CN109346887A - 基于机器学习的待机能耗减少的智能插座 - Google Patents

Abstract

本发明提供一种基于机器学习的待机能耗减少的智能插座，包括电压传感器、多路电流传感器、ESP32无线通信模块、上位机模块及固态继电器，涉及用电技术领域。所述电压传感器、多路电流传感器用来实时检测供电线路电压、电流大小，向ESP32无线通信模块发送检测信号；所述上位机模块接收ESP32无线通信模块信号，再将量化后的控制信号发送至ESP32无线通信模块；所述固态继电器接收ESP32无线通信模块控制信号。本发明根据不同的用电设备选用不同的供电模式，无需人工干预，避免电源不适配所带来的安全隐患，且电器进入待机状态时会自动断开以减少待机状态所带来的消耗，最终达到节能减排、家居智能化和安全用电的目的。

Description

基于机器学习的待机能耗减少的智能插座

技术领域

本发明涉及用电技术领域，具体涉及一种基于机器学习的待机能耗减少的智能插座。

背景技术

“待机能耗”是指具有待机功能的电器设备在不使用的时候，没有断开电源所产生的电能消耗。用电设备因待机而损耗的电量不容忽视，据调查统计，某直辖市每年因待机能耗浪费30万吨原煤。为解决此问题，本发明旨在研发基于机器学习的智能插座，以减少待机损耗。

普通插座仅实现电路通断功能，而目前市场上的智能插座仍需人工干预与分析，远达不到智能家居的要求。本发明能够对设备用电情况进行数据采集和分析，采用统计机器学习算法，识别用电设备用电模式并自动选择最优供电方式，还能通过APP等多种方式控制插座的通断电，最终达到节能减排、家居智能化和安全用电的目的。

本发明的创新之处在于无需人工干预，插座能够自动识别用电设备模式并选择最佳的供电方式。并且用户可通过APP实现对插座的控制，操作高效便捷。插座可以根据不同的用电设备选用不同的供电模式，避免电源不适配所带来的安全隐患，电器进入待机状态时会自动断开以减少待机状态所带来的消耗。

发明内容

(一)解决的技术问题

电器的使用无处不在，但用电器产生的待机能耗不容忽视。“待机能耗”是指具有待机功能的电器设备在不使用时，没有断开电源所产生的电能消耗。即便是发达国家，待机能耗问题仍然严峻。为解决此问题，本发明旨在研发新型智能插座，以减少待机能耗。

(二)技术方案

为解决上述“待机能耗”问题，实现智能用电，设计了本发明一种基于统计机器学习的智能插座：通过采集电器的用电数据，判断电器用电模式。对电器用电数据进行在线学习，找出电器使用状态与待机状态之间的能耗阈值。低于阈值可以判断电器进入待机状态，插座自动断电。插座可以通过上位机模块行控制，确保退出待机状态后能再次通电。整个方案分为硬件设计、算法设计、上位机模块设计三个部分。

第一部分，硬件设计：

一种基于机器学习的待机能耗减少的智能插座，其特征在于，包括电压传感器、多路电流传感器、ESP32无线通信模块、上位机模块及固态继电器，其中：

所述电压传感器，用于将电压信号变为0-5v，并通过电压互感器进行隔离，方便控制器采集，后将检测到的电压信号通过有线连接发送至ESP32无线通信模块。

所述多路电流传感器，使用ACS712霍尔电流传感器，用于转换电流信号，后将检测到的电流信号通过有线连接发送至ESP32无线通信模块。

所述ESP32无线通信模块，采用低功耗IoT方案，带有多路A/D及WiFi&BLE模块，可以方便地采集转换过的电压、电流信号，并通过无线通讯的方式，与上位机模块之间发送并接受信号。

所述上位机模块，接收ESP32发送的电网电压的波动和流经用电器的电流信号，建立深度学习模型，从而计算出用电器在一定时刻消耗的功率大小，并分析出电流波形特征。主要包含数据可视化部分和待机状态检测部分，针对不同用电器的电流波形特性及其用电功率可判断相应的用电器种类，产生特定电压、电流控制信号发送至ESP32无线通信模块。

所述固态继电器，接收ESP32无线通信模块控制信号，用于调节插座接口供电，实现对用电器进行分类管理，从而达到控制耗能的目的。

第二部分，算法设计：

所述算法设计部分，其特征在于，通过第一公式进行深度学习，实现相应用电器种类判别，第一公式构建原理包括：

在采集各种电器用电数据(功率)的基础上，发现电器在充电(使用)时功率基本恒定，充满电后(未使用)时功率较小且有波动；我们把电器使用时消耗的功率称为“使用能耗”，待机时消耗的功率称为“待机能耗”。通过数据分析，我们发现电器的“待机能耗”与“使用能耗”有明显的区别,且常见家用电器的用电模式大概可以分为以下几种：周期性工作与非周期性工作的电器、大功率与小功率的电器。

我们选取7种常见家用电器(手机、电脑、空调、电视、打印机、电冰箱、洗衣机)，对其用电数据进行仿真，得到仿真数据。我们构建了一种机器学习算法，即第一公式,将欧几里得距离转换为条件概率来表达点与点之间的相似度，再判别一个条件概率在特征空间中的k个最相邻的样本中的大多数属于某一个类别，实现类别判定，从而完成对当前用电器的类别判断，我们可以得知当前用电器的基本特性：周期性或非周期性，大功率或小功率。

其中，所述第一公式包括：

所述算法部分，其特征在于，通过第二公式实现待机状态的断电节能，包括：

为了在线机器学习电器使用状态与待机状态能耗之间的阈值，我们构建了第二公式，当电器待机能耗达到阈值状态时，用电器自动断电。

其中，所述第二公式包括：

其中f_z表示用电器正常使用时采集到的用电数据概率分布，表示当前采集到的用电器用电数据概率分布，衡量两个分布之间的差异。可以证明服从自由度为n的卡方分布，n是采集的用电数据的数量。通过卡方检验可以判断当前用电器是否处于正常使用状态，非正常使用状态即为待机状态。

所述算法部分，其特征在于，所述将采集到的数据划分为训练集和测试集之前，所述方法还包括：对采集到的数据进行清洗处理，并对清洗处理后得到数据的格式转换为有监督学习数据格式。

第三部分，上位机模块：

所述上位机模块，包括数据可视化部分和待机状态检测部分，其中：

待机状态检测部分包括：

数据导入部分，主要用于选择工作模式(离线学习或在线监测)、将采集到的数据导入工作空间中，并筛选出需要的数据。

数据预处理部分，主要对筛选的数据进行去均值，标准化等一系列预处理，方便后续计算与分析。

模型选择部分，用于选择各种学习算法，对经过与处理之后的数据进行运算；

参数设置部分，用于输入选择的算法的相关参数，如阈值等。

数据表格部分，通过表格的形式显示导入数据的基本特征，如平均值，分位数，标准差，最大值等。

数据可视化部分，使用一系列图形来描述数据的分布等特征，清晰明了。目前包括数据折线图，箱线图，小提琴图。

待机状态检测部分包括：

数据导入,首先选择当前工作模式(离线或在线)，再选择选择要分析的数据文件(.mat格式)和变量并导入。

数据预处理，选择合适的数据预处理方式，其中训练阶段需要进行数据清洗，剔除异常点和数据缺失点，以提高训练效果，点击确定，得到处理之后的数据。

选择模型，在模块三中选择需要的模型算法，并点击确定。

调整参数，模块三下拉菜单中的算法，并在模块四输入对应的参数如置信度、学习速率等，对模型进行训练，得到训练好的模型。

导入检测数据，改变当前工作模式为离线，选择要检测的数据文件(.mat格式)导入，并进行数据预处理，除不需要进行异常点剔除以外，其他处理方法与在线数据的处理方法一样。

给出检测结果，通过学习模型以及处理之后的检测数据，得到最后的检测结果，并以折线图的形式显示出来。

(三)有益效果

本发明实施例提供了一种基于机器学习的待机能耗减少的智能插座，具备以下有益效果：

市场上已有的智能插座不能对用户用电数据进行合理采集，本发明的电量检测模块实时检测用电器功率，是开展后续数据分析的基础。

当前市场上智能插座缺乏有效数据分析能力。本发明提出利用统计机器学习算法来分析用户用电数据，判断用电器种类与状态(是否待机)，为用户设计最优的使用模式。

当前市场上的智能插座将侧重点在手机远程控制和定时开关等方面，而对所插电器的待机耗电现象未提出有效的解决方案。本发明由数据驱动自动判断用电器的待机状态，并进行断电控制，从根本上解决待机能耗。

本发明根据采集到的数据，使用统计机器学习算法对用电器进行分类，更加智能。

控制上位机模块不仅能实现开关控制，还能选择插座的工作模式。

本发明实施例提供了一种基于机器学习的待机能耗减少的智能插座，具备以下应用可行性：

电器的使用无处不在，本发明智能插座存在巨大的应用市场，贴近生活，具有广泛的应用前景。

本发明设计的智能插座根据用户的用电习惯自动对插座进行断电，从根本上解决电器待机带来的能源消耗问题。同时可解决电器待机存在的安全隐患问题，在电器节能领域具有重要应用意义。

同普通插座相比，该智能插座具有更智能的特点，但总成本仍略低于市场上的智能插座，低廉的价格能够推广到普通的家庭或市场中，具有更大的市场。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出了本发明实施例中基于机器学习的待机能耗减少的智能插座的流程示意图；

图2示出了本发明实施例中基于机器学习的待机能耗减少的智能插座的结构框图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

第一方面，本发明实施例提供一种基于机器学习的待机能耗减少的智能插座，其工作流程如图1所示，该方法包括：

所述电压传感器1，用于将电压信号变为0-5v，并通过电压互感器进行隔离，方便控制器采集，后将检测到的电压信号通过有线连接发送至ESP32无线通信模块3；

所述多路电流传感器2，使用ACS712霍尔电流传感器，用于转换电流信号，后将检测到的电流信号通过有线连接发送至ESP32无线通信模块3；

所述ESP32无线通信模块3，采用低功耗IoT方案，带有多路A/D及WiFi&BLE模块，可以方便地采集转换过的电压、电流信号，并通过无线通讯的方式，与上位机模块4之间发送并接受信号；

所述上位机模块4，接收ESP32发送的电网电压的波动和流经用电器的电流信号，建立深度学习模型，从而计算出用电器在一定时刻消耗的功率大小，并分析出电流波形特征；主要包含数据可视化部分和待机状态检测部分，针对不同用电器的电流波形特性及其用电功率可判断相应的用电器种类，产生特定电压、电流控制信号发送至ESP32无线通信模块3；

所述固态继电器5，接收ESP32无线通信模块3控制信号，用于调节插座接口供电，实现对用电器进行分类管理，从而达到控制耗能的目的。

所述一种基于机器学习的待机能耗减少的智能插座，其特征在于，通过第一公式进行深度学习，实现相应用电器种类判别，第一公式构建原理包括：

在采集各种电器用电数据(功率)的基础上，发现电器在充电(使用)时功率基本恒定，充满电后(未使用)时功率较小且有波动；我们把电器使用时消耗的功率称为“使用能耗”，待机时消耗的功率称为“待机能耗”；通过数据分析，我们发现电器的“待机能耗”与“使用能耗”有明显的区别,且常见家用电器的用电模式大概可以分为以下几种：周期性工作与非周期性工作的电器、大功率与小功率的电器；

我们选取7种常见家用电器(手机、电脑、空调、电视、打印机、电冰箱、洗衣机)，对其用电数据进行仿真，得到仿真数据；我们构建了一种机器学习算法，即第一公式,将欧几里得距离转换为条件概率来表达点与点之间的相似度，再判别一个条件概率在特征空间中的k个最相邻的样本中的大多数属于某一个类别，实现类别判定，从而完成对当前用电器的类别判断，我们可以得知当前用电器的基本特性：周期性或非周期性，大功率或小功率；

其中，所述第一公式包括：

所述一种基于机器学习的待机能耗减少的智能插座，其特征在于，通过第二公式实现待机状态的断电节能，包括：

为了在线机器学习电器使用状态与待机状态能耗之间的阈值，我们构建了第二公式，当电器待机能耗达到阈值状态时，用电器自动断电；

其中，所述第二公式包括：

其中f_z表示用电器正常使用时采集到的用电数据概率分布，表示当前采集到的用电器用电数据概率分布，衡量两个分布之间的差异。可以证明服从自由度为n的卡方分布，n是采集的用电数据的数量。通过卡方检验可以判断当前用电器是否处于正常使用状态，非正常使用状态即为待机状态。

所述一种基于机器学习的待机能耗减少的智能插座，其特征在于，所述将采集到的数据划分为训练集和测试集之前，所述方法还包括：对采集到的数据进行清洗处理，并对清洗处理后得到数据的格式转换为有监督学习数据格式。

所述一种基于机器学习的待机能耗减少的智能插座，上位机模块4，数据可视化部分包括：

数据导入部分，主要用于选择工作模式(离线学习或在线监测)、将采集到的数据导入工作空间中，并筛选出需要的数据；

数据预处理部分，主要对筛选的数据进行去均值，标准化等一系列预处理，方便后续计算与分析；

模型选择部分，用于选择各种学习算法，对经过与处理之后的数据进行运算；

参数设置部分，用于输入选择的算法的相关参数，如阈值等；

数据表格部分，通过表格的形式显示导入数据的基本特征，如平均值，分位数，标准差，最大值等；

数据可视化部分，使用一系列图形来描述数据的分布等特征，清晰明了。目前包括数据折线图，箱线图，小提琴图；

所述一种基于机器学习的待机能耗减少的智能插座，上位机模块4，待机状态检测部分包括：

数据导入,首先选择当前工作模式(离线或在线)，再选择选择要分析的数据文件(.mat格式)和变量并导入；

数据预处理，选择合适的数据预处理方式，其中训练阶段需要进行数据清洗，剔除异常点和数据缺失点，以提高训练效果，点击确定，得到处理之后的数据；

选择模型，在模块三中选择需要的模型算法，并点击确定；

调整参数，模块三下拉菜单中的算法，并在模块四输入对应的参数如置信度、学习速率等，对模型进行训练，得到训练好的模型；

导入检测数据，改变当前工作模式为离线，选择要检测的数据文件(.mat格式)导入，并进行数据预处理，除不需要进行异常点剔除以外，其他处理方法与在线数据的处理方法一样；

给出检测结果，通过学习模型以及处理之后的检测数据，得到最后的检测结果，并以折线图的形式显示出来。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (6)

1.一种基于机器学习的待机能耗减少的智能插座，其特征在于，包括：

所述电压传感器，用于将电压信号变为0-5v，并通过电压互感器进行隔离，方便控制器采集，后将检测到的电压信号通过有线连接发送至ESP32无线通信模块；

所述多路电流传感器，使用ACS712霍尔电流传感器，用于转换电流信号，后将检测到的电流信号通过有线连接发送至ESP32无线通信模块；

所述ESP32无线通信模块，采用低功耗IoT方案，带有多路A/D及WiFi&BLE模块，可以方便地采集转换过的电压、电流信号，并通过无线通讯的方式，与上位机模块之间发送并接受信号；

所述上位机模块，接收ESP32发送的电网电压的波动和流经用电器的电流信号，建立深度学习模型，从而计算出用电器在一定时刻消耗的功率大小，并分析出电流波形特征；主要包含数据可视化部分和待机状态检测部分，针对不同用电器的电流波形特性及其用电功率可判断相应的用电器种类，产生特定电压、电流控制信号发送至ESP32无线通信模块；

所述固态继电器，接收ESP32无线通信模块控制信号，用于调节插座接口供电，实现对用电器进行分类管理，从而达到控制耗能的目的。

2.根据权利要求1所述的方法，其特征在于，通过第一公式进行深度学习，实现相应用电器种类判别，第一公式构建原理包括：

在采集各种电器用电数据(功率)的基础上，发现电器在充电(使用)时功率基本恒定，充满电后(未使用)时功率较小且有波动；我们把电器使用时消耗的功率称为“使用能耗”，待机时消耗的功率称为“待机能耗”；通过数据分析，我们发现电器的“待机能耗”与“使用能耗”有明显的区别,且常见家用电器的用电模式大概可以分为以下几种：周期性工作与非周期性工作的电器、大功率与小功率的电器；

我们选取7种常见家用电器(手机、电脑、空调、电视、打印机、电冰箱、洗衣机)，对其用电数据进行仿真，得到仿真数据；我们构建了一种机器学习算法，即第一公式,将欧几里得距离转换为条件概率来表达点与点之间的相似度，再判别一个条件概率在特征空间中的k个最相邻的样本中的大多数属于某一个类别，实现类别判定，从而完成对当前用电器的类别判断，我们可以得知当前用电器的基本特性：周期性或非周期性，大功率或小功率；

其中，所述第一公式包括：

3.根据权利要求1所述的方法，其特征在于，通过第二公式实现待机状态的断电节能，包括：

为了在线机器学习电器使用状态与待机状态能耗之间的阈值，我们构建了第二公式，当电器待机能耗达到阈值状态时，用电器自动断电；

其中，所述第二公式包括：

其中f_z表示用电器正常使用时采集到的用电数据概率分布，表示当前采集到的用电器用电数据概率分布，衡量两个分布之间的差异。可以证明服从自由度为n的卡方分布，n是采集的用电数据的数量。通过卡方检验可以判断当前用电器是否处于正常使用状态，非正常使用状态即为待机状态。

4.根据权利要求1～3任一项所述的方法，其特征在于，所述将采集到的数据划分为训练集和测试集之前，所述方法还包括：对采集到的数据进行清洗处理，并对清洗处理后得到数据的格式转换为有监督学习数据格式。

5.根据权利要求1所述，上位机模块，数据可视化部分包括：

数据导入部分，主要用于选择工作模式(离线学习或在线监测)、将采集到的数据导入工作空间中，并筛选出需要的数据；

数据预处理部分，主要对筛选的数据进行去均值，标准化等一系列预处理，方便后续计算与分析；

模型选择部分，用于选择各种学习算法，对经过与处理之后的数据进行运算；

参数设置部分，用于输入选择的算法的相关参数，如阈值等；

数据表格部分，通过表格的形式显示导入数据的基本特征，如平均值，分位数，标准差，最大值等；

数据可视化部分，使用一系列图形来描述数据的分布等特征，清晰明了。目前包括数据折线图，箱线图，小提琴图。

6.根据权利要求1所述，上位机模块，待机状态检测部分包括：

数据导入,首先选择当前工作模式(离线或在线)，再选择选择要分析的数据文件(.mat格式)和变量并导入；

数据预处理，选择合适的数据预处理方式，其中训练阶段需要进行数据清洗，剔除异常点和数据缺失点，以提高训练效果，点击确定，得到处理之后的数据；

选择模型，在模块三中选择需要的模型算法，并点击确定；

调整参数，模块三下拉菜单中的算法，并在模块四输入对应的参数如置信度、学习速率等，对模型进行训练，得到训练好的模型；

导入检测数据，改变当前工作模式为离线，选择要检测的数据文件(.mat格式)导入，并进行数据预处理，除不需要进行异常点剔除以外，其他处理方法与在线数据的处理方法一样；

给出检测结果，通过学习模型以及处理之后的检测数据，得到最后的检测结果，并以折线图的形式显示出来。