家庭智慧能源管理系统设计与测试

周 飞

（广东东软学院 计算机学院，广东 佛山 528225）

0 引 言

随着社会的进步，人们生活水平日益提高，智慧家居逐渐进入人们的日常生活，用户对电能的需求也在持续增加，这给电力行业带来了巨大的挑战。从能源角度来说，除了现今大力发展可再生能源、提高供电侧的发电效率之外，对于提高需求侧用电管理效率，并有针对性地制定用户节能方案，实现可持续发展是当前亟待解决的问题。然而，这种解决方案只能限制部分用户的用电行为，并未从用户侧角度智能化、高效率地提高电能利用率[1-4]。

目前，关于上述问题的研究较少，并且大部分文献都是对用户用电做出分析处理，还需要用户自己对其进行管理，未真正做到智能化节能。为解决以上问题，引入云服务技术和智慧家居物联网技术，开发出一套智慧能源管理系统。本文主要在满足用户的用电生活习惯的基础上进一步对系统进行设计研究。

1 系统框架及通信接口设计

1.1 系统架构设计

本文采用Client/Server 架构，基于Android 所编写的APP 来开发家庭智慧能源管理系统的用户端[5]，以极简的全光组网（FTTR）代替传统的以太网建立网络结构。而电网端则是优化用电的系统结构。图1 为系统架构的设计方案。

图1 系统架构

系统框架主要分为3 部分，分别是用户端、全光组网和电网端。根据电网端传感器上传的数据，对用户一段时间的用电习惯进行自主学习以后，将数据信息提供给云端服务器，储存到数据库，再通过WiFi6 提供给用户端的移动APP 反馈给用户。其中，用户端以APP 作为该系统对用电分析和管控需求的第一方交互工具，而系统本身进行自主学习所形成的用户端用电习惯仅作为第二方交互工具。在APP 的控制之下，对整个系统进行监测与控制，这样的设定优势在于用户端拥有第一管理权，便于用户对用电情况的分配和管理。全光组网（FTTR）则是通过光纤以及配套的组网设备为每个房间提供有线、无线业务接口，配合WiFi6 技术实现全屋的“千兆”网络覆盖[6]。

1.2 通信接口设计

系统为用户提供WiFi6 无线接入和GE 的有线接口的接口协议，满足各类终端设备的网络接入需求。文献[7]提出了物联网智能插板设计的方法并构建了硬件的基础设计。但是大部分文献都是通过“智能插板”的方式与用电器进行连接，这样的方式不能直接做到对用电器物联网的控制，而是通过第三方进行控制。

基于以上情况，本文对用电器进行改进，让通信接口和物联网接口都符合统一标准，使用ESP8266 模块实现WiFi6的连接。对接口进行定义，实现对用户用电数据的采集、传输储存、云端上传和数据库连接，并基于用电数据对用户用电行为进行自主学习，实现对智能用电器的调配。云端下发的调配指令须经过家庭主网关传递给用户和用电器。

此外，为了方便用户管理和查看，每种联网的用电器都会被编码一种标识符用来区分同一房间的相同用电器，存于用户APP 端，不同编码代表的是用电器的基本信息。

2 系统软件功能设计

2.1 软件功能设计

本文设计的家庭智慧能源管理系统包含用户端的移动APP 和电网端的双向交互平台，而移动APP 通过家庭网关与电网侧进行连接，主要给用户提供一个管理服务和云端数据的上传服务，这种设计的优点在于用户对用电器的管理更加方便。

2.2 智能传感器采集模块设计

受限于物联网设备的部署空间、计算能力和待机时间等条件限制，目前大部分智能用电设备的通信模块都使用ZigBee、 Bluetooth LE、Z-Wave 等低功耗个域网PAN 无线传感技术，针对不同电器设备的特点，这些传感器集成于智能家电或智能电表设备之中，采集监控电器的能耗。这些传感器通过智能家居网关将采集的用电数据汇聚到云端，为用电规划、节能策略设计提供数据支持。同时接收能耗管控策略，触发用电设备开启或关闭，实现能耗管控[8]。

2.3 遗传算法和深度学习算法

构建基于LSTM 的混合算法模型。长短时记忆神经网络（Long Short-Term Memory, LSTM）是一种以循环神经网络为基础衍生的算法模型。首先构建收集良好用电行为的家庭用电数据库，此数据库记录家庭内各房间的用电数据，如电压、电流、已用电量、有功功率等。使用数据库训练基于LSTM的混合网络模型，优化模型参数；最终将当前时刻的家庭用电数据作为输入变量送入训练完成的网络模型中，预测未来不同时刻的家庭总用电量，实现反应快、准确率高、稳定性强的预测模型[9-10]。

众所周知，家庭的用电器都有不同的功能和独特的用电特性，对于冰箱、空调、厨电等一些与时间线性相关的用电信息，可以根据这一特性进行选择性、间断性地信息采集，这样可以低功耗地采集分析用电器的用电信息。从这些角度对用户的每个房间的总体用电信息进行采集分析，最终整合为多变量的时间序列输入模型算法，并进行全屋的用电分析，提高系统用电预测的准确性和高效性。

为了建立端到端的智能家庭用电预测模型，在Boruta 特征筛选完特征后还须将样本数据序列化，进行多个特征的重要性计算，选取其中重要性较高的部分以满足LSTM 模型的训练要求。预测模型建立的主要步骤包括数据采集、特征选取、特征筛选、样本数据序列化、特征数据归一化、LSTM数据输入、模型参数调优、用电预测建模、训练并保存模型等。具体流程如图2 所示。

图2 面向家庭的智能用电预测流程

3 用户测试分析

为进一步对本文所提出的家庭智慧能源管理系统进行评估，通过对家庭用电的实际案例进行对比分析，不难发现家庭智慧能源管理系统不仅可以有效地实现节能，降低家庭的用电成本，还能提高用户的体验感。

用户可以通过APP 根据传感器采集上传的数据对系统的节能状况进行对比与分析，随时改进用电模型。由于系统采用了极简的全光组网代替传统的以太网线，4 层网络变2 层网络，光进铜退，无源设备替代有源设备，可以大幅简化电路，减少30%以上的电能消耗。因此，家庭智慧能源管理系统的优势体现得非常明显，可以在今后进行推广使用。

4 结 语

本文主要研究了家庭智慧能源管理系统，并提出了一种全新的系统架构和深度学习算法。通过用户测试分析，该系统可以更加智能化、自动化地控制用电器，能够提高电能利用率，实现了优化家庭用电的目标。而对于用户来说，优化用电能力也能促进能源的可持续发展，符合我国所提倡的节能减排的政策要求。