손창우
(Department of Electronic & Communication Eng, Korea Maritime University)
,
이상배
(Department of Electronic & Communication Eng, Korea Maritime University)
최근 IoT기반으로 가전제품을 실시간 모니터링을 하는 스마트 플러그가 활성화 되고 있다. 이를 통해 상시 실시간 에너지 소비 모니터링을 통한 소비자의 에너지 절약 유도를 하고, 소비자 설정 기반의 알람 기능을 통해 소비전력을 절감하는 효과를 보고 있다. 본 논문에서는 이러한 실시간 모니터링을 위해 벽 전원 콘센트에서 나오는 교류 전류를 측정한다. 이때, 가전제품마다의 전류 패턴을 분류하고 어떤 제품이 동작하는지 판단을 위해 딥러닝(Deep learning)으로 실험하였다. 전류 패턴의 학습으로 제품의 종류에 따른 인식 성능을 검증하기 위하여, 교차 검증 방법과 붓스트랩(Bootstrap) 검증 방법을 이용하였다. 또한 Cost function과 학습 성공률(Accuracy)이 Train 데이터와 Test 데이터가 동일함을 확인하였다.
최근 IoT기반으로 가전제품을 실시간 모니터링을 하는 스마트 플러그가 활성화 되고 있다. 이를 통해 상시 실시간 에너지 소비 모니터링을 통한 소비자의 에너지 절약 유도를 하고, 소비자 설정 기반의 알람 기능을 통해 소비전력을 절감하는 효과를 보고 있다. 본 논문에서는 이러한 실시간 모니터링을 위해 벽 전원 콘센트에서 나오는 교류 전류를 측정한다. 이때, 가전제품마다의 전류 패턴을 분류하고 어떤 제품이 동작하는지 판단을 위해 딥러닝(Deep learning)으로 실험하였다. 전류 패턴의 학습으로 제품의 종류에 따른 인식 성능을 검증하기 위하여, 교차 검증 방법과 붓스트랩(Bootstrap) 검증 방법을 이용하였다. 또한 Cost function과 학습 성공률(Accuracy)이 Train 데이터와 Test 데이터가 동일함을 확인하였다.
Recently, Smart plugs for real time monitoring of household appliances based on IoT(Internet of Things) have been activated. Through this, consumers are able to save energy by monitoring real-time energy consumption at all times, and reduce power consumption through alarm function based on consumer ...
Recently, Smart plugs for real time monitoring of household appliances based on IoT(Internet of Things) have been activated. Through this, consumers are able to save energy by monitoring real-time energy consumption at all times, and reduce power consumption through alarm function based on consumer setting. In this paper, we measure the alternating current from a wall power outlet for real-time monitoring. At this time, the current pattern for each household appliance was classified and it was experimented with deep learning to determine which product works. As a result, we used a cross validation method and a bootstrap verification method in order to the classification performance according to the type of appliances. Also, it is confirmed that the cost function and the learning success rate are the same as the train data and test data.
Recently, Smart plugs for real time monitoring of household appliances based on IoT(Internet of Things) have been activated. Through this, consumers are able to save energy by monitoring real-time energy consumption at all times, and reduce power consumption through alarm function based on consumer setting. In this paper, we measure the alternating current from a wall power outlet for real-time monitoring. At this time, the current pattern for each household appliance was classified and it was experimented with deep learning to determine which product works. As a result, we used a cross validation method and a bootstrap verification method in order to the classification performance according to the type of appliances. Also, it is confirmed that the cost function and the learning success rate are the same as the train data and test data.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
딥러닝은 영상처리나 음성인식과 번역 등에 대한 연구과 활발히 진행되었으나, 본 논문에서는 전류 센서를 기반으로 데이터의 패턴을 분류하는 활용 사례를 들어 보았다. 또한 실험을 통해 딥러닝은 분류가 어렵거나 복잡한 시스템의 분류가 아닌 IoT 센서와 같은 소형 기기에서도 충분한 활용점이 있다는 것을 확인하였다.
본 논문에는 교차 엔트로피 오차 손실 함수를 선정하고자 한다. 이는 학습 중 중간층의 포화 때문에 역전파 학습의 정체 현상이 나타나기도 하지만, 역전파 학습 속도가 매우 빠른 장점이 있다[10].
본 논문에서는 입력 전류 주기 120Hz(8.33msec)의 33개 데이터로 가전제품의 분류와 동작 상태를 딥러닝으로 패턴 분류하는 시스템을 연구 진행하였다.
딥러닝은 향후 미래의 핵심 기술이 되어 일상생활의 많은 부분을 개선할 것이라는 기대를 받고 있지만, 주요한 성과들이 영상 및 음성 인식 분야, 방대한 데이터의 처리에 관련하여 국한되어 있어 가정에서 활용 가능한 IoT 기기의 활용은 미비한 실정이다. 본 논문에서는 전류센서 기반의 패턴인식을 통해 소형화 기기에 대한 활용에 대하여 딥러닝을 활용하고자 한다.
제안 방법
또한 계측된 정보를 분석하여 사용자는 Wi-Fi를 통해 실시간 모니터링이 가능하다[3]. 각 가전제품들에서 발생한 고유한 전류 파형은 복잡한 데이터 형태에서 분류 효과가 높은 심층 신경망인 딥러닝으로 가전제품을 분류하고자 한다. 이렇게 분류된 정보를 사용자는 스마트폰에서 손쉽게 확인이 가능하다.
교류 전류 데이터를 측정하기 위해 CT(Current transfer)를 전원 플러그에 직렬로 연결하고 브릿지 다이오드(Bridge diode)로 전파 정류시킨다. 이때 교류 전류의 주파수를 120Hz로 변환하여 한 주기(8.
본 논문에서는 120Hz 주기의 교류 전류로 표현되는 각 가전 제품의 정보를 계측하여 가전 제품 마다의 표현되는 전류패턴을 분류하였으며 나타나는 패턴을 딥러닝을 통해 어떤 제품이 동작하는지를 분류하는 시스템을 구현을 하였다.
본 논문에서는 Tensorflow를 활용하여 손실함수인 교차 엔트로피를 구성하고, 시그모이드 활성화 함수와 경사하강법(Gradient descent)을 적용해 딥러닝을 학습시켰다.
본 논문에서는 활용하고자 하는 가정의 콘센트에 연결 된 교류 전원을 계측하여 정보를 활용한다. 또한 계측된 정보를 분석하여 사용자는 Wi-Fi를 통해 실시간 모니터링이 가능하다[3].
이렇게 복잡한 패턴도 분류할 수 있도록 신경망의 일종인 딥러닝을 사용하는데, 붓스트랩(Bootstrap)과 교차 검증(Cross Validation) 기법으로 오버피팅(Over fitting)이 되는지 딥러닝의 학습능력을 검증하고자 한다.
Batch size는 학습효율과 최고성능에 영향을 주므로 IoT 활용에 목적이 있는 본 논문에는 Batch size는 1로 설정하였다. 이를 토대로, 딥러닝의 학습능력을 검증하기 위해 교차 검증(Cross validation)방법과 붓스트랩(Bootstrap)방법으로 부분 집합을 이용하여 수식 9, 10과 같이 검증하였다.
4가지 Case란 2,000개 전체 데이터 집합에서 500개씩 분할을 하면 4가지가 나온다. 첫 번째 500개를 Test 데이터로 분류하고 나머지 1,500개는 Train 데이터로 분류한게 1 case이고, 두 번째 500개를 Test data로 분류하고 나머지 1,500개는 Train data로 분류한게 2 Case로 선정하여 4가지 case로 만들었다.
출력 뉴런은 10개인데, 가전제품의 종류로는 7개(세탁기, 에어컨, 드라이어, 냉장고, 정수기, 전자레인지, TV)를 판단하고 그중 3개 제품의 동작을 2가지로 구분하여 총 10개의 출력 뉴런을 표 1에 표현한다. 3개의 제품은 세탁기(세탁/탈수), 냉장고(Comp/Fan), 정수기(냉수/온수)이다.
학습의 반복은 1,000로 제한하여 Cost와 Accuracy(학습성공율)를 비교하였다. Batch sizee는 1로 설정하여 교차 검증과 붓스트랩에서의 Cost와 Accuracy 결과를 Box plot으로 그림 6, 7과 같이 표현 할 수 있다.
대상 데이터
출력 뉴런은 10개인데, 가전제품의 종류로는 7개(세탁기, 에어컨, 드라이어, 냉장고, 정수기, 전자레인지, TV)를 판단하고 그중 3개 제품의 동작을 2가지로 구분하여 총 10개의 출력 뉴런을 표 1에 표현한다. 3개의 제품은 세탁기(세탁/탈수), 냉장고(Comp/Fan), 정수기(냉수/온수)이다.
CT 센서는 큰 전류가 인입되더라도 1:4000의 CT 비율로 2차단으로 전류가 감소되고 절연되면서 0 ~ 20A를 0 ~ 5V로 변환하여 교류 전류 데이터를 받고, 한주기 동안의 데이터는 33개의 데이터를 받는다.
Train data(훈련 데이터)는 1,500개, Test data(테스트 데이터)는 500개로 구분하여 오버피팅 되는지 검증했다.
333msec) 주기마다의 전류 데이터 측정하였다. 또한, 전류의 초기시점 파악을 위해 전원단에 Zero Crossing 회로 사용하였고, Zero crossing 전압이 High 레벨 일 때의 전류 데이터 취득하였다.
붓스트랩은 Train 데이터에서 Test 데이터를 무작위로 뽑아 부분 집합을 생성해 Train 데이터와 Test 데이터를 선정한다. 여기서 Train 데이터는 1,500개이고 Test 데이터는 500개로써, 4-fold의 4가지 Case로 학습능력이 최적화 되었는지 검증하였다.
입력과 출력 데이터 관련해서는 먼저 입력 데이터는 ADC의 Sampling and Holding 시간을 250usec로 해서 8.33msec 동안 33개의 입력 데이터를 받는다. 따라서, 입력 뉴런은 33개이고, 출력 뉴런은 10개로 가전제품 종류와 동작 구분의 패턴 분류할 수 있다.
측정 방법으로는 가전 제품 마다의 입력되는 전류를 측정하기 위해 CT 센서를 사용하였고, 측정 주기는 60Hz 전원에서 전파 정류된 120Hz(8.333msec) 주기마다의 전류 데이터 측정하였다. 또한, 전류의 초기시점 파악을 위해 전원단에 Zero Crossing 회로 사용하였고, Zero crossing 전압이 High 레벨 일 때의 전류 데이터 취득하였다.
학습 데이터 집합에 관련해서는 한개 출력당 200개의 패턴을 취득하였고 출력뉴런이 10개라 2,000개의 데이터 집합을 구성하였다.
데이터처리
전류 패턴에 따른 각 가전 제품의 분류 성능을 검증하기 위해 기계학습에서 사용하는 교차 검증과 붓스트랩 검증을 활용하였으며, Cost나 Accuracy(정확성)의 확인을 통해 검증에 대한 신뢰성을 확인하였다.
성능/효과
딥러닝 최적 학습을 위해 검토 시 은닉층1, 2 개수는 30개로 선정하였으며, 학습률은 0.15에서 효과가 뛰어남을 확인하였다. Batch size는 학습효율과 최고성능에 영향을 주므로 IoT 활용에 목적이 있는 본 논문에는 Batch size는 1로 설정하였다.
딥러닝은 영상처리나 음성인식과 번역 등에 대한 연구과 활발히 진행되었으나, 본 논문에서는 전류 센서를 기반으로 데이터의 패턴을 분류하는 활용 사례를 들어 보았다. 또한 실험을 통해 딥러닝은 분류가 어렵거나 복잡한 시스템의 분류가 아닌 IoT 센서와 같은 소형 기기에서도 충분한 활용점이 있다는 것을 확인하였다. 이러한 연구 결과로 딥러닝과 IoT를 접목하여 소비자에게 가정에서의 가전제품의 활용도를 좀 더 많이 하리라 기대해본다.
후속연구
또한 실험을 통해 딥러닝은 분류가 어렵거나 복잡한 시스템의 분류가 아닌 IoT 센서와 같은 소형 기기에서도 충분한 활용점이 있다는 것을 확인하였다. 이러한 연구 결과로 딥러닝과 IoT를 접목하여 소비자에게 가정에서의 가전제품의 활용도를 좀 더 많이 하리라 기대해본다.
질의응답
핵심어
질문
논문에서 추출한 답변
딥러닝이란?
딥러닝에 대한 개념은 1986년 Rina Dechter에 의해 처음 소개되었으며, 2000년 Igor Aizenberg가 신경망을 활용하여 딥러닝을 소개하였다[7]. Igor는 딥러닝을 입력층을 제외하고 2개층 이상의 구조를 갖는 신경망 구조를 딥러닝이라 표현하고 있으며, 따라서 딥러닝은 비선형 데이터의 조합을 통해 높은 수준의 추상화가 가능한 기계 학습 방법으로, 다층의 은닉층을 가진 인공신경망을 지칭한다. 인공신경망이 층의 증가와 함께 비선형 문제의 학습 성능이 월등히 증가하였지만, 학습 연산이 매우 많고, 과적합 문제로 인해 점차 활용이 줄어들었다.
본 논문에서 Tensorflow를 활용하여 어떻게 딥러닝을 학습시켰는가?
본 논문에서는 Tensorflow를 활용하여 손실함수인 교차 엔트로피를 구성하고, 시그모이드 활성화 함수와 경사하강법(Gradient descent)을 적용해 딥러닝을 학습시켰다.
IoT기반으로 가전제품을 실시간 모니터링을 하는 스마트 플러그 활성화를 통해 어떤 효과를 보고 있는가?
최근 IoT기반으로 가전제품을 실시간 모니터링을 하는 스마트 플러그가 활성화 되고 있다. 이를 통해 상시 실시간 에너지 소비 모니터링을 통한 소비자의 에너지 절약 유도를 하고, 소비자 설정 기반의 알람 기능을 통해 소비전력을 절감하는 효과를 보고 있다. 본 논문에서는 이러한 실시간 모니터링을 위해 벽 전원 콘센트에서 나오는 교류 전류를 측정한다.
참고문헌 (11)
Y. B. Lim, D. W. Kim, S. W. Cho, "A Study on the Signal Processing Techiques for Pattern Classification of Electrical Loads," Korea Institute of Intelligent System, vol. 26, no. 5, pp. 409-415, Oct. 2016.
Google DeepMind Research Center AlphaGo, Mastering the ancient game of Go with Machine Learning.[Internet]. Available: https://reserch.googleblog.com/2016/01/alphago-mastering-ancient-game-of-go.httml.
D. H. Ryu, "Networked Smart Plug System for Power Management of PC & Peripherals," Journal of the Korea Institute of Information and Communication Engineering, vol.16, no. 10, pp.2171-2176, Oct. 2012.
C. J. Seo "Smart electricity management system in homes using pattern analytically," M. S. thesis, Kwangwoon University, Korea, 2013.
S. David, H. Aja, M. Chris, G. Arthur; S. Laurent; D. George, S. Julian, A. Ioannis, "Mastering the game of Go with deep neural network and tree search." Nature, vol. 529, pp. 484-489, Jan. 2016.
A. Benaicha, G.Mourot, K. Benothman and J. Ragot, "Determination of Principal Component Analysis Models for Sensor Fault Detection and Isolation," International Journal of Control, Automation, and Systems, vol. 11, no. 2, pp. 296-305, Mar. 2013.
W. S. Lee, S. H. Kim, J. Y. Ryu, T. W. Ban, "Fast Detection of Disease in Livestock based on Deep Learning," Journal of the Korea Institute of Information and Communication Engineering. vol. 21, no. 4, pp. 1009-1015, Oct. 2017.
G. Hinton, S. Osindero, "A Fast Learning Algorithm for Deep Belief Nets," Neural Computation., vol.18, no.7, pp. 1527-1554, May 2006.
J. K. Jeon, B. H. Rhee, "Improving the Error Back-Propagation Algorithm," Journal of Engineering & Technology Hanyang University, vol 6. no. 1, Oct. 1997.
N. Caruana, Karampatziakis, A. Yessenaline, "An empirical evaluation of supervised learning in high dimensions," in Proceedings of the 25th international conference on Machine learning, pp. 96-103, 2008.
C. W. Son, "An Implementation of the Controller for Intelligent Process System using Neural Network," M.S. thesis, Korea Maritime University, Korea, 2001.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.