基于物联网的非侵入式负荷状态监控系统设计

季坚莞,胡文军,王 闯

(1.湖州师范学院 信息工程学院,浙江 湖州 313000; 2.浙江理工大学科技与艺术学院,信息与控制学院,浙江 绍兴 312300; 3.浙江省现代农业资源与应用研究重点实验室,浙江 湖州 313000)

0 引 言

近年来,高校实验室安全事故时有发生,暴露出高校实验室安全管理不到位、实验人员违规操作、职能部门监管薄弱等问题[1].电子工艺实验室是电子信息类专业教学和科研的重要环境,不仅发挥着线路板焊接、元器件与电路板测试等功能,涉及焊台、电烙铁、台灯、手机充电器、示波器、稳压电源、信号发生器等设备,而且设备种类繁多、零散,给实验室的安全运行带来许多挑战：①焊接工具存在易丢失、错放等问题,管理混乱且利用率低;②焊接过程存在供电安全和使用安全问题,如余热电烙铁易发生烫伤、意外火情等[2];③故障设备和违禁电器的使用引起诸多设备用电安全隐患问题[3].

为应对上述挑战,应从以下两方面入手：①提升管理水平,如建立和严格执行安全管理制度,提高师生的安全意识;②构建实验室智能化监管系统.由于以前的实验室智能化程度不高,大多数的高校只能通过提升管理水平来加强管理,如引入接轨企业的“6S”管理理念[4].而这种方式在很大程度上仍依赖于人们的自觉性,无法准确、及时地监管违规人员.随着物联网和机器学习等新一代信息技术的发展,实验室仪器设备和监测手段的智能化逐渐提高.实验室的智能化监管系统已成为实验室建设者和管理者采用的重要手段之一[5-6].例如,利用视频监控等信息化技术实时监视实验室的整体运行情况、利用负荷监测技术检测实验室用电设备的类别和实验设备的使用情况等.负荷监测技术是实现实验室精细化管理的重要技术之一,按其实现技术可分为侵入式负荷监测(Intrusive Load Monitoring,ILM)和非侵入式负荷监测(Non-intrusive Load Monitoring,NILM)[7].由于非侵入式方法不会破坏实验室的电力线路和其他环境,所以受到研究者的极大关注.杨云瑞等利用电器的V-I图数据监测高校实验室各种设备的负荷运行,以识别设备情况[8].朱昊等利用嵌入式技术设计电能信息采集装置,并构建特征库用于电器识别[9].Kang等利用特征融合方法设计自适应NILM算法,并将其部署在以STM32MP1为核心的监测设备上[10].

上述非侵入式负荷监测技术推动了实验室智能化监管系统的发展,特别是促进了精细化、智慧化的实验室建设.电类设备根据用电状态可分为启停负荷和多态负荷.启停负荷只有开启状态和关闭状态,如台灯、设备充电器等.多态负荷存在多个工作状态的电器,如电烙铁、焊台等.目前,大多数的智能检测设备仅能监测启停负荷[11-12],其采集的特征数据和分析算法都不能直接用于多态负荷.为准确识别多态负荷或混合多态负荷的场景,本文基于融合负荷识别与负荷分解设计非侵入式负荷监测方法,并基于物联网技术开发监测系统,实现对违禁电器接入、现有设备故障、设备通电未使用等隐患的实时监测、报警或自动断电,以确保设备用电安全和人身安全.

1 系统构建

1.1 整体系统架构

目前的非侵入式负荷监测(NILM)方法主要是对启停负荷进行识别,不能解决多态负荷或混合多态负荷识别问题,且不具备根据设备运行状态进行负载实时控制功能[13].本文基于物联网技术研发解决此问题的监控系统.该系统的整体硬件架构包括4个部分：①监测节点.其用于数据采集、计算分析和数据通信,以保证计算结果的准确性、实时性.其分析算法主要包含特征提取、变点检测、负荷分解、负荷识别等.②无线路由器.其用于接收监测节点发送来的电能数据、设备状态等,以及将此类数据发送给服务器端,也接收服务器端的控制指令和向监测节点传送这些控制指令.③服务器.其为整个系统的通信中心,负责存放来自监测节点的数据、接收终端指令,或根据设备状态输出控制指令.④终端设备.其主要包括PC机、智能手机等,一方面作为可视化终端,实时显示实验室状态数据;另一方面作为控制终端,发出控制指令实现远程操作.系统整体架构见图1.

图1 系统整体架构

1.2 监测节点硬件

监测节点是监控系统的核心部件,由微控制单元(Microcontroller Unit,MCU)、电能计量模组、LCD触控显示屏、光耦隔离继电器、AC-DC电源转换电路等构成.考虑到硬件成本,采用集成WiFi/蓝牙通信功能的ESP32作为节点的MCU,负责分析计算、无线数据通信、信息显示、通断电控制等任务.电能计量模组采用IM1281B模组,其以0.2 s的采样速率测量电压有效值、电流有效值、有功功率、功率因素等电能参数,并将这些数据通过标准的Modbus-RTU协议发送给MCU,从而实现每个节点支路的电能数据获取.为显示电能参数、设备状态等信息,节点设计2.8寸TFTLCD触控显示屏.另外,由带EMC低纹波功能的AC-DC开关电源模块输出5 V直流电供各模块使用.监测节点的硬件结构见图2.

图2 监测节点硬件结构

1.3 监测节点软件

监测节点软件采用FreeRTOS设计,其包含采集任务、分析任务、通信任务、图形库任务和控制任务等.任务之间除必要的数据交换外,相互独立,并发运行,互不干扰,以有效提升系统的实时性和高效性.节点软件运行流程见图3,系统可以选择训练模式或识别模式.在训练模式下,每次对一个电器进行采集,计算特征参数并存入特征库;在识别模式下,接收服务器指令,并依据指令控制断电,同时周期性地采集电气数据,依据NILM算法检测是否有投切事件的发生,识别出当前电网中的负荷运行状态,并将结果上传至服务器,若有其他异常状态亦可紧急断电.

图3 节点软件流程

2 非侵入式负荷监测算法

焊台是电子工艺实验室中常见的多态负荷,有加热、恒温、降温、关闭4种工作状态.焊台与其他电器同时工作,若不将其从叠加事件中分离出来,就难以直接分解出其工作状态.现有的NILM算法直接采用电压有效值、电流有效值、有功功率和功率因素等电能数据作为负荷特征,难以分解多态负荷的工作状态[14].为得到焊台的状态特征值r,本文提出一种非侵入式负荷监测算法,其包括4个步骤：①数据预处理,基于电流有效值拓展负荷特征;②在事件检测阶段,通过规则学习方法匹配多态事件,将多态负荷状态特征分离出来;③在电器状态稳定时提取各负荷特征,并将状态特征与这些特征结合构建负荷特征库;④用特征距离描述测试值与特征库中特征集合的相关度,实现负荷状态识别.算法流程见图4.

图4 算法流程

2.1 数据预处理

第二节介绍的监测节点可采集负荷的电压有效值、电流有效值、有功功率和功率因素4种电能数据.在负荷投切时,各种波形见图5.从图5可以看出,电压波动随负荷的变化不明显,功率因素波动难以区分叠加事件,且电流波动比功率波动更能体现负荷状态改变.本文选择电流有效值作为状态识别的主要数据.负荷的每种状态改变的持续时间、幅度大小等均不相同.为此,本文基于时域处理电流数据,扩展出3个主要特征：瞬时电流变化(ΔI)、电流变化时间累计(m)和电流周期性波动次数(x).

图5 电能数据波形

2.2 事件检测

2.2.1 双边滑动CUSUM

在NILM算法中,事件监测是特征提取和负荷识别、分解的基础,准确的事件检测可以有效增强负荷识别与分解结果[15].为精准定位负荷状态变化,采用双边累计和(Cumulative Sum,CUSUM)[16]方法分析电流有效值序列Cur(j).在电流序列上定义连续滑动计算的均值计算窗Wa和暂态检测窗Wr,在各窗口内计算平均值.由于在负荷投入与切除时,电流变化存在较大差异,即在投入时存在瞬时过充现象,而切除时则较为平滑,因此引入稳态检测窗Ws(Ws窗为计算窗口长度内电流的标准差),以确定是否进入稳态.窗口Wa、Wr、Ws的长度分别为a、r、s.各窗口内的均值计算公式为：

(1)

(2)

(3)

检测稳态时的标准差计算公式为：

(4)

由于受电源干扰和采集精度的影响,所以电流数据往往存在一定的噪声波动.设该噪声为ε.以电器切入流程为例,检测流程见图6.

图6 事件检测流程示意图

步骤1为起始阶段,此时所有窗口都处于稳定状态,保持不变;进入步骤2,此时稳态检测窗开始出现变化,其他窗口依旧不变;进入步骤3,此时暂态检测窗Wr的均值开始出现变化,若电器启动时无震荡,则Ws窗已经步入稳定,而这类电器多为纯电阻阻抗,占比较少,更多的可能是此时Ws的标准差仍出现小范围的波动;进入步骤4,此时Wa窗开始出现变化,其他窗口可能稳定,亦可能仍旧波动;最后直至所有窗口都处于稳定,代表一次完整的事件检测过程完毕.

在滑动过程中,若经过投切发生时刻ta=k,则此时窗口内的均值Mr将大于Ma+ε.为防止电流波动干扰,需要进一步累积r时刻,直到tr=k+r时,才可以确定发生了切入事件,事件发生的时刻为tr-r.为统计这种变化量,定义事件累积和gp为切入事件的电流上升程度,gn为切出事件的电流下降程度,Q为确定发生事件的阈值,Δmin为稳态标准差阈值.其累计和的计算公式为：

gpj=max{0,gpj-1+Mr-(Ma+ε)},gp0=0,

(5)

gnj=max{0,gnj-1+Mr-(Ma+ε)},gn0=0.

(6)

2.2.2 多态负荷分离

当有事件投切时,进一步进行多态事件匹配,并依据匹配结果进行多态负荷特征分离.为此,设计一种基于规则学习的多态事件匹配方法,用于解决分解多态负荷状态问题.首先,明确规则学习中的规则体和规则头.规则体表示该条规则的前提A,规则头表示该条规则的结果B,即“如果A,则B”形式的逻辑规则.因此,可设计规则集合c：

……

依据上述规则,以多状态负荷焊台为例,其状态匹配算法见图7,其中ΔIk为k时的瞬时电流变化量.

图7 多态负荷状态匹配流程图

当焊台状态变化时,电流波动远大于其他电器.为进一步判断焊台状态变化的发生,设置判断阈值为Iht.其判断依据见式(7)：

(7)

(8)

(9)

(10)

(11)

以变点累计和为基础,进一步区分焊台的加热、降温、关闭和疑似恒温状态,设置累计和阈值为T1和T2,并做以下判断：

(12)

当焊台恒温时,电流成周期性变化,与其他状态均不同,所以在式(12)的基础上,通过检测焊台电流周期性变化的次数来判断是否恒温.具体见式(13),其中：X为周期性波动次数阈值;“其他”为未知状态,需结合负荷识别进一步判别.

(13)

综上,以扩展特征为基础,通过规则学习实现多态事件匹配,即得到焊台的状态特征值st.

2.3 特征库构建

在精确检测到负荷处于稳定状态或周期波动状态后,进一步在稳定时间内计算电流均值,得到稳定的特征数据.因为每种电器正常工作的状态数n是确定的,若假设共有z种电器,则所有电器的状态组合总数N=n1×n2×…×nz.采集每种状态组合的基础电能数据,从中提取特征数据,并设置状态组合标签,得到负荷状态特征库Y={y1,y2,…,yN}.其中,每个特征向量y表示一种负荷状态组合,其包含电流有效值I、有功功率P、功率因素PF和多态负荷状态st4个负荷特征值,即y=(I,P,PF,st).

2.4 负荷识别

在特征库构建完成后,即可进行负荷在线识别,进入负荷监测阶段.其流程为：先通过2.2节中的事件检测方法,得到多态负荷的状态特征,再将特征库中的特征集合与测试值进行特征匹配.特征匹配的流程是：首先,从测量值中获得待匹配的特征向量.然后,依次计算特征库中特征向量与之的特征距离,计算结果若在阈值范围内,则匹配成功,否则匹配失败.特征距离计算采用欧几里得度量,并将预先构建的特征库中的特征集合作为期望值.每个特征集合包含4种特征值,所以在4维空间中计算测试值δ与特征库中每一个期望值y之间的欧式距离(d1,d2,…,dN),并计算最小距离dmin=min{d1,d2,…,dN}.最后,通过比较最小距离dmin和模糊范围D来决策当前样本的负荷组合状态.若最小欧式距离dmin处于某一个期望点的模糊范围D内,则可判定此时处于期望点对应的负荷组合状态;若dmin不处于任何一个样本点的模糊范围,则认为是未知负荷或异常工作状态.模糊范围D可以控制识别的精度,取值越小,识别越精确,但其容易受到不稳定波动的影响;取值越大,识别更稳定,但准确率会降低.因此,需确定能准确识别的最优模糊范围D.

3 确定算法参数

3.1 事件检测阈值设置

通过训练可知,不同电器稳定状态的标准差见表1,其阈值Δmin为0.002.

表1 不同电器稳定状态的标准差

事件检测算法中累积和阈值应在(Qmin,Qmax)中选取,Qmin一般为最大的误检事件累计和,Qmax为最小的有效事件累积和.事件检测结果见图8,图中的实线为电流增大事件,虚线为电流减小事件.由图8可知,事件检测算法能识别每一个状态改变事件的发生,在比较检测效果后取最佳的Q为0.015.在非周期性波动时,识别率达100%;在电流因焊台恒温造成强烈波动时,识别率仍达98.5%.这为后续的多态负荷分离提供了基础保障.

图8 事件检测结果

3.2 多态负荷分离参数

多状态负荷匹配的准确度受阈值H的影响,当电流变化量ΔI>H时,表示接入了多状态负荷.若H取值过小,则易受到电流固有波动的影响,从而造成误判;若H取值过大,则会导致无法识别.此外,通过阈值Iht可进一步确定焊台状态是否变化.权重参数可通过训练获得,当H设置为0.07时,监测准确率最好,见表2;当Iht设置为0.18 A时,识别效果最佳,见表3.

表2 不同参数H下焊台事件监测结果

表3 不同参数Iht下焊台事件监测结果

变点累计和m±与周期性波动次数x会影响多态负荷匹配的准确度.当焊台关闭时,焊台降温识别受下降变点累计和m-的影响,焊台加热识别受上升变点累计和m-的影响,恒温受周期性波动次数x的影响,此时波动周期为m++m-,具体见图9.在图9的横坐标轴上,一个单位间隔代表5个周期信号.由此可以看出,当焊台加热时,电流上升达到稳态,上升变点累计和m+大约为5个单位间隔(25个信号周期);当焊台关闭时,电流下降迅速,下降变点累计和m-不到1个单位间隔;当焊台降温时,电流下降稍缓,下降变点累计和m-约为2个单位间隔(10个周期信号).

图9 变点累计和示意图

本文设置下降累计和阈值T2=2,上升累计和阈值T1=5,周期性波动次数阈值X=1,得到规则集合c：

4 试验与分析

本文通过第一节介绍的负荷监测节点对电器进行电能数据采集,并利用非侵入式负荷监测算法进行多态负荷状态分解、特征库构建和负荷识别.为验证识别效果,在电子工艺实验室环境下,选用3类代表性电器(台灯、充电器、焊台)作为测试对象,对不同负荷组合进行试验.试验流程为：通过投切不同电器或切换电器工作状态,改变线路电气状态;监测节点利用算法识别,并将结果上传至服务器存储.实验环境布置见图10,(a)为电器与监测节点工作场景,(b)为节点的屏幕显示与服务器的后台记录.

图10 实验环境现场

4.1 特征库构建

为得到可靠的负荷特征,对每种状态组合进行200次采集,将采集的数据通过负荷监测算法处理得到状态特征,从而构建一个电器状态组合特征库,见表4.通过可视化处理得到特征库空间图,其中点的大小代表第四维,见图11.由观察发现,“充电器”和“恒温+充电器+台灯”两个样本点的距离最近.通过计算验证,得到最优的识别阈值范围D=3.

表4 电器状态组合特征库

图11 特征库空间图

4.2 负荷识别结果

经过实验验证,多态负荷总体识别正确率可达100%,“其他”异常状态也能有效识别,满足要求.本文设计的方法与现有方法的识别结果见表5,表中的“√”代表正确,“×”代表错误.由此可以看出,本文设计的方法与现有的方法虽然都能稳定地识别负荷的类别,但现有方法仅能识别负荷的启停状态,无法识别多态负荷工作时的状态切换,如焊台恒温与焊台降温状态,而本文设计的方法可以精确地识别多态负荷状态,以及混合场景下的多态负荷状态.

表5 各负荷组合识别结果

5 结 论

本文针对传统实验室管理不足的问题,采用非侵入方式监测电力线路,设计一种基于物联网的非侵入式负荷监测系统,并设计监测节点的软硬件和非侵入式负荷监测算法.其中,NILM算法融合了负荷分解与负荷识别,能够准确地识别多态负荷或混合多态负荷的场景.另外,结合物联网技术实现了数据采集、数据通信、远程控制等功能,在接入违禁电器等异常情况时能实现自动断电,并通过真实场景部署验证了设计的可行性.该系统仍然存在一些局限,如研究的电器种类有限,未考虑同时识别多种多态负荷等.今后的研究重点是解决这些问题.