基于非侵入式负荷监测的家庭电气火灾防控系统

吕银华，张旻

（1.浙江中辰城市应急服务管理有限公司，浙江 杭州 310050；2.杭州电子科技大学 计算机学院，浙江 杭州 310018）

0 引言

近年来，电气火灾频发，其原因主要有用电设备操作不当和线路故障[1]，其中用电设备操作问题可近似看作用户用电行为问题。非侵入式负荷监测技术（NILM）最早由Hart提出[2]，常用于家庭能源监测和用户用电安全感知，其主要优势在于不需要对家电设备进行分别监测，只需要在家庭总线处进行监测即可，可以节省大量的人力物力。但在用户用电安全感知上，传统的NILM 技术需要大量的故障信号数据对模型进行训练，而家庭电气火灾的设备故障数据难以获得，人为制成数据集不仅在真实性上有所欠缺，同时还会加大实验的风险性，在应用上具有较大难度，另外现有NILM 技术也存在着一些不足。

电信号的选择对保证负载分配的准确性起着至关重要的作用。NILM 领域的常见特征包括有功和无功功率[3]、谐波[4]、启动时的瞬态模式[5]和V-I 关系曲线[6]。主流的NILM 模型大体上可以分为两类：基于事件模式与基于非事件模式。基于事件模式是指检测何时发生设备切换，该设备识别从每个设备提取的不同电子签名以标记状态更改事件。但其缺点在于需要较高的采样频率，采样率约为千赫兹或兆赫兹级，这对采集设备的要求较高，会加大应用难度。基于非事件模式则是将汇总的功耗分成单独的功耗，并估计在低频条件下处于工作状态下的家电设备组合功耗，可以近似看作组合最优问题，这种方法可以依托于采样频率极低的智能电表来实现，应用的可能性较高，这一特点也使基于非事件模式的算法成为NILM 的主流方向。

国内外许多学者对基于非事件模式的算法进行了研究，学者们发现对不同类型的电器，算法的效果也会有差异。常见的家用电器可以分为开关型电器和多状态型电器，其中开关型电器是指只有启动和关断两种状态的电器，多状态型电器是指具有多种档位的电器。文献[7]提出了一种基于因子隐马尔可夫模型（Factorial Hidden Markov Model,FHMM）的监测算法，并使用分段约束二次规划进行优化。文献[8]提出了一种基于隐马尔可夫模型（Hidden Markov Model,HMM）的监测方法，利用迭代K-Medoids 算法对模型进行了优化，对I 型负荷能进行有效监测，但对II 型负荷的监测准确率较低。文献[9]提出了一种基于谱分解的监测方法，可以在样本很少的情况下对I 型负荷进行有效监测，但在存在未知设备的情况下，准确率会大大降低。

电气火灾监控与能源监控领域存在一定差异。能源监控需要对所有电器设备进行监控，主要目标在于对不同的电器都能有较好的监测效果；而电气火灾监控则是要重点对存在火灾隐患的电器设备进行监控，要求对特定电器有精准的监控效果，这种电器多为开关型电器，少数为多状态型电器。电气火灾监测领域较为关注的电气火灾成因有漏电电流和电流过载。文献[10]设计了模拟漏电电流的实验装置，并首次将漏电电流与NILM 结合在一起，为电气安全监控提供了新的方向。

针对NILM 和电气火灾监控领域的特点，本文提出了基于非侵入式负荷监测的家庭电气火灾防控系统。该系统采用智能插座作为硬件，原因在于：一方面，智能电表所监控的负荷数过多，不适用于电气火灾监控；另一方面，过多的负book=9,ebook=13荷数会影响算法性能。智能插座可以有效约束监测的负荷数，平衡算法性能与硬件成本，对电气火灾监控领域的针对性更强。

本文的贡献在于：

（1）将NILM 技术与电气火灾的监控结合在一起，可以有效排查设备处发生电气火灾的隐患，防止火灾的发生；

（2）提出了一种基于跳跃模型的NILM 技术，能够精确地对易发生电气火灾的设备进行监控；

（3）设计了一款智能插座，可以实时采集设备电功率，采集频率为0.1 Hz，并将数据上发至云端，由云端进行数据的处理。

1 系统建构

1.1 整体实施方案

系统实施方案如图1所示，该方案主要涉及三个部分：智能插座端、云端和APP 端。其中智能插座端负责采集设备数据；云端负责接收智能插座端采集的数据并对数据进行处理；APP 负责显示能源分解和电气火灾隐患判定结果。

图1 系统实施方案

1.2 硬件设计方案

硬件端的结构如图2所示，整个硬件实施方案分为4 个模块：电源模块、计量模块、WiFi 通信模块和MCU 模块。

图2 硬件实施方案

电源模块由交直流转换电路与直流降压电路构成。其中交直流转换电路的控制芯片选用ME8321，这是一款低功耗的交直流转换电源控制芯片，该电路将220 V 市电转换为5 V 直流电，用于为计量模块供电以及后续转换为3.3 V。将得到的5 V 直流电通过由 AMS1117-3.3 V 电源芯片主控的降压电路转换为3.3 V，并对MCU、WiFi 模块进行供电。

计量模块由功率测量模块和漏电电流采集模块组成。功率测量模块的主控芯片为HLW8012，该芯片可以测量有功功率、电量、电压有效值、电流有效值，被广泛应用于智能家电采集终端。该模块通过互感器对火线处流入的电流进行处理，将缩小后的电流接入HLW8012；同理通过分压电路进行分压，将分压后的单相电压输入HLW8012，即可输出代表有功功率值和电流有效值的电压信号。漏电电流采集模块的主控芯片为AD637，将三相线电流通过互感器转换后的交流信号接入AD637 中，即可输出得到电压信号。将所得的两种电压信号接入MCU 中，通过MCU 计算便可得到有功功率值、电流有效值和漏电电流值。

WiFi 通信模块选用TYWE3S 模块，是一款低功耗嵌入式WiFi 模块。它由一个高集成度的无线射频芯片ESP8266和少量外围器件构成，内置了WiFi 网络协议栈和丰富的库函数。TYWE3S 是一个RTOS 平台，集成了所有WiFi MAC 以及TCP/IP 协议的函数库，内嵌低功耗的32 位CPU、1 MB 闪存、50 KB SRAM 和丰富的外设资源。

MCU 模块主控芯片采用的是STM32F103C8T6 芯片，该芯片核心采用ARM Cortex-M3 架构，可满足信号采集、处理与上发的基本功能。

2 电气火灾监控算法

本文拟议的监控算法主体为基于跳跃模型的NILM 算法，该算法可以实时获取电器设备组合状况。针对电气火灾监控方面，本文算法综合考虑了设备级电气火灾成因，可以有效对漏电电流、电流过载两种常见的引起电气火灾的因素进行实时辨识，同时可以获取当前时段电器运行信息，对分辨引起电气火灾的设备有一定指导意义。

2.1 负荷分解问题描述

将接入总线的待测电器的种类数记为N，在t时刻的总线的聚合特征记为y(t)，t时刻的第i类电器的特征记作yi(t)，其中i={1,2,...,N}，由此可得：

其中e(t)表示建模误差，这种误差通常是由于电网扰动带来的噪声造成的。负荷分解的目的在于从总线的聚合特征中得到各个电器的能耗，并使e(t)最小。本文选取的负荷特征为有功功率P，负荷的聚合特征可以被表示为序列P={p1,p2,...,pi,...,pF}，F为长度。实现分解的主要任务就是求出在总功耗序列P中，第i个设备的单个功率值Pi(t)，最终使分解所得的各个设备功耗之和与总功耗序列P之间的差值最小。

2.2 负荷建模

电器状态的转变可以看作线性时不变系统，用Ki表示第i个设备的不同状态，Ki是一个自然数；用si(t)来表示设备ibook=10,ebook=14在t时刻的状态集，即。设备功率值可表示为：

其中：X(t)和分别表示特征值和模型参数；e(t)表示建i模误差。本文选用动态跳跃模型进行建模，选用特征量为功率值，该模型可表示为：

其中：n表示设备的切换顺序。θi通过最小化误差函数来求取：

优化算法则选用粒子群算法进行，由于动态模型中的si(t)未知，需要借用静态模型来辅助求出，静态模型不同之处在于静态跳跃模型建模为：

其损失函数为：

其中模型输出值与实际测量值之间的误差有关，此处选择用均方误差来衡量：

动态跳跃模型的学习算法如下：

（2）迭代h=1,2,3,...。求解得到静态；代入求解得到直到求得通过粒子群算法求解得到θi。

（3）输出：θi和。

2.3 负荷分解

由上述跳跃模型进行负荷分解的目的是通过总线功率值y(t)，获取不同的设备运行状态，用s(t)表示t时刻的所有设备的状态，s(t)∈{s1(t),s2(t),···,s N(t)}，用S表示所有的组合可能性，用|S|表示设备状态的组合数，。

常见的能量分解算法是以优化损失函数的形式完成分解任务，本文的不同之处在于考虑了分解时的限定条件，提高了整体算法的分解精度。

为规避极小概率事件，本文作出假设：在同一时刻，至多只有一种电器切换电器状态，这样即可提高算法分解的精度。用Ci(t)来表示t时刻设备i的变化情况，表达式为：

限定条件可以表示为

分解时损失函数的定义为：

与式（9）类似，均方误差为：

式（13）中，λ(d)(d∈S)是可调参数，与连续两个时刻都保持状态d的经验概率成反比。假设设备彼此独立的情况下，λ(d)的计算式为：

其中：w是可调参数；λi(di)是经验概率，且有：

其中：i=1,2,...,N；j=1,2,...,Ki。

分解算法的核心思想是在约束条件下进行损失函数的最小化求解。在电气火灾监测中，电器不同档位的运行时间也是很重要的特征，所以本文的监测算法不仅需要输出不同的状态，还要输出电器不同状态的运行时间。具体算法如下：

（1）输入：总线功率值读数模型参数θi，λ(d)，d∈S。

（2）通过计算l(y(1),h)（h∈S），求得J*(1,h)；通过求得s*(1)；对于t=2,...，在条件下进行迭代，计算，计算求得s*(t)。当Ci(t)=1 时，将上一次book=11,ebook=15Ci(t)=1 的时刻记为til，记下此时时刻tin，设备不同状态的运行时间为tid。

（3）输出：估计得到的模式序列s*(t)，设备不同状态的运行时间tid。

3 实验

3.1 分解算法实验

本节使用REDD 数据集中的House2 三天用电数据进行仿真，在不同的电器设备混合情况下，对Hart 模型[2]、AFHMM 模型[11]、静态跳跃模型[12]以及本文所提出的改进跳跃模型分别进行分解实验，以此验证本文算法的优越性。

本文所采用的算法评价指标为FM，FM是精确率PR和召回率RE的调和平均值。三者的定义公式为：

式中：TP表示实际运行设备被成功检测与辨识的总数；FP表示设备未运行却被误检的总数；PR用于衡量算法的检测准确率；FN表示设备在运行却被漏检的总数；RE用于衡量事件检测与聚类的强度；FM是对两者的综合评估。在实验中选用3 种主流模型与本文模型作对比，总的来说本文算法的性能优于其余3 种主流模型。在六种混合设备的情况下，平均FM指数大于80%，整体分解效果较好。不同混合设备的平均FM指数见表1 所列。

表1 不同混合设备的平均FM 指数对比

冰箱的有功功率分解曲线如图3所示，分解估计值近乎与真实值重合。

图3 冰箱有功功率分解曲线

3.2 漏电监测实验

在监测功率变化的同时，对漏电电流进行监测，实验装置示意图如图4所示。漏电电流通常情况下应为0，且漏电电流的发生往往伴随着电器的投切。电器设备的启动将伴随接地电阻回路连通，火线与地线之间出现电流，三相电流平衡被打破，视作发生漏电情况，只要对比发生漏电电流前后的电器设备变化情况，即可判断出可能发生漏电的电器设备，完成对设备漏电的监控。

图4 漏电电流模拟实验

某次漏电电流实验曲线如图5所示，在该次实验中，电水壶与电磁炉混合运行，其中电磁炉有两个档位。将电水壶与大电阻相接，则电水壶运行过程中伴随着漏电电流发生，电水壶关断后，漏电电流消失。通过非侵入式负荷监测，可以推断出漏电电流发生时的电器投切情况，从而推断出故障电器。

图5 漏电电流监测实验曲线

漏电电流实验汇总见表2 所列，实验中选用电器共4 种，分别为电吹风、电水壶、电磁炉和小煮锅，按发生漏电电流的电器种类分为四组实验，每组实验进行25 次，分别统计准确识别、漏识别和错误识别次数。

表2 漏电电流实验汇总

4 结语

本文所提出的基于非侵入式负荷监测的电气火灾监控算法，以采样频率为0.1 Hz 的智能插座作为硬件实现端，得到的电器有功功率值、电流有效值和漏电电流值，作为电气火灾判定的特征值。其中有功功率值用于判定不同时刻正在运行的电器，电流有效值和漏电电流值用于判定漏电与电流过载发生与否，本文所提出的系统主要针对于用电行为不当造成的电气火灾隐患判别。

本文所提出的电气火灾隐患识别算法的优点在于以非侵入式负荷监测算法为主体，在掌握家庭用电行为的同时，将电流过载与漏电这两种常见的电气火灾因素与用电设备状态切换结合在一起，从而能有效判别由不良用电行为造成的电气火灾隐患。本文在原有跳跃模型的基础上，增加了更符合家用电器特征的约束条件，从而提高了分解准确率。

本文所提出系统的进一步改进空间在于减小模型的大小，便于下一步将电气火灾隐患识别算法向嵌入式端转移，以进一步提高算法运行速度，减少云端资源占有率。

[1]廖俊华.电气火灾原因调查与防范技术[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]刘兴杰，曹美晗，许月娟.基于改进鸡群算法的非侵入式负荷监测[J].电力自动化设备，2018，38（5）：235-240.

[4]吕志宁，赵少东，饶竹一，等.非侵入负荷辨识的谐波特征量提取改进方法研究[J].电子测量技术，2019，42（7）：29-34.

[5]高浩瀚，张利，梁军，等.基于改进排列熵算法和 Yamamoto算法的非侵入式用电设备状态变化检测[J].电力自动化设备，2020，40（1）：192-197.

[6]周任飞，汤鹏飞，刘三丰，等.基于卷积神经网络的非侵入式负荷识别研究[J].信息技术与网络安全，2019，38（8）：64-68.

[7]陈思运，高峰，刘烃，等.基于因子隐马尔可夫模型的负荷分解方法及灵敏度分析[J].电力系统自动化，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.