如何实现低成本、高灵活性的能源监测管理？

　　为什么单位或家庭的用电量不能像通信运营费一样具体到每一项呢?

　　美国家庭用户对于家电设备的能耗情况，比如说电量消耗，用户只知道每月电费总额，但具体到哪些电器设备消耗多少电量并没有明显的说明，在中国其实也是同样的模式，家庭用户预付费之后，每月扣除电费总额，具体到每项家电的月度用电量并不明晰。

　　日常生活中,大家对能源的关注并不多,在中国的家庭及商业单位，基本都没有非常简单易用的能源管理系统。与此同时，能源其实和环保息息相关，在社会强调环保的过程中，很多时候也忽视了能源的概念。

　　基于这样的现状和背景，要在国内推进能源管理系统的应用，可以从这几个方面着手：

　　首先是找准行业和用户群体。

　　第一个行业是售电公司，中国在2015年就开始了电力改革。传统模式中，主要是国家电网和供电局供电，但以后，随着国内电力产业运营模式的变革，可能会出现像美国那样的售电公司这样的中间角色。

　　国内像广东省，作为全国社会用电第一和国家第一批售电改革试点省份，广东的售电市场一直都备受市场瞩目。广东省很多工业及商用建筑用电基本都是从售电公司购买。售电公司就像一个综合的售电平台，随着售电公司的增多(美国有多家售电公司)，他们之间的竞争点就会更多的聚焦于公司的增值服务。

　　什么是增值服务?前面提到的关于电器设备的用电量账单分析便是一大增值服务，比如在企业单位，公司每月的空调用电量、照明用电量、电脑用电量等等这些分项数据，对于企业管理者而言还是比较有兴趣了解的。售电公司通过对企业用户提供能源管理这项增值服务，将会更多的获得用户的信赖感和依赖感。

　　其次是商业建筑领域，一般情况下，能源消耗几乎占到公司运营成本的30%，管理者虽然会比较关注能耗，但并不太清楚如何实现公司能耗的优化，对于能源管理系统的应用需求比较直接。

　　另外一个就是家庭用户，相对于美国而言，中国的家庭用电收费相对较低，因此对于家庭用户而言，用户对于冰箱、电视、空调、烤箱等家电的每月用电量情况并不太关注，但如果将家庭能源管理系统接入到智能家居系统当中，形成一个整体的场景解决方案，用户的兴趣度将会更浓厚。

　　这几年，国内智能家居虽然炒得相当火热，但仍然有一个明显的痛点在于没有一个统一的平台入口，不论是智能音箱、路由器还是其他的智能硬件设备，不同设备之间仍难免存在信息孤岛。但家庭能源管理系统，本身即可和不同的家电设备之间形成联动，实时监测不同家电的用电状态，因此，基于这样的系统架构，可以再作进一步开发，将能源管理系统设计成智能家居系统的一个部分，乃至一个新兴的平台入口。

　　现阶段传统模式的设备用电监测的痛点

　　对于一些工业及商业用户而言，设备用电监测其实并不是一个陌生的概念，在现有的工厂园区、建筑楼宇等场所基本都会配置设备综合管理系统或是楼宇自动化系统，便于管理方实现数字化管理。但这些系统更多是面向全厂区、园区和大楼众多子设备的综合管理，仍然无法兼顾到对于设备用电量的分项监测。

　　像售电公司这样能够提供专项能源管理服务的，也会面临硬件设计开发和安装工程服务成本过高的困境，因此他们也在寻求低成本的解决方案。

　　那么，如何实现低成本、高灵活性的能源管理呢?

　　EIOT大数据实验室首席技术官鲍镇博士近期在一场人工智能技术峰会上介绍了他们实验室的相关产品和技术方案。

　　(中间盒子是EIOT大数据实验室的硬件产品，左侧是电源线，右侧是一个传感器，传感器可以贴在电表箱里面，也可以接在室内入户的配电箱)

　　EIOT大数据实验室针对能源管理应用的产品主要包括硬件设备，用于采集高频的能耗数据，另一个便是非侵入式的负荷监测算法API服务。商业模式上，主要是将核心算法封装成API和SDK，来为不同的用户提供软硬件相结合的服务。比如针对售电公司，可以提供非侵入式的负荷监测算法API服务，帮助客户完成终端产品，通过按量付费的形式收取服务费。

　　核心的产品一是硬件，二是算法。在业界做这一项技术的厂家不在少数，尤其在电力行业，但是EIOT非侵入式负荷监测算法的特点在于，它们对标签的需求量比较少，因为该方案主要用的是无监督深度学习的方法去进行各项数据的采集。

　　电力行业的算法训练，打标签的逻辑并不像图像那么简单。比如图像训练，只要把图像的文件名做一个映射关系即可，但在电力行业，它对每一段信号都有严格要求。EIOT大数据实验室内部有一套非常严密的转换算法，能把信号非常精准的提取出来，所以它打标签的难度就降低了很多，减少了传统算法中的打标签99%的工作量。同时设计了多尺度验证算法和机制，从时间、相似度、发生频率等角度提升非侵入式负荷监测算法的信心度。

　　EIOT大数据实验室推出的非侵入式的负荷监测软硬件服务，主要是通过低成本、多种形式、插件式、数据可视化的方法为社区和家庭用户解决精细化能源数据的采集、分析功能。

　　其技术原理是基于机器学习和电器机理知识，对单点（对应到家庭电表和工业中的配电柜）能源数据进行分解和识别，进而得到单点下级的每个电器的精细化实时用电数据。这些数据可以用于售电公司做负荷预测，电网公司做需求侧响应，智能家居公司用来提升家庭用户的生活体验等等。

　　像智能家居场景中，接入能源管理系统后，可以通过该系统收集到冰箱、空调、电视、洗衣机等各种家电设备的能耗数据，一来可以提升家庭用户的节能环保意识，二来通过这些数据的收集，还可以进一步优化智能家居系统的运行，带给家庭成员更好的生活体验。

      （本文根据EIOT大数据实验室首席技术官鲍镇博士的公开演讲整理）