Smart Meter Development for Cloud-Based Home Electricity Monitor System PDF

Preview

Summary

378 JOURNAL OF ELECTRONIC SCIENCE AND TECHNOLOGY, VOL. 18, NO. 4, DECEMBER 2020   Digital Object Identifier: 10.11989/JEST.1674-862X.90616103 Article Number: 90616103 Smart Meter Development for Cloud-Based Home Electricity Monitor System Yeong-Chin Chen* | Sunneng Sandino Berutu | Yue-Hsien Wang   ...

Description

378

JOURNAL OF ELECTRONIC SCIENCE AND TECHNOLOGY, VOL. 18, NO. 4, DECEMBER 2020

 

Digital Object Identifier: 10.11989/JEST.1674-862X.90616103 Article Number: 90616103

Smart Meter Development for Cloud-Based Home Electricity Monitor System Yeong-Chin Chen* | Sunneng Sandino Berutu | Yue-Hsien Wang   Abstract—Α cloud-based home electricity data-monitoring system, which is based on an Arduino Mega controller, is proposed for monitoring the electricity consumption (electrical power) and power quality (PQ) in home. This system is also capable of monitoring the fundamental frequency and supply-voltage transients to ensure that the appliances operate in a safe operation range. The measured data (voltage and current) are transmitted through a WiFi device between the Arduino controller and server. The transmission control protocol (TCP) server is set up to acquire the high-data transmission rate. The server system immediately displays the calculated parameters and the waveform of the acquired signal. A comparison with a standard measurement device shows that the proposed system, which can be built at a low cost, exhibits the same functions as a factory product. Index Terms—Arduino  controller,  cloud,  electrical  power,  power  monitoring,  transmission  control  protocol  (TCP) server, WiFi.

 

1. Introduction According to the statistics of Taipower, 24000 high-voltage consumers, who currently account for 60% of the total electricity consumption in Taiwan, have installed smart meters. However, general-public users are not willing to install these meters due to the high cost and need to send an application to Taipower before the installation. The procedures  are  complicated  and  involve  many  communications  problems.  The  government  expected  an installation[1] of 200000 smart meters by September 2018. However, only 150000 were completed. In recent years, the  power  deficit  has  become  enormous  during  summer.  This  problem  results  in  power-supply  units  surging, electricity  charge  rate  issues,  power  waste  issues,  and  even  worse,  the  endless  argument  on  the  non-nuclear power-supply  issue.  However,  since  the  power  output  cannot  be  increased  immediately,  the  electrical  power management for the efficient use of electricity has become an extremely important issue. The Internet of things (IoT)[2] is a revolutionary technology capable of achieving sensing integration as well as communications capabilities between common devices. IoT has enabled various devices to be used for monitoring   *Corresponding author Manuscript received 2019-02-26; revised 2020-11-23. This work was supported by MOST under Grant No. 106-2221-E-468 -011-MY2. Y.-C.  Chen  and  S.  S.  Berutu  are  with  the  Department  of  Computer  Science  and  Information  Engineering,  Asia  University, Taichung 41354 (e-mail: [email protected]; [email protected]). Y.-H.  Wang  is  with  the  Department  of  Computer  Science  and  Engineening,  National  Chung  Hsing  Unversity,  Taichung  32001 (e-mail: [email protected]). Color versions of one or more of the figures in this paper are available online at http://www.journal.uestc.edu.cn. Publishing editor: Yu-Lian He

CHEN et al.: Smart Meter Development for Cloud-Based Home Electricity Monitor System

379

important electrical, physical, and environmental parameters. This information is then used to analyze, identify, and solve various problems related to everyday life[2]. IoT has enabled power-monitoring devices to assist in solving this problem by providing valuable information on electricity consumption and power quality (PQ)[3], which includes the measurements of the fundamental frequency, the root mean square (RMS) of voltage, and the power factor (PF). In this way, the purpose of power savings and power safety can be achieved. Using the IoT smart power meters, the power consumption of various electrical appliances can be automatically measured, logged, and analyzed. This will also help in identifying major power consumers and promoting energy awareness  in  society.  In  this  research,  a  power-monitoring  system  is  proposed,  which  is  based  on  a  low-cost Arduino controller[4] and some electricity sensors with embedded IEEE 802.11 (WiFi) wireless communications. The instantaneous  power  signal  (voltage  and  current)  is  wirelessly  transmitted  to  a  remote  server  for  storage  and analysis.  A  hypertext  preprocessor  (PHP)  web  program,  which  is  developed  to  analyze  the  power  signal  data, simultaneously displays the analysis results, electrical power energy, electrical PF, and fundamental frequency[5] on the  browser’s  window.  The  user  can  retrieve  statistically  analyzed  data  stored  on  the  server,  using  a computer or a smartphone over the Internet. An early warning system is also provided. This system sends a warning alarm to remind the user of a problem with the equipment when the electrical performance is out of the  specified  range.  As  an  advanced  future  application,  the  server  could  also  provide  a  big-data  query  and convert  the  queried  degree  into  a  form,  with  which  the  users  can  analyze  the  electricity  consumption,  thus improving the power-usage strategy of users. The rest of the paper is organized as follows. The research methods and materials are described in Section 2. The results and conclusion are presented in Sections 3 and 4, respectively.

2. Methods and Materials 2.1. Methods In this paper, the proposed system is schematically illustrated in Fig. 1. Initially,  the  alternating-current  (AC)  voltage  is  connected  to  ZMPT101B[6]  and  transmitted  to  the  ACS712[7]  

ADC

ZMPT101B

Smart plug

Arduino Mega ACS712 UART NodeMCU

Appliances

WiFi

Internet

GO server

Platform

JSON

socket  to  measure  the  current.  Then,  the  signal  is processed  by  an  analog-to-digital  converter (ADC)—Arduino[8].  By  employing  the  universal asynchronous receiver/transmitter (UART) transmission, the signal is transmitted to a node micro-controller unit (NodeMCU)[9]  device  based  on  ESP  8266  WiFi.  This device  transfers  data,  using  a  transmission  control protocol  (TCP)[10]  connection,  to  a  server  which  is  built with  an  open  source  programming  language  from Google  (GO)[11].  Finally,  the  power  consumption performance  is  monitored  by  a  multiple-platform display.  In  this  work,  the  signal’s  frequency  is detected  and  calculated  by  using  the  zero-crossing algorithm[5].  Then,  the  Fourier  series  algorithm[5]  is applied  to  filter  out  the  noise  and  high  harmonics. RMS[12]  is  the  effective  value,  which  determines  the electricity  variation.  PF  is  determined  by  the  phase between  the  measured  voltage  and  current  signals. The power consumption is also calculated by using the

Server and database

Fig. 1. Proposed system architecture.

Platform

380

JOURNAL OF ELECTRONIC SCIENCE AND TECHNOLOGY, VOL. 18, NO. 4, DECEMBER 2020

RMS  values  of  the  voltage  and  current.  The  monitoring  system  flowchart  is  shown  in  Fig.  2.  Finally,  the  results produced are compared with those obtained by a power measurement standard device (HIOKI PW3360)[13].

 

System start

System start

Transmission Alarm system

Arduino catches 400 signals data

Device side

System side

UART transmits NodeMCU receives data WiFi TCP transmits GO server receives data

Server side

JSON format Database stores data

PHP and JavaScript start data algorithm, statistics calculation, and catch data continuously

Analyze all exceptions

Start charting

Display data

Database stores time, site, and factor values at that time

Display web alarm system

Normal factor value calculation

No

Normal?

Database stores data

Start charting

Yes

Fig. 2. Flowchart of the proposed home electricity monitoring system.

2.2. ZMPT101B Voltage Sensor This  sensor  converts  the  AC  voltage  of  110  V  to 220  V  into  an  acceptable  value  range  for  the  Arduino controller. In Fig. 3, the variable resistor (r) adjusts the AC-input voltage. In this way, a user can manually vary this  voltage.  The  output  voltage  can  be  adjusted  to  an amplitude range of 0 to 5 V, which is acceptable by the Arduino  controller.  The  rated  operating  current  of ZMPT101B  is  between  1  mA  and  2  mA.  When  the equivalent  voltage  is  ≤ 100  V,  the  current  is  I = 2  mA,

 

R C R′ U1=0 to 1000 V ZMPT101B

− 0P07 +

r

U2

Fig.  3.  Schematic  diagram  of  the  ZMPT101B  sensor voltage.

whereas when the voltage is ≥ 220 V, the current is usually 1 mA ≤ I ≤ 2 mA to reduce the power consumed by the resistor. Based on the application guide of ZMPT101B[14], the variable resistor ratio should be adjusted according to ′ the experimental requirements. In this work, the current limiting resistor (R ) is set to 60 kΩ (110 V/2 mA) to make the  input  current  less  than  2  mA.  If  the  maximum  output  voltage  is  set  to  3.5  V,  the  sampling  resistor  R  can  be obtained from R=

Voutput,max ′ 3.5 R = √ × 60000 = 1.35 kΩ. Viutput,max 110 × 2

(1)

CHEN et al.: Smart Meter Development for Cloud-Based Home Electricity Monitor System

2.3. ACS712 Current Sensor

 

4.5

The  Arduino  controller  receives  only  the  output voltage.  ACS712[7]  converts  the  input  current  into voltage using a formula to obtain the real current value of  a  home  appliance[8].  The  output  voltage  (Vout)  of ACS712 as a linear function of the actual current (Ip) is shown in Fig. 4. According  to  Fig.  4,  the  output  voltage  can  be written as follows: Vout

381

4.0 3.5 Vout (V)

3.0 2.5 2.0 1.5 1.0 0.5

1 = Ip + 2.5 (V) 15

(2)

0 −30

−20

where  −30 A ≤ Ip ≤ 30 A .  The  Arduino  ADC  resolves 1  bit  to  10  bits  (0  to  1023),  and  the  Hall-current

−10

0 Ip (A)

10

20

30

Fig. 4. Graph of the output voltage vs. input current.

sensing module can be used to measure the current. As the Arduino acquires a value v, which is the output voltage of the current sensor, the sensing current can be obtained as follows: Ip = [(

v × 5) − 2.5] × 15 (A). 1023

(3)

When there is no current input, i.e.  Ip = 0, the component itself will produce an output voltage of 2.5 V to the Arduino controller. 2.4. Sampling Frequency Determination The  Arduino  data-acquisition  approach  uses  the  analogRead(0)  instruction  to  convert  analog  information  into digital information (ADC module). The chip used in the Arduino is the ATMega chip[15]. Its oscillation frequency is 16 MHz, and its internal ADC prescaler select (ADPS) bit setting is shown in Table 1[16]. Table 1: Prescaler setting for the Arduino ADC Prescale

ADPS2 ADPS1 ADPS0

Clock frequency (MHz)

Sampling rate (kHz)

2 4 8 16 32 64 128

0 0 1 0 1 0 0 1 1 1 0 0 1 0 1 1 1 0 1 1 1

8.000 4.000 2.000 1.000 0.500 0.250 0.125

615.0 317.0 153.0 76.8 38.4 19.2   9.6

For the 16-MHz Arduino, if the default prescaler is set to 128 (16 MHz/128 = 125 kHz ) and the implementation of an ADC function requires 13 cycles, then the sampling rate in the Arduino ADC module could be theoretically up to approximately 9.62 kHz (125 kHz/13 = 9.615 kHz ). If the sampling accuracy is taken into account, the sampling frequency  needs  to  be  maintained  more  than  ten  times  the  frequency  of  the  measured  signal.  Because  the fundamental frequency of power signals is 60 Hz, and when multiplied by 25, the frequency of the harmonic wave is only 1.5 kHz. Thus the Arduino ADC module can sufficiently meet the requirement of this study. The estimation accuracy of the following zero-crossing algorithm can be maintained by tuning the Arduino ADC  sampling  frequency  at  3  kHz.  This  can  be  achieved  by  inserting  a  time-delay  instruction  code  to modulate the sampling rate according to the specifications. If the sampling rate is set to 3 kHz, the time slot between  two  adjacent  samples  will  be  333  μm.  Since  the  signal  from  the  voltage  and  current  sensors  is received  sequentially  for  each  ADC  loop,  it  will  spend  104  μm  between  the  adjacent  voltage  and  current

382

JOURNAL OF ELECTRONIC SCIENCE AND TECHNOLOGY, VOL. 18, NO. 4, DECEMBER 2020

acquired data with the ADC sampling rate of 9.6 kHz. In our experiment, the voltage and current signals are assumed  to  be  acquired  at  the  same  time  that  the  prescaler’s  setting  is  switched  to  16  to  make  the  ADC sampling rate equal to 76.8 kHz. This means that the ADC time delay reduces to 15 μs, whereas the voltage and  current  phase  error  of  the  power  signal  is  reduced  from  (60 Hz/9.6 kHz) × 360 = 2.25   degrees  to (60 Hz/76.8 kHz) × 360 = 0.28 degrees. The sampling frequency was evaluated by using a standard sinusoidal wave of frequency 1 kHz in the Arduino ADC  module,  and  the  delay  times  in  the  ADC  loop  were  set  to  150  μs,  200  μs,  250  μs,  300  μs,  and  350  μs, respectively.  The  corresponding  sampling  points  per  period  obtained  with  the  zero-crossing  algorithm  were 5.085  points,  4.013  points,  3.315  points,  2.823  points, 450 and  2.459  points,  respectively.  Since  a  frequency  of 400 1  kHz  was  used  in  the  Arduino  ADC  module,  the     Y=c+aX sampling  frequencies  were  5.085 kHz,  4.013 kHz, 350 3.315  kHz,  2.823  kHz,  and  2.459  kHz,  respectively. 300 Using  the  linear  regression  theorem[17],  the  relationship between the programmed delay time (X) and sampling 250 period (Y) was obtained as follows: Sampling period Y

 

Y = c + aX

200

(4)

where c = 39.12601 and a = 1.050209. In  this  work,  the  sampling  frequency  was  set  to 3  kHz  according  to  the  relationship  between  the  delay time (X) and sampling period (Y) in Fig. 5. The Arduino

150 150

200

250 Delay time X

300

350

Fig.  5.  Relationship  between  the  delay  time  (X)  and sampling period (Y) in the Arduino ADC module.

ADC delay time should be set to 280 μs. 2.5. RMS Current Calculation RMS[12]  is  a  mathematical  method  used  to  define  the  effective  direct  current  (DC)  value  of  a  time-varying sinusoidal  waveform  (AC  power),  which  produces  the  same  heating  effect  as  the  equivalent  DC  power.  For  a sinusoidal waveform, which has m equal portions per cycle, its RMS value can be calculated as follows: m √ Vrms = ∑ Vi 2 /m (5) i=1 m √ Irms = ∑ Ii 2 /m

(6)

i=1

 

200 Voltage (V)

where Vi  is the amplitude of the voltage at point i, Ii is the  amplitude  of  the  current  at  point  i,  and  m  is  the sampled points per cycle. In  our  experiments,  the  4-cycle  voltage  signal (200  points)  with  50  equal  portions  per  cycle,  which  is acquired by the  Arduino ADC, is shown in Fig. 6, and the variation of RMS values (Vrms,slide (i)) of this signal is also shown in Fig. 6. In addition, RMS can be utilized to measure  the  PQ  disturbances  related  to  the  voltage

100 0

0

50

100

150

200

250

−100 −200

Point number i

Fig.  6.  Voltage  signal  and  its  RMS  value  obtained  using the window-sliding method.

magnitude  variations,  such  as  the  voltage  drop,  voltage  sag,  voltage  swell,  under-voltage,  over-voltage,  and interruption.

CHEN et al.: Smart Meter Development for Cloud-Based Home Electricity Monitor System

383

Table 2: RMS values of voltage and current

The  variation  of  this  signal’s  RMS  values  is calculated  using  the  window-sliding  method.  In  this

Hair dryer state

Vrms (V)

Irms (A)

method,  each  RMS  value  is  calculated  from  the

Off On

120.79 116.35

0 6.98

values  in  the  window,  and  the  window  frame  is  

200

(50  points)  is  less  than  the  sampling  points  per  cycle.

150

The  window-sliding  RMS  method  for  the  voltage  and

100

current variations can be expressed as follows: n−m+1 i+m−1

Vrms,slide (i) = ∑ ∑

Vj /m 2

(7)

j=i

−50 −100

n−m+1 i+m−1

√

Irms,slide (i) = ∑ ∑ Ij 2 /m i=1

0

−150

(8)

−200

j=i

Number of points Voltage with hair dryer Voltage without hair dryer Vrms without hair dryer Vrms with hair dryer

where  i = 1, 2, ⋯, n − m + 1; j = i, i + 1, ⋯, i + m − 1; n = 200 is the number of total points of the acquired signal,  and  m = 50   is  the  total  number  of  sampled points per cycle. Assuming  a  hair  dryer  with  the  specified  power consumption of 8 W as a load, the voltage and current RMS  values  when  the  hair  dryer  is  turned  on  and  off are listed in Table 2. By implementing the formula in (2), (3), (7), and (8), the  voltage  and  current  signals  and  the  variations  of their  RMS  values  are  shown  in  Figs.  7  and  8, respectively.  The  experimental  results  show  a  current value close to zero as the hair dryer is turned off. The Irms  value  increases  to  6.98  A,  when  the  hair  dryer  is turned on. However, the voltage signal exhibits a small deviation when the hair dryer is turned on.

Fig.  7.  Voltage  waveform  and  variation  of  its  RMS  value when the hair dryer is turned on and off.  

15

10

Current (A)

5

0

1 12 23 34 45 56 67 78 89 100 111 122 133 144 155 166 177 188 199

i=1

√

50 1 11 21 31 41 51 61 71 81 91 101 111 121 131 141 151 161 171

Voltage (V)

sequentially slide by 1 point until the number of points

−5 −10 −15

Number of points Current without hair dryer Current with hair dryer Irms without hair dryer Irms with hair dryer

2.6. Fourier Series Algorithm The  voltage  and  current  signals  include  noise.  The harmonic  signal  involved  will  distort  them  from  a  pure sinusoidal  wave.  As  a  result,  the  accuracy  of  the

Fig.  8.  Current  waveform  and  variation  of  its  RMS  value when the hair dryer is turned on and off.

fundamental frequency and phase angle determination might be affected. The  acquired  power  signal  generally  can  be  presented  by  a  discrete  Fourier  series  (DFS)[5],[16], expressed as follows: i+m−1

i+m−1

n=i

n=i

ωa Ta ωa Ta 2 V (i) ≅ m [ ∑ vn cos ( m n) − j ∑ vn sin ( m n)] = A(i) + jB(i) .

And A(i) and B(i) can be expressed as follows: i+m−1

2 A(i) = m ∑ vn cos (ψn) n=i

(9)

384

JOURNAL OF ELECTRONIC SCIENCE AND TECHNOLOGY, VOL. 18, NO. 4, DECEMBER 2020 i+m−1