用于环境智能应用中非侵入式负载监测传感器的边缘计算片上系统架构

《Microprocessors and Microsystems》：Edge computing System-on-Chip architecture for a Non-Intrusive Load Monitoring Sensor in ambient intelligence applications

NILM系统基于FPGA SoC架构实现边缘计算，采用4kSPS采样率检测家电开关事件，通过4096样本窗口训练CNN模型进行负载分类，成功将云传输带宽减少90%，推理延迟低于56ms，分类准确率达84.7%。

　　

鲁本·尼托（Rubén Nieto）|劳拉·德·迭戈-奥顿（Laura de Diego-Otón）|米格尔·塔皮亚多尔（Miguel Tapiador）|维克托·M·纳瓦罗（Víctor M. Navarro）|圣地亚哥·穆拉诺（Santiago Murano）|阿尔瓦罗·埃尔南德斯（álvaro Hernández）|赫苏斯·乌雷纳（Jesús Ure?a）

应用数学、材料科学与电子技术工程，雷胡安·卡洛斯大学（Rey Juan Carlos University），莫斯托莱斯（Móstoles），28933，马德里（Madrid），西班牙

摘要

非侵入式负载监测（NILM）系统能够从总体电气测量数据中分离出不同电器的单独能耗，适用于提高家庭能源效率等场景。在其他应用中，NILM技术也有助于促进老年人的独立生活，因为它们可以通过分析能耗和识别电器使用模式来推断和监测老年人的行为。为此，使用NILM传感器系统在房屋入口处收集电压和电流信号。这种分析通常需要将收集的数据发送到云端进行进一步处理，尤其是在采用高采样率方法时，这可能会导致较大的带宽消耗。本文提出了一种基于FPGA（现场可编程门阵列）设备的系统级芯片（SoC）架构，用于NILM处理，并完全在边缘计算中实现。该架构专注于老年人的独立生活环境智能（AIIL）。电压和电流数据以4 kSPS（每秒千个样本）的速率采集，同时检测电器的开关状态（事件），从而在两个信号周围定义一个包含4096个样本的窗口。这些窗口由卷积神经网络（CNN）处理以实现负载识别。与以往主要关注算法改进的研究不同，本研究介绍了一种基于FPGA的SoC架构的完整硬件/软件设计及其实时验证。所提出的架构实现了$56\mathrm{毫秒}$的推理延迟，以及84.7%的分类准确率（针对七种电器的十四种开关状态），同时通过仅传输最终识别结果而非原始信号来减少带宽消耗。这些结果证明了在边缘实现NILM应用的可行性，并具有竞争力的性能。

引言

非侵入式负载监测（NILM）技术试图通过主电源入口处的单点测量来实现能耗分解，以识别特定电器的单独消耗。近年来，随着物联网（IoT）和智能电网的发展，NILM技术得到了推广，这些技术被用于提高家庭或建筑的能源效率。同时，也可以在尊重消费者隐私的前提下，利用家庭中已部署的智能电表（SM）来实现NILM，因为这种方法不需要为每个被监测的电器进行专门安装[1]，[2]。

NILM技术可以检测并识别家庭或建筑能耗中的主要负载，它们与最近在家庭中普及的采集和测量系统密切相关，这些系统应用于家居设备和自动化控制[3]，[4]。NILM技术的主要用途是高效管理能源需求[5]；然而，它们也可以用于开发主动和辅助生活（AAL）的监测系统[6]。这些技术可以检测电压和电流信号的变化，并相应地识别当前正在使用的电器[7]。这些变化可用于推断能耗与租户行为之间的关系，从而监测他们的健康状况，了解日常活动[8]，[9]并支持独立生活[10]。通过这种方式，可以基于能耗变化和不同家用电器的使用情况来进行长期分析，或者进行短期分析，以检测家庭中可能发生的事件或异常情况。

在许多情况下，从总体能耗中检测事件是第一步[11]。通常，这些变化是由于不同电器的开关操作引起的。一旦检测到事件，就可以通过分析其周围的电压和电流信号来识别产生该事件的电器[12]，[13]，[14]。在大多数先前的研究中，通常只使用电流信号，并采用基于概率方法[15]，[16]、主成分分析（PCA）[17]或最近的人工神经网络（ANN）不同拓扑结构[18]，[19]，[20]进行分类。从信号处理的角度来看，家用电器的识别可以分为三个阶段：首先是通过对电压和电流信号进行过滤和标准化来进行预处理[21]，[22]；其次需要一个事件检测器来识别由于开关操作而在主电源中发生的変化[17]，[23]；最后，通过分析事件周围的电压和电流信号样本窗口来对电器类型进行分类。

大多数发达国家及其电力公司已经部署了商用智能电表来收集有关能耗和需求时间表的信息。这些设备的采样率通常在1?Hz左右，以减少上传到云端的数据所需带宽[24]。尽管更高的采样率可以更好地检测和识别负载[25]，但它们也需要更多的带宽来进行数据上传。这个问题可以通过在边缘而不是在云端进行部分信号处理来解决。

就边缘计算中的NILM技术而言，基于FPGA（现场可编程门阵列）设备的系统级芯片（SoC）架构[26]，[27]，[28]提供了很大的灵活性，因为它们在同一芯片中集成了可编程逻辑和多个处理器。这些设备具有较高的计算能力，从而可以将NILM技术集成到边缘架构中，同时减少上传到云端的所需带宽，因为传输的数据量较少。

本工作为开发具有实时NILM功能的基于FPGA的SoC架构做出了以下关键贡献：

• •
  设计并开发了一种基于FPGA的SoC架构，用于使用NILM技术进行实时负载监测；
• •
  在边缘进行信号处理，仅将最终结果传输到云端；
• •
  能够处理高达$4$ kSPS的电压和电流信号采样率；
• •
  集成ADE9153 A集成电路作为模拟前端（AFE），用于获取瞬时电压和电流值；
• •
  实现实时卷积神经网络（CNN），以识别电压和电流样本中检测到的每个开关事件对应的负载；
• •
  将识别的负载报告给云端服务器，该服务器记录事件时间戳并可以分析长期租户行为模式以检测异常。

本文的其余部分组织如下：第2节回顾了非侵入式负载监测的相关工作，并概述了NILM算法涉及的各个阶段；第3节描述了所提出的NILM系统，从边缘到电器分类，包括在边缘的数据捕获和处理；第4节详细介绍了所提出的SoC架构的设计，以及用于电器识别的神经网络的实现细节；第5节展示了所提出的SoC架构取得的一些实验结果，包括资源消耗、事件检测器的性能和神经网络在电器分类方面的准确性；最后，第6节讨论了结论。

相关文献

相关工作

能耗分解允许从智能电表等设备获得的测量数据中估算家庭中各个电器的能耗[30]。这种方法的主要优点是可以以简单、非侵入的方式使用建筑基础设施。挑战在于设计能够在不同建筑中通用并实时应用于智能电表所获取信号的NILM算法。

全局系统概述

图1展示了用于在边缘执行数据捕获和负载识别的所提出全局系统的示意图。可以看出，边缘处理在NILM传感器系统中进行，该系统捕获电压和电流信号，包括一个事件检测器以及围绕事件的相关样本窗口的存储。这个样本窗口由神经网络处理，以识别产生事件的电气负载。

提出的架构实现

边缘计算从收集家庭入口处的电网电压和电流信号开始。为此，Capture signals模块使用ADE9153 A集成电路来获取电压和电流信号。这一阶段的内部框图如图5所示。值得一提的是，与集成电路的通信是通过SPI控制器完成的；在这种情况下使用的是AXI SPI

实验结果

图8展示了设计的NILM传感器系统原型。该解决方案包括Xilinx-7000 Zynq SoC [50]和Arty-Z7开发板，以及用于获取家庭电压和电流信号的ADE9153 A集成电路[29]；它还包括一个UART-Serial USB适配器。在接下来的实验设置中，NILM传感器系统并未安装在建筑物入口处，而是用于一个定义好的本地区域

结论

本研究设计了一种SoC架构，用于实时实现NILM技术，具有高采样率（范围在kHz），这可能有助于更好地识别电器的开关状态（开启或关闭）。使用FPGA设备提供了极大的设计灵活性，同时实现了高计算能力，能够在边缘进行更多处理，并减少了上传到云端的信息所需带宽。

所提出的架构允许实时

利益冲突声明

作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：阿尔瓦罗·埃尔南德斯（Alvaro Hernandez）表示获得了西班牙科学、创新和大学部（ALONE）的财政支持，参考编号TED2021-131773B-I00。赫苏斯·乌雷纳（Jesus Ure?a）表示获得了西班牙科学、创新和大学部（INDRI）的财政支持，参考编号PID2021-122642OB-C41。赫苏斯·乌雷纳还获得了西班牙科学部的支持

致谢

本工作得到了西班牙科学、创新和大学部的资助 MCIN/AEI/10.13039/501100011033（ALONE，参考编号TED2021-131773B-I00；INDRI，参考编号PID2021-122642OB-C41；AGINPLACE，参考编号PID2023-146254OB-C43；NIMBLE，参考编号PID2021-123657OB-C32）以及“ERDF的资助。

鲁本·尼托分别于2015年、2016年和2020年在西班牙阿尔卡拉大学（UAH）获得了电信工程学士学位、硕士学位和博士学位。他曾在该大学电子系担任博士后研究员，目前是雷胡安·卡洛斯大学电子技术系的副教授，他的当前研究兴趣包括嵌入式系统、MPSoC等。