家庭中的多种电气设备在开关状态和工作时会产生大量的噪声,这是电力线噪声的主要来源。机械开关在打开和关闭时会产生单一的脉冲噪声,内部含有开关电源的设备,如空调,节能灯,电视等会产生周期性的脉冲噪声,并伴随着大量的谐波噪声,连续噪声在一些内部含有电机的设备(如风扇,吸尘器等)工作时会不断产生。按照产生机理的不同,主要分为背景噪声,与工频同步的周期性噪声,时域脉冲噪声,频域脉冲噪声。

背景噪声主要是由配电变压器原边耦合到配电网的噪声,无线电干扰产生的噪声等干扰的综合结果,它几乎覆盖整个频域。背景噪声随着频率的上升明显呈现出下降的趋势,其特性表现为1/ f噪声。在75~250 kHz范围内。背景噪声基本保持不变,呈现出白噪声特性。

与工频同步的周期性噪声主要由工频(50 Hz)及其谐波信号产生。这种噪声具有低频幅度强,衰减快的特点。实验结果表明,10次谐波的幅值即达到可以忽略的程度。

时域脉冲噪声主要由电器的突然切换产生。当一个存在电容或电感等储能元件的电路参数发生变化时,需要一个过渡过程才能达到另一个稳定过程。这种噪声的能量主要集中在低频段。频域脉冲噪声在时域表现为一个稳定频率的干扰噪声,这种噪声主要是由开关电源或谐振产生。

家庭用电设备的电源通常采用线性电源和开关电源(SMPS)。线性电源能量损失多,转换效率比较低。开关电源的工作原理如图1所示^{[ 7]}:

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 开关电源的工作原理Fig.1 The working principle of SMPS

开关电源由两部分组成:转换部分和控制部分。前者主要包括开关单元,辅助设备和负载传导单元。开关单元通常为半导体开关器件,其开关频率在几十kHz至几百kHz范围内,通过半导体器件的快速切换,将能量存储在电容、电感等储能元件中。转换部分和控制部分都是产生EMI的噪声源,控制部分所辐射的RF能量不会对转换部分的操作产生影响,但是转换部分辐射的EMI具有很高的能量,会影响到控制部分的操作,因此这些辐射到电力线中的EMI噪声,可以被检测出来,并作为鉴别开关电源设备的标签。开关电源具有体积小、重量轻、效率高的优点,因此,更多的设备开始采用开关电源供电。每个开关电源都有一个工作频率,在工作时会向电力线中辐射大量的EMI噪声,噪声的中心频率正是开关电源的工作频率。

图2为实验室中的开关电源设备开启和关闭时的频谱强度图,从图2中可以明显看出,当用电设备开启时,会产生一条窄的谱线,一直持续到设备关闭。这条谱线具有基频强度大、倍频处强度明显减小、并向两边逐渐衰减的特点。衰减的快慢不仅与开关电源本身的元器件特性有关,而且与负载的特性有关。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 开关电源开启和关闭时的电力线频谱变化Fig.2 Frequency domain strength plot of our laboratory

城市居民主要通过公共供水系统获取生活用水。在居民家庭管道系统中普遍安装着压力调节阀、水表和回流阀^{[ 8]},压力调节阀能够有效调节管道系统中的压力,保持水压的稳定,使水流能够顺利进入管道中。水表用于检测居民的耗水量,作为收费的度量标准;回流阀能够防止家庭水管中的水回流到主供水管道内。

总的来说,家庭自来水管道系统为闭环的压力系统,当没有用水事件发生时,管道中的压力恒定,一旦有水流流动,水压发生改变,迫使水流向水压减小的方向流动。水压波形经常涉及到两种现象:浪涌和水击。水阀的开或关,使得管道中的水压产生大量的谐波噪声,噪声的幅度依赖于管道中的水压和流过水阀的水流。Froehlich等人研究发现,特定设备的水压波形特点主要与三个因素有关:水阀的类型、水阀在水管网络中的安装位置以及水阀开关的方式,这些因素影响了水压波形的幅度,但是水压波形的本质特征没有发生变化^{[ 9]}。图3(a)(b)

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 厨房水龙头和马桶的水压波形特征(a)厨房水龙头Fig.3 The water pressuer wave of faucet in kitchen and toilet

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 厨房水龙头和马桶的水压波形特征(b)马桶Fig.3 The water pressuer wave of faucet in kitchen and toilet

给出了居民厨房的水龙头和马桶的用水波形,波形特征明显不同,这些特征正是我们分类用水设备的依据。

开关电源辐射到电力线中的EMI噪声具有频率高、幅度小的特性^{[ 10]},因此为了消除工频和低频噪声干扰,本文设计了一个高通滤波器(HPF)。滤波器的截止频率设置在10 kHz左右。原理如图5(a)所示,其前端的 选用高耐压电容,

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 高通滤波器参数(a)高通滤波器原理图Fig.5 The parameter of the HPF

耐压值至少为电力线电压值的2倍以上。图5(b)所示:

图5

Fig.6

	Figure Option ViewDownloadNew Window
	图5 高通滤波器参数(b)幅值及相位响应图Fig.6 The parameter of the HPF

为该高通滤波器的幅值和相位响应图,滤波电路的系统响应函数为

该模拟高通滤波器能够有效地抑制低频EMI噪声、工频及其谐波噪声。同时不会损失由开关电源向电力线辐射的高频EMI噪声的特征。

经过高通滤波器的信号中含有很多的背景噪声,因此需要对原始的数字信号进行加窗处理^{[ 11]}。窗函数采用类似于hanning窗和parzen窗的结构。为了识别用电设备,系统需要达到百Hz级的频率分辨率,同时为了进一步放大EMI噪声信号与电力线中干扰信号在幅度上的差异,我们采用多点进行功率谱变换。首先将经过数字滤波的信号进行分段处理,每段包含2048个点,然后对分段的数据进行功率谱变换。以包含2048个数据点的一段数据为例,变换后的频率分辨率为122 Hz/bin。当所有的用电设备都不工作时,电力线中的噪声称为基底噪声,幅值一般处于-100~20 dBm之间,是非常微弱的。当有设备工作时,辐射的EMI的信号值一般高于基底噪声8~40 dB。为了获取相对稳定的基底频域向量,需要对多段向量进行平均化处理。本文使用了滑动窗技术,多次实验中采用的窗尺寸为30个频域向量的平均值。

频域向量经过平均处理后,为了快速准确地识别出用电事件,本文设计了一种称为“频域向量时间追赶”的算法。当用电设备开始工作时,对当前时刻的频谱向量和前一时刻的频域向量求差,用电设备的工作状态的变化会在差频向量中体现出来。算法示意如图6(a)(b)(c)所示:

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 实时向量与差频向量(a) 未发生用电行为时的基底频域向量Fig.6 The real-time vector and difference vector

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 实时向量与差频向量(b)发生用电行为时的频域向量Fig.6 The real-time vector and difference vector

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 实时向量与差频向量(c)差频向量Fig.6 The real-time vector and difference vector

图6(a)为设备未工作时的基底噪声频域向量;图6(b)为设备开始工作的瞬间的频域向量,但很难分辨出用电事件是否发生,而图6(c)为两向量做差所得的差频向量,由图6(c)可见,在用电设备工作的中心频率处,信号的幅值有了很大的变化,高出基底噪声将近40 dB,依据此特点,可以快速准确地捕获用电事件的发生。图6中此设备的中心频率、噪声幅值均有所体现。算法具体的数学描述如公式为

式中: 和 表示包含有2048个采样点的一组实时噪声向量,在本算法中 表示由30组实时噪声向量平均而得的一个噪声向量组作为开始时的基底噪声向量; 表示另外一个由10个实时噪声向量平均而得的噪声向量组,作为实时噪声向量; 表示由两个向量组作差得到的一个差频向量组。系统首先获取一组基底噪声向量;然后系统采集当前电力线中的噪声,每10组向量平均得到一组当前噪声向量;当前噪声向量与基底噪声向量作差得到差频向量 ,当 超过一定的阈值时,则可认为发生了一个用电行为事件。公式(5)中的 是一个经验阈值,在监测系统中该阈值设为10 dB。当超过阈值的 达到系统规定的次数,则实际发生了一个用电行为事件,这样的判断方式降低了系统其他噪声的影响。在系统运行过程中,基底噪声是需要不断更新的,这样才能反应电力线中EMI噪声的最新变化。图7(a)(b)就是同一个用电设备的开启和关闭时的差频向量。

图7　

Fig.7　

	Figure Option ViewDownloadNew Window
	图7　 设备开、关状态下的差频向量(a)设备开启时Fig.7　 The difference vector during device is on/of

图7　

Fig.7　

	Figure Option ViewDownloadNew Window
	图7　 设备开、关状态下的差频向量(b)设备关闭时Fig.7　 The difference vector during device is on/of

一旦发生用电事件,系统会计算得到一个形状类似于高斯函数的频域向量,利用高斯模型拟合这个向量,得到中心频率、幅值、方差等特征值。差频向量中数据的值可能是正的,也可能是负的,这代表设备的开启或关闭动作。由于每个设备的中心工作频率是唯一的,因此可以选取中心频率作为设备的标识符,以及设备的分类标准。在差频向量中,应用高斯模型拟合算法能够求得一个未知设备中心频率。采用kNN算法^{[ 12, 13]},主要目的是决定一个未知的对象属于哪一个已定义的类别。每个样本的属性是通过公式(6)的形式定义的:

kNN算法首先需要找到离未知样本 的类别^{[ 14]}。在本次研究中,只用到了设备中心频率一个属性。如图8所示:

图8

Fig.8

	Figure Option ViewDownloadNew Window
	图8 kNN模式匹配算法Fig.8 The pattern matching algorithm of kNN

未知设备的中心工作频率为25 kHz,与下面三个已知设备中心频率距离最近的是#3设备,所以发生状态变换事件的设备是#3设备。

对水压数据的采集采用由美国FORUN Technology公司生产的压力变送器。从传感器中获得的水压数据虽然经过了低通滤波器的处理,但是仍然包含了噪声的干扰,这些噪声可能来自邻居水管的影响,也可能来自居民管道中水压的波动,甚至是传感器本身的不稳定。因此原始数据还需要进一步的处理。在这里,使用了基于滑动窗技术的均值滤波器。窗的大小设置为100,即窗每次移动100个数据点,进行一次平均运算,得到的结果代替中间点的值。这种操作在很大程度上抑制了随机噪声的干扰,而且对水压波形产生的影响很小。图9(a)(b):

图9

Fig.9

	Figure Option ViewDownloadNew Window
	图9 滑动窗对厨房水龙头水压波形数据的处理(a)原始的水压数据Fig.9 The processing of water wave by using a sliding window

图9

Fig.9

	Figure Option ViewDownloadNew Window
	图9 滑动窗对厨房水龙头水压波形数据的处理(b)经过窗处理后的数据Fig.9 The processing of water wave by using a sliding window

对比了窗处理前后的水压波形,从中可以明显地看出,滑动窗对数据处理所取得的显著效果。下一步的操作是从被处理后的数据中提取出用水事件。根据水压传感器不同的安装位置,长的水压传输路线将会导致水压波形的进一步衰减。要解决这个问题,除了使用滑动窗减小噪声的干扰外,同时还需使用更加精确的判别方法,而不是通过一个简单的阈值进行判断。在这里,同样设置了一个窗,窗的尺寸设置为10,在这个窗口中,求出最大值与最小值的差值,如果这个差值超过了某个阈值,才会判断有用水事件发生,然后提取出这段范围内最大值和最小值之间所有的点,作为水压波形的数据。模式识别技术可以用来分类用水设备^{[ 15]},在模式匹配算法中两个支撑性的数学工具是内积和柯西-施瓦茨不等式。算法中构造了两个向量 和 这两个向量的长度都是1,也就是单位长度。下面取这两个向量的内积为

当两个向量具有相似的形状或者相似的模式时,内积趋向于最大值;当两个向量的形状或者模式差别非常大时,内积趋向于最小值。可以设定一个相似程度的阈值,只有超过阈值的最大内积值才可以被认定为具有很高的相似性。

通过家庭水电消耗事件检测系统的用户界面,从中可以直接了解到家庭的水电设备工作情况及其当前的功耗信息,如图10所示:

图10

Fig.10

	Figure Option ViewDownloadNew Window
	图10 家庭水电事件检测系统的用户界面(a)家庭用电事件检测系统Fig.10 The user interface of residential electrical and water events monitoring system

图10

Fig.10

	Figure Option ViewDownloadNew Window
	图10 家庭水电事件检测系统的用户界面(b)家庭用水事件检测系统Fig.10 The user interface of residential electrical and water events monitoring system

其中图10(a)为家庭用电事件检测系统的用户界面,图10(b)为家庭用水事件检测系统的用户界面。在家庭用电事件检测系统中,不但能够记录下家庭中电器设备的类型,以及开启和关闭时间,同时可以计算出单个设备的功耗信息;在用水事件检测系统中,针对不同的家庭,拥有的设备类型和数量不同,首先需要对系统进行初始化配置,输入单个设备在用水时产生的标准波形文件,便于对用水事件进行模式匹配,然后记录下发生用水事件的设备以及时间信息。对家庭水电消耗事件的解聚分析是对居民行为分析的基础。