基于变权欧氏距离的学习型智能插座设计

苏诗荐，章杰，程树英，林培杰，陈志聪，戴曼娜，黄少辉

(福州大学微纳器件与太阳能电池研究所，福建福州 350116)

0 引言

随着全球资源紧张局势日益加重，节能减排成为各国研究的热点，对于家庭用电一般有两种节能措施:①实时反馈机制，调查显示实时反馈电能消耗量能节约10%～30%的电能［1］;②消除电器待机功耗，待机功耗造成不必要的电能浪费，还会影响电器的使用寿命．

针对节能措施一，文献［2－3］提出一种基于智能插座的智能节能系统，能统计出每个插座上电能的消耗量．A Hashizume［1］等通过绑定智能插座和电器，实现对各个电器用电量的统计，并提供多种图表显示方式．针对节能措施二，纽曼、莱克斯特等公司采用设定一个待机阈值的方式，推出一种可消除待机功耗的节能插座．J Han等［4］结合该类节能插座和 ZigBee技术实现一个更高效的家庭能源管理系统(HEMS)．

以上研究还存在如下2个问题:①不能很好实现对各个电器用电量的统计，A Hashizume提出的方案必须提前绑定智能插座和电器，当更换电器则需要再次绑定，灵活性和可用性差;②节能插座通过设定一个待机功率阈值(一般为8 W)来实现电器待机功耗的消除，当某个电器正常工作时的功率小于待机功率阈值，或是周期性工作的电器，如冰箱，则无法正常使用，因此简单设定一个待机阈值在实际应用中有一定的局限性．

针对以上不足，利用有限状态机方式提取电器的特征值，参考并改进李静等［5］对电器识别的研究方法，采用变权欧氏距离实现对电器的识别，从而实现电器用电量的统计和电器待机功耗的消除．鉴于电器的多样性，引入学习功能来增加插座的灵活性．

1 总体概述

该智能插座首先要构建包含电器属性和特征值的样本库，每个电器样本包括电器属性和电器特征值．电器属性包括电器名称、电能消耗量、上一匹配时刻、匹配次数、待机后插孔状态;电器特征值包括电器正常工作时有功功率和功率因素的最大值、最小值及平均值，还包括待机状态时有功功率和功率因素的平均值．电器属性中的电器名称和电能消耗量字段可实现各个电器用电量的统计;上一匹配时刻和匹配次数字段作为剔除陈旧电器样本的参数;待机后插孔状态字段提供电器进入待机模式后的控制信息．以下简要介绍各种功能的实现方法．

1)消除电器待机功耗功能实现．当识别到某个电器进入待机模式，则根据样本库中该电器的控制信息对插孔通断进行控制，从而达到消除电器待机功耗的目的．

2)电器用电量统计功能实现．获取电器开机到关机单次使用过程中电能的消耗量，再累加和更新样本库中该电器的电能消耗量，使各个电器的耗能状况像话费清单一样提供给用户．

3)学习功能实现．当某个电器不在样本库中，自动激活学习模式，等待用户触发学习事件，在电器不同工作状态下触发学习事件，插座获取当前状态所能获得的值添加到样本库．对于使用默认值处理的字段，如电器名称，可通过访问该智能插座的静态网页或通过服务器的后台管理系统修改对应字段值．

4)电器样本遗忘处理．由于存储器容量有限，为防止新学习和经常使用的电器样本被剔除，采用记忆原理处理陈旧的电器样本．

2 电器特征值提取

现有的多功能电表，可以获取电器的稳态特征值和暂态波形，但该类电表成本高、体积大，无法嵌入到智能插座中，且嵌入式设备很难对波形进行复杂的处理．因此该智能插座选择RN8209G作为电能参数采集模块的核心，可以获取电器工作时的电压U、电流I、电能E、有功功率P和功率因素cosφ等电能参数，具有低成本、体积小和高精度等特点．

视在功率S=UI、有功功率P、无功功率Q以及电压与电流之间的相位差φ之间满足功率三角关系，因此，选择P和cosφ作为电器的主要特征值．根据以上两个特征值，就能在二维平面上绘制电器位置点，从而区分不同电器，见图1．

以上方法既简单又能区分出大多数电器，对于部分电器其P和cosφ区别不大，不易正确区分出电器类型，但该类电器正常工作时其P和cosφ波动的幅度有可能不一样，见图2．

图1 电器识别原理Fig．1 Principle of the electrical appliance identification

图2 电器工作时特征值波形Fig．2 Waveform of the operating eigenvalues of three electrical appliances

为表征电器正常工作时特征值的波动特性，引入P的最小值、最大值，cosφ的最小值、最大值4个辅助特征量，当使用主要特征量识别出不只一个电器时，再结合辅助特征量做进一步的识别．从图2中还可以看出，电脑主机关机后进入待机模式，而台灯、音箱关闭后则无待机功耗．为识别出电器的不同工作模式并提取出不同模式下的特征值，采用有限状态机［6］(FSM)方式将电器连续的工作过程分解成离散的状态过程，见图3．

电器正常工作过程中，其特征值可能会发生波动，如电脑处理不同任务时、电视切换频道时，因此除了要尽可能地记录电器正常工作时的电器特性，还要避免将非正常值当作主要特征值．在S2状态下，采集一段时间内电器的特征值集合，中值滤波后再从中提取出最大值和最小值作为辅助特征量，求出平均值作为主要特征量．如果电器无待机模式，则待机特征值中P和cosφ都置为默认值．

图3 电器工作过程状态图Fig．3 The operating electrical appliance state machine

3 电器识别算法

对电器特征值的处理方法有人工神经网络算法、负荷暂态分析法［7－9］等．人工网络算法识别准确率较高，但用电设备种类发生变化时，需要重新对电器样本的学习和训练．负荷暂态分析法对特征值采集电路、存储容量、计算能力要求高，不适合在嵌入式设备上实现．因此，采用变权欧氏距离从样本库中找出待测电器的类型．

假设有n个电器特征值样本，每个电器有m个特征量，xi=(xi1，xi2，…，xim)，i=1，2，…，n，待测电器xL=(xL1，xL2，…，xLm)，则原始数据矩阵X=［x1，x2，… ，xn，xL］T．为了消除不同特征值间其物理量纲不同的影响，采用Z－score标准化法处理原始数据，见式(1)．

一般情况下，研究对象之间相似性的度量方法有两种:相似系数和距离［10］，采用欧氏距离来度量对象之间的相似性．在传统的欧式距离公式中，各个特征值的贡献度都相同，但在电器特征值提取过程中，其辅助特征量的贡献度与主要特征量是不同的，因此需要引入权值．假设各个特征值的权值为W=(w1，w2，…，wm)，且使得w1+w2+… +wm=1，则对象i和j之间的加权欧氏距离为:

相似系数与距离相反，则待测电器L与样本库中的电器i之间的相似性用相似系数可表示为:

式中:c值范围为0～100%，当c值越接近100%，说明两个电器之间相似程度越大．因此，通过寻找最大相似度即可确定待测电器的类型．

4 遗忘处理

将生物记忆原理与实际工程相结合，可实现用户使用习惯的保留和数据有效性的判定，如陆秋琴等［11］结合记忆原理与基本输入法，使输入法能实时调整词汇顺序;张建业等［12］在对多传感器信息融合时，用限定记忆控制项来防止陈旧信息引起的数据饱和．本文将该原理应用到智能插座中，在解决存储器容量有限的同时，还能防止新学习和经常使用的电器样本被剔除．

长时记忆是短时记忆的迭代更新和自身的遗忘作用共同产生，采用长时记忆值来表示电器样本记忆值的大小．在样本库中，对于使用频率大、时间间隔短的电器样本，其电器样本记忆值大．

用Ms表示电器样本的短时记忆值，N表示短时记忆的初始值，ε表示短时调整常量，t表示当前时刻，t'表示匹配到该电器样本的时刻，则短时记忆更新的数学模型为:

用ML(t)表示t时刻某电器样本的长时记忆值，M表示长时记忆的初始值，η表示长时调整常量，t0为第一次匹配到该电器样本的时刻，则长时记忆的数学模型为:

上式中，需要较多的存储容量记录每次电器样本被匹配到的时刻t'(i)，假设每次使用电器的间隔时间一致，上一匹配时刻为t1，匹配次数为n，则上式可简化为:

长时记忆值ML体现了该电器样本的重要性，因此，当样本库容量满时，可选择剔除长时记忆值最小的电器样本．

5 系统测试

该插座的硬件组成及各个模块的连接关系［13］见图4．其中，存储模块可以存储电器的样本库，还可以存储静态网页源码和插座的配置信息;电能采集模块以RN8209G为核心，用于获取电器工作时的P和cosφ等电能参数;继电器阵列用于控制插座上各个插孔的通断，为实现远程控制和电器待机功耗消除提供硬件基础．

图4 智能插座模块框图Fig．4 Block diagram of the smart socket

5．1 电能参数采集测试

电能参数采集模块所获取参数的准确性影响到电器识别的准确性和系统的可用性．本测试选择负载特性稳定的电器，分别使用该插座和0．2精度等级的多功能电表PY194E进行测量，见表1，结果表明，插座所获取的电能参数与多功能电表的测量值有较好的一致性．

表1 电能参数采集测试结果Tab．1 Result of the energy data acquisition

5．2 电器之间相似度测试

采用变权欧氏距离，可以控制是否要引入辅助特征量以及特征量的重要程度．该测试中，选取P和cosφ的平均值对应的权值w1=w2=0．5，振动幅值(最大值与最小值之差)对应的权值w3=w4=0，测得待测电器与电器样本库之间的相似度，见表2．

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

从表2中可以看出，样本库中的电器样本与生成该样本的电器相似度较高，一般可达90%以上，同一类型不同型号的电器与样本库中的电器也保持较高的相似度，一般可达80%以上，但对于类型不同的音箱与台灯保持较高的相似性，容易引起误判．实时测量发现音箱的功率因素波动幅度较大，而台灯则较稳定，见图2．因此，选取P和cosφ的平均值对应的权值w1=w2=0．4，振动幅值(最大值与最小值之差)对应的权值w3=w4=0．1，测得待测电器与电器样本库之间的相似度，见表3．

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

从表3中可以看出，引入振动幅值后，一定程度上会降低电器之间的相似性，特别是不同类型的电器之间，如容易引起误判的音箱和台灯．

5．3 电器用电量统计测试

该测试中，随机选择一个宿舍作为测试对象，该宿舍常用的电器有电脑、台灯、音箱、电吹风、热水壶以及卫生间内的热水器，历时一个月的统计结果见图5．

从统计结果可看出，该插座可统计出宿舍中大部分电器的耗电量，“其它”指不在样本库中的电器的耗电量，可以看出宿舍中的耗电大户是电脑和热水器，提醒用户针对性地采取相关措施，如定时开启和关闭热水器、减少该类设备的使用次数．

图5 宿舍中各电器用电量统计Fig．5 Statistic of the electrical appliance energy consumption in a dormitory

6 结语

本研究所设计的智能插座根据待测电器的特征值，结合变权欧氏距离识别出电器的类型，进而实现对电器用电量的统计和电器待机功耗的消除．测试结果说明，该智能插座能准确识别出电器的类型，无需绑定智能插座和电器，就能实现对各个电器用电量的精确统计，且可避免对小功率电器和周期性工作电器的误判，与常规的智能插座相比，具有更好的灵活性和适用性．

［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，孙力娟，王汝传，等．物联网环境下智能插座的设计［J］．计算机研究与发展，2010，47(S):321－326．

［3］徐尉，孙力娟，王汝传，等．基于物联网/传感网的智能节能系统［J］．计算机研究与发展，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］李静，杨洪耕．一种用于家用智能电表的负荷识别方法［J］．现代电力，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，杨洪耕．基于暂态特征贴近度匹配的家用负荷识别［J］．电力系统自动化，2013，37(9):54－59．

［10］白雪，罗四维，黄雅平．聚类分析中的相似性度量及其应用研究［D］．北京:北京交通大学，2012．

［11］陆秋琴，黄光球，周娇．基于生物记忆原理的智能拼音输入法模型［J］．计算机工程与应用，2011，47(9):56－60．

［12］张建业，王占磊，张鹏，等．基于支持度的限定记忆二次融合算法［J］．计算机应用研究，2012，29(4):1 338－1 340．

［13］福州大学．带数据采集和网络通讯功能的智能插座:中国，201320336673．5［P］．2013－12－04．