基于边缘计算的个性化节能优化：采用智能插座与微时刻驱动的推荐系统

《Internet of Things》：Edge-Based Personalized Energy Optimization Using Smart Plug with Micro-Moments Driven Recommender System

　　

降低住宅能耗不仅需要智能监测，还需要及时、个性化的用户参与以促成有意义的行为改变。然而，许多现有系统依赖集中式数据处理，引发隐私担忧、增加通信开销并限制实时响应能力，且常缺乏帮助用户做出明智决策的上下文感知反馈机制。研究人员引入了一套完全集成的智能插座系统，将微时刻（MM）分类与轻量级推荐系统（RS）结合，以提供隐私保护、实时的节能建议。该系统构建于半监督联邦学习（SSFL）框架之上，支持设备端推理而无需传输原始用户数据，在保障数据隐私的同时支持自适应行为建模。RS由MM类别转换触发，并交付富含实时能效指标、预估成本节约及环境上下文（如室温和空气质量）的建议。系统采用Home Assistant（HA）实现无缝传感器集成与电器控制，并在多哈六户住宅中开展了14天试点部署。部署期间，系统实现总用电量平均降低约15.63%，异常触发型建议接受率达75%。这些结果证明了去中心化、边缘智能在能耗行为建模与用户引导中的实用性与有效性。总体而言，所提出的智能插座系统在真实智能家居环境中展现出安全、响应迅速且以用户为中心的能耗优化潜力。

研究背景方面，住宅场景中智能设备与传感器的广泛部署为智能能耗管理带来新机遇，但现有多数方案采用集中式架构，将原始数据上传云端处理，带来用户隐私泄露、通信开销大、实时决策受限等问题；同时联邦学习虽能本地训练模型以保护隐私，但既有能源相关联邦学习工作多停留在负荷预测或非侵入式负荷监测（NILM）层面，未延伸至行为感知的个性化推荐与设备级干预；推荐系统方向则普遍缺乏上下文感知、实时电器级分类与用户反馈闭环。为此，研究人员开展了一项融合半监督联邦学习（SSFL）、微时刻（MM）分类与轻量级推荐系统（RS）的隐私保护型智能插座研究，并在真实多户环境中验证其节能效果与用户接受度。该研究发表于《Internet of Things》，重要意义在于首次将SSFL、MM行为建模与HA集成的RS在真实住宅中长期部署，填补了隐私保护、边缘推理与行为干预三者结合的空白。

关键技术方法上，研究人员采用DRED与QUD两个公开功耗数据集（含电压、电流、占用信息，采样粒度分别为约1分钟与3秒至30分钟不等）生成五类MM标签（良好使用、开启、关闭、过度消耗、外出消耗），通过规则法打标并以归一化功耗P_N(t)与功耗量化P_Q(t)增强特征；构建SSFL框架在Raspberry Pi 5与ESP32组成的智能插座上完成设备端推理，MM类别切换触发HA中的RS生成含成本与环境量的建议，并记录用户接受/拒绝反馈以支撑长期个性化。

研究结果部分，硬件实现小节指出智能插座以Raspberry Pi 5为主处理器、ESP32采控、UART有线通信，集成PZEM-004T电能计、DHT22温湿、SGP30空气质量、TSL2591光照、HLK-LD2410雷达占用检测与5V继电器，3台样机用于后期评估。微时刻分类器小节说明基于SSFL的伪标签半监督训练在DRED（166352样本）与QUD（46929样本）上识别五类MM，解决类别不平衡与集中标注瓶颈。推荐系统小节描述RS由MM跃迁触发，建议内容含实时功率、预估电费节约、温度与空气质量，用户响应被回收。部署评估小节报告六户多哈住宅各14天试点，总能耗平均降15.63%，异常触发建议接受率75%。

讨论与结论翻译部分，研究人员指出当前局限包括样本户数与天数有限、MM规则打标在动态场景可解释性不足、未跨地域泛化；未来方向含引入无监督表征学习优化伪标签、扩展至多电器协同与跨家庭模型迁移。结论表明：所提基于边缘计算的智能插座系统通过SSFL与MM驱动RS，在保护隐私前提下实现设备端实时行为识别与个性化节能引导，真实部署验证了约15.63%用电降幅与75%异常建议接受率，证明去中心化边缘智能在用户中心型住宅能耗优化中的可行性与应用前景。