizable charts to your commercial products[EB/OL].（2023-03-01）[2023-12-28].https：//echarts.apache.org.

作者簡介：张轩，博士研究生，工程师，研究方向：物联网。