손창우
(Department of Electronic & Communication Eng, Korea Maritime University)
,
이상배
(Department of Electronic & Communication Eng, Korea Maritime University)
스마트 플러그는 가정집에서 콘센트와 제품 간 중간에 연결하는 장치로써, 전원 On/Off 제어 기능과 전력 측정 기능으로 에너지 절약을 유도하고 외부에 정보를 전송할 수 있는 IoT 기기를 말한다. 여기에 사람의 사고방식을 컴퓨터에 학습 시키는 인공지능 기술의 딥러닝을 스마트 플러그에 탑재하여, 입력 교류 전류 패턴을 이용하여 제품이 동작만 하면 어떤 제품인지 자동으로 분류하고 세탁기의 동작 상태를 자동으로 판단하는 시험을 하였다. 본 연구를 통해 제품이 IoT 기능이 안 되더라도 스마트 플러그 연결만으로도 제품의 종류와 동작 상태를 분류하므로, 한 가정의 생활패턴과 에너지 절감의 새로운 패러다임을 그릴 수 있을 것이다.
스마트 플러그는 가정집에서 콘센트와 제품 간 중간에 연결하는 장치로써, 전원 On/Off 제어 기능과 전력 측정 기능으로 에너지 절약을 유도하고 외부에 정보를 전송할 수 있는 IoT 기기를 말한다. 여기에 사람의 사고방식을 컴퓨터에 학습 시키는 인공지능 기술의 딥러닝을 스마트 플러그에 탑재하여, 입력 교류 전류 패턴을 이용하여 제품이 동작만 하면 어떤 제품인지 자동으로 분류하고 세탁기의 동작 상태를 자동으로 판단하는 시험을 하였다. 본 연구를 통해 제품이 IoT 기능이 안 되더라도 스마트 플러그 연결만으로도 제품의 종류와 동작 상태를 분류하므로, 한 가정의 생활패턴과 에너지 절감의 새로운 패러다임을 그릴 수 있을 것이다.
The Smart plug is a device that connects between the outlet and the product at home, and it is an IoT type device that can drive energy saving and transmit information to the outside by power on / off control function and power measurement function. In this case, a smart plug that incorporates deep ...
The Smart plug is a device that connects between the outlet and the product at home, and it is an IoT type device that can drive energy saving and transmit information to the outside by power on / off control function and power measurement function. In this case, a smart plug that incorporates deep learning of intelligence technology that allows people to learn how to think about a computer, automatically classifies a product as it operates, and automatically tests the operating status of the washing machine by using input AC current pattern. Through this study, even if the product does not function as IoT, it can classify product type and operation state by smart plug connection alone, so we can draw a new paradigm of life pattern and energy saving in one family.
The Smart plug is a device that connects between the outlet and the product at home, and it is an IoT type device that can drive energy saving and transmit information to the outside by power on / off control function and power measurement function. In this case, a smart plug that incorporates deep learning of intelligence technology that allows people to learn how to think about a computer, automatically classifies a product as it operates, and automatically tests the operating status of the washing machine by using input AC current pattern. Through this study, even if the product does not function as IoT, it can classify product type and operation state by smart plug connection alone, so we can draw a new paradigm of life pattern and energy saving in one family.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 그림 1과 같이 스마트 플러그에 가전 제품이 연결되고 동작이 되면 전류를 측정하여, 딥러닝 알고리즘으로 제품의 종류와 동작 상태를 자동으로 인식하고 와이 파이(Wi-Fi)를 통해 소비자 App(앱)으로 전송하는 시스템을 구현하는 것이다.
세탁기에서 세탁과 탈수 동작에 있어서 1초짜리 교류 전류 60개인 입력 데이터로 자동 동작 분류를 하여 사용자에게 스마트 폰으로 전송을 하면 멀리서도 가정에서의 동작 상태를 판단함으로 고객의 편리성을 줄 수 있는 연구이다.
이렇게 가전 제품에서의 입력 전압은 교류(AC)로 들어가서 전력변환 시스템을 통해 출력은 직류(DC)로도 만들어지고 교류(AC)로도 만들어지는데, 마지막 단 부하의 특성에 따라 전력변환 시스템이 달라지며 입력단의 교류 전류도 차이가 발생한다. 이러한 교류 전류 특성을 분석하여 제품의 종류를 자동 분류하는데 사용하고자 한다.
하지만 주요한 성과들이 영상 및 음성 인식 분야에만 국한되어 있어서, 본 논문은 전류센서 기반으로 자동 분류를 하는 사례를 만들어, 딥러닝이 보다 더 많은 영역과 분야에서 활용할 수 있도록 만들고자 한다. 이를 위해 스마트 플러그에서 가전 제품의 입력 전류 (교류 전류) 파형으로 종류나 동작을 자동으로 분류를 하는데 목적이 있다.
인공신경망이 층의 증가와 함께 비선형 문제의 학습 성능이 월등히 증가하였지만, 학습 연산이 매우 많고, 과 적합 문제로 인해 점차 활용이 줄어들었다. 하지만 병렬 연산의 개발과 함께 2005년 G. Hinton이 과 적합 문제를 해결하며 보다 다양한 분야에 활용되기 시작하였고[6], 본 연구는 심층 신경망(Deep Neural Network, DNN)에 대해 논의해 본다.
GPU(Graphic Processing Unit)를 이용한 병렬처리 Process 발전과 빅 데이터(Big Data) 구하기가 쉬워졌고 과 적합(Overfitting) 문제 등의 한계를 극복해 발전할수 있었다. 하지만 주요한 성과들이 영상 및 음성 인식 분야에만 국한되어 있어서, 본 논문은 전류센서 기반으로 자동 분류를 하는 사례를 만들어, 딥러닝이 보다 더 많은 영역과 분야에서 활용할 수 있도록 만들고자 한다. 이를 위해 스마트 플러그에서 가전 제품의 입력 전류 (교류 전류) 파형으로 종류나 동작을 자동으로 분류를 하는데 목적이 있다.
제안 방법
본 연구의 목표로 첫 번째는 10가지 종류 분류인데, 7 가지 제품과 2 종류의 제품이 한 개 스마트 플러그에 꼽혀서 동작 할 때도 분류 될 수 있는지를 확인 하는데 앞에서 7가지 제품과 동시 동작 3가지(냉장고+전자레인지, 냉장고+드라이어, 전자레인지+드라이어)를 더해 10가지에서의 종류를 자동 분류를 한다. 두 번째는 1초짜리 전류 데이터로 60초 동안의 데이터를 이용하여 세탁기에서의 세탁 동작과 탈수 동작을 자동으로 판단이 가능한지 자동 분류를 한다. 첫 번째와 두 번째는 오프라인 조건의 PC(GPU 기반) 동작으로 분류를 하였고, 세 번째 목표는 온라인 조건인 MCU 동작에서 정확도를 검증하였다.
본 연구의 목표로 첫 번째는 10가지 종류 분류인데, 7 가지 제품과 2 종류의 제품이 한 개 스마트 플러그에 꼽혀서 동작 할 때도 분류 될 수 있는지를 확인 하는데 앞에서 7가지 제품과 동시 동작 3가지(냉장고+전자레인지, 냉장고+드라이어, 전자레인지+드라이어)를 더해 10가지에서의 종류를 자동 분류를 한다. 두 번째는 1초짜리 전류 데이터로 60초 동안의 데이터를 이용하여 세탁기에서의 세탁 동작과 탈수 동작을 자동으로 판단이 가능한지 자동 분류를 한다.
오프라인에서 학습하여 정확도가 검증된 Weight를, MCU에 적용하고 연산 프로그램을 설계하여 실 시간에 서의 제품 종류 분류와 동작 분류가 잘 되었는지 실험하였다. 이때 결과는 표 4와 같은 정확도를 확인하였다.
이러한 두 가지 목표에서 에러율이 어떻게 줄어드는지를 확인하고 교차 검증(Cross Validation)을 이용하여 분류에 대한 정확도와 과 적합(Overfitting)이 없음을 확인하고, Full batch와 Mini batch인 입력데이터 적용 방법을 변경하여 학습 속도가 어떻게 변하는지 확인한다.
입력 교류 전류 데이터를 측정하기 위해 전류 센서를 전원 플러그에 직렬 연결하고, 한 주기 60Hz(16.7msec) 동안의 전류 데이터를 측정하였으며 해당하는 시스템은 그림 2에 표현된다. 전류 센서는 Hall-Effect 기반의 선형 전류 센서인 ACS712를 사용하여 AC 및 DC 신호에 대해 정교한 전류 측정이 가능하며, 측정된 전류에 선형으로 비례하게 전압을 측정한다.
입력 선택 방법으로는 크게 2 가지인 Full batch와 Mini batch 방식에서 2 가지 모두 구현하여 연산 속도와 Local Minima 특성을 비교하고자 하며, 출력값 표현법으로는 출력의 합이 1이 되도록 변형시켜 사용하는 Softmax Function으로 비교를 한다. 활성화 함수는 Sigmoid와 ReLU 함수에서 Weight 학습에서 히든층으로 깊게 전파 도달하지 않아도 되므로 Sigmoid 함수를 사용하고, 신경망 학습율의 지표는 Cross Entropy Error를 사용하며 최적의 매개변수를 갱신하는 방법으로는 Adam Optimizer로 에러를 줄이도록 설정하였다.
입력단은 60Hz동안의 30개의 AC 전류값이고, 전체 샘플 data는 12000개이며 3:1 비율로 Train 데이터와 Test 데이터를 나누어 9000개와 3000개로 학습 능력 검증을 위한 4-Fold 교차 학습(Cross Validation)을 위해 구분하였으며 데이터를 다수의 조각으로 나누어 Train과 Test를 반복하는 방법이다. 은닉층(Hidden Layer)은 2개로 각각 10개 Layer로 구성하였고 출력층은 희망하는 자동 분류 개수이다.
가전 제품의 자동인식 목표는 두 가지로, 첫 번째는 10개 제품의 종류를 분류 하는 것이고 두 번째는 특정 제품의 동작 상태를 분류하고자 한다. 첫 번째는 60Hz의 한 주기인 16.7msec 동안의 교류 전류를 측정하여 한 주기 패턴으로 제품 종류를 분류하고, 두 번째는 1초 동안의 평균 전류를 측정하고 그 60개 시간영역 데이터로 특정 제품의 동작 상태 구분을 한다.
두 번째는 1초짜리 전류 데이터로 60초 동안의 데이터를 이용하여 세탁기에서의 세탁 동작과 탈수 동작을 자동으로 판단이 가능한지 자동 분류를 한다. 첫 번째와 두 번째는 오프라인 조건의 PC(GPU 기반) 동작으로 분류를 하였고, 세 번째 목표는 온라인 조건인 MCU 동작에서 정확도를 검증하였다.
대상 데이터
PFC 회로에서 입력 전류는 매끄러운 사인파 형태 나타나고, PSC의 입력 전류는 한 주기의 구형파 제어로 물결 모양의 형태로 나타난다. 사용되는 제품은 전류를 많이 쓰는 냉각기, 전기 건조기와 Adaptor가 이에 속한다. 이렇게 가전 제품에서의 입력 전압은 교류(AC)로 들어가서 전력변환 시스템을 통해 출력은 직류(DC)로도 만들어지고 교류(AC)로도 만들어지는데, 마지막 단 부하의 특성에 따라 전력변환 시스템이 달라지며 입력단의 교류 전류도 차이가 발생한다.
15%임을 표 3과 같이 혼돈 행렬(Confusion Matrix)로 확인이 가능하다. 수평으로의 한 Line 전체 숫자가 동작 1개에 대한 Test 데이터(1000개)로, 1번(세탁동작)에서 983번은 세탁동작을 판단했지만 17번에서 1번(탈수 동작)으로 판단하였고 2번에서는 100% 2번으로 판단하였다. 그래서 전체 정확도 평균은 99.
이론/모형
심층 신경망은 표준 오류역전파 알고리즘으로 학습한다. 이때, 가중치(Weight)들은 아래의 수식 (1)을 이용한 확률적 경사하강법 (Stochastic Gradient Descent)을 통하여 갱신될 수 있다.
입력 선택 방법으로는 크게 2 가지인 Full batch와 Mini batch 방식에서 2 가지 모두 구현하여 연산 속도와 Local Minima 특성을 비교하고자 하며, 출력값 표현법으로는 출력의 합이 1이 되도록 변형시켜 사용하는 Softmax Function으로 비교를 한다. 활성화 함수는 Sigmoid와 ReLU 함수에서 Weight 학습에서 히든층으로 깊게 전파 도달하지 않아도 되므로 Sigmoid 함수를 사용하고, 신경망 학습율의 지표는 Cross Entropy Error를 사용하며 최적의 매개변수를 갱신하는 방법으로는 Adam Optimizer로 에러를 줄이도록 설정하였다.
성능/효과
만일 제안하는 첫 번째 방식이 가능하다면, IoT가 안 되는 제품이더라도 제품의 종류를 파악할 수가 있고 TV 시청 시간을 누적 적산하여 사용자에게 알릴 수 있고 회전체, 발열체, 냉각기, 영상기 등의 전류 소비 패턴을 확인 할 수 가 있다. 두 번째 방식이 가능하다면, 세탁기에서 세탁 행정과 탈수 행정을 구분해 멀리서 스마트 폰으로 탈수 동작 확인이 가능하니 종료시점을 확인하러 세탁실에 가지 않아도 되는 번거로움을 덜 수가 있는 장점을 가지고 있다.
본 논문에서는 60Hz 주기의 교류 입력 전류로 표현 되는 각 가전 제품의 정보를 계측하여 가전 제품 마다의 표현되는 전류패턴을 분류하였으며, 제품이 동작 했을 때 교류 입력 전류의 패턴으로 딥러닝을 통해 제품의 종류를 자동으로 분류가 가능함을 확인했고 또한 세탁기의 세탁, 탈수 동작을 자동으로 분류가 가능함을 확인하였다.
수평으로의 한 Line 전체 숫자가 제품 1개에 대한 Test 데이터(300개)로, 7번 이외의 제품 정확도가 100%로 나왔고 7번 제품(Hair Dryer)에서도 300개 중에 1개만 TV로 판단했고 나머지는 Hair Dryer로 판단하여 정확도가 높음을 알 수 있다. 이는 1개의 Hair Dryer 전류 파형이 TV와 유사하게 나와 판별이 안 되는 것으로 확인 할 수 있다.
종류 분류에서는 94% 이상의 정확도가 나왔고, 동작 분류에서는 세탁동작에서 86%의 정확도로 낮게 나왔다. 이는 세탁과 탈수 동작에서 중복되는 동작이 존재하여 정확도가 낮게 나왔는데, 중복되는 동작은 물 뻬기 동작인 배수에서 통(Tub)을 돌리는 속도가 20rpm으로 천천히 회전하는 동작이다.
학습이 완료되어 가중치(Weight) 매개변수가 정해진 후 2000개(1000×2)의 Test 데이터로 검증했을 때 성공률이 99.15%임을 표 3과 같이 혼돈 행렬(Confusion Matrix)로 확인이 가능하다.
학습이 완료되어 가중치(Weight) 매개변수가 정해진 후 3000개(300×10)의 Test 데이터로 검증했을 때 성공률이 99.97%임을 아래의 표 1과 같이 혼돈 행렬(Confusion Matrix)로 확인이 가능하다.
후속연구
앞으로 여러 가전업체에서 만든 제품군에서도 동일한 학습 분류가 되도록 연구가 필요할 것이고, 모든 제품의 종류를 알고 전력을 안다면 한 가정집의 상태와 예측이 가능한 차별화 되는 스마트 홈 시스템 구성이 될 것이라 기대해 본다.
여기에 사람의 사고방식을 컴퓨터에 학습 시키는 딥러닝을 스마트 플러그에 탑재 시키고, 각 제품의 입력 전류를 스마트 플러그에서 측정하여 제품이 동작만 하면 어떤 제품인지 자동으로 분류하는 능력과 동작 상태 감지를 한다면 더 고객에게 편리성을 부여하고 경쟁력을 강화할 수 있을 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
제품이 동작 시 교류 입력 전류의 패턴으로 딥러닝을 통해 확인할 수 있는 것은?
본 논문에서는 60Hz 주기의 교류 입력 전류로 표현 되는 각 가전 제품의 정보를 계측하여 가전 제품 마다의 표현되는 전류패턴을 분류하였으며, 제품이 동작 했을 때 교류 입력 전류의 패턴으로 딥러닝을 통해 제품의 종류를 자동으로 분류가 가능함을 확인했고 또한 세탁기의 세탁, 탈수 동작을 자동으로 분류가 가능함을 확인하였다.
딥러닝 기술이 다시 활발히 활용되게 된 계기는 무엇인가?
인공신경망이 층의 증가와 함께 비선형 문제의 학습 성능이 월등히 증가하였지만, 학습 연산이 매우 많고, 과 적합 문제로 인해 점차 활용이 줄어들었다. 하지만 병렬 연산의 개발과 함께 2005년 G. Hinton 이 과 적합 문제를 해결하며 보다 다양한 분야에 활용되기 시작하였고[6], 본 연구는 심층 신경망(Deep Neural Network, DNN)에 대해 논의해 본다.
스마트 플러그란?
스마트 플러그는 가정집에서 콘센트와 제품 간 중간에 연결하는 장치로써, 전원 On/Off 제어 기능과 전력 측정 기능으로 에너지 절약을 유도하고 외부에 정보를 전송할 수 있는 IoT 기기를 말한다. 여기에 사람의 사고방식을 컴퓨터에 학습 시키는 인공지능 기술의 딥러닝을 스마트 플러그에 탑재하여, 입력 교류 전류 패턴을 이용하여 제품이 동작만 하면 어떤 제품인지 자동으로 분류하고 세탁기의 동작 상태를 자동으로 판단하는 시험을 하였다.
참고문헌 (8)
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.
Y. S. Kim, "Smart plug/home appliances spread User Experience(UX) Development Study" Sungkyunkwan University Industry Academia Collaboration Foundation, Technical Report, Sep. 2014.
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.
C. J. Seo "Smart electricity management system in homes using pattern analytically," M.S. thesis, Kwangwoon University, Korea 2013.
W. S. Lee, S. H. Kim, J. Y. Ryu and T. W. Ban, "Fast Detection of Diseas 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.
Y. J. Kim, "Analysis of Image Big Data Using Deep Learning" Ph. D. dissertation, Chung Ang University, Korea 2017.
S. David, H. Aja, M. Chris and G. Arthur, "Mastering the game of Go with deep neural network and tree search," Nature, vol. 529, pp. 484-489, Jan. 2016.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.