본 연구에서는 가전기기 5종에 대해 실제 측정 전력 데이터를 이용하여 딥러닝 기반의 NILM 기법을 제안하고 그 효용성을 검증 하고자 한다. 약 3주간 중앙 전력 측정 장치 및 5종 가전기기(냉장고, 인덕션, TV, 세탁기, 공기청정기)의 유효전력을 개별 측정하였다. 실측 데이터의 전처리 방법을 소개하고 Spectogram 분석을 통해 가전 기기별 특징을 분석하였다. 가전기기별 특징을 학습 데이터셋으로 구성하였다. 중앙 전력 측정 기기와 가전기기 5종에서 측정된 모든 전력 데이터를 시계열 매핑하여 시계열 데이터 분석에 우수한 RNN 계열의 LSTM 신경망을 이용해 학습을 수행하였다. 메인 중앙 전력 측정 장치의 전력 데이터만으로도 5종 전력 신호를 분해해낼 수 있는 알고리즘을 제안하였다.
본 연구에서는 가전기기 5종에 대해 실제 측정 전력 데이터를 이용하여 딥러닝 기반의 NILM 기법을 제안하고 그 효용성을 검증 하고자 한다. 약 3주간 중앙 전력 측정 장치 및 5종 가전기기(냉장고, 인덕션, TV, 세탁기, 공기청정기)의 유효전력을 개별 측정하였다. 실측 데이터의 전처리 방법을 소개하고 Spectogram 분석을 통해 가전 기기별 특징을 분석하였다. 가전기기별 특징을 학습 데이터셋으로 구성하였다. 중앙 전력 측정 기기와 가전기기 5종에서 측정된 모든 전력 데이터를 시계열 매핑하여 시계열 데이터 분석에 우수한 RNN 계열의 LSTM 신경망을 이용해 학습을 수행하였다. 메인 중앙 전력 측정 장치의 전력 데이터만으로도 5종 전력 신호를 분해해낼 수 있는 알고리즘을 제안하였다.
In this study, we propose a deep learning-based NILM technique using actual measured power data for 5 kinds of home appliances and verify its effectiveness. For about 3 weeks, the active power of the central power measuring device and five kinds of home appliances (refrigerator, induction, TV, washi...
In this study, we propose a deep learning-based NILM technique using actual measured power data for 5 kinds of home appliances and verify its effectiveness. For about 3 weeks, the active power of the central power measuring device and five kinds of home appliances (refrigerator, induction, TV, washing machine, air cleaner) was individually measured. The preprocessing method of the measured data was introduced, and characteristics of each household appliance were analyzed through spectogram analysis. The characteristics of each household appliance are organized into a learning data set. All the power data measured by the central power measuring device and 5 kinds of home appliances were time-series mapping, and training was performed using a LSTM neural network, which is excellent for time series data prediction. An algorithm that can disaggregate five types of energies using only the power data of the main central power measuring device is proposed.
In this study, we propose a deep learning-based NILM technique using actual measured power data for 5 kinds of home appliances and verify its effectiveness. For about 3 weeks, the active power of the central power measuring device and five kinds of home appliances (refrigerator, induction, TV, washing machine, air cleaner) was individually measured. The preprocessing method of the measured data was introduced, and characteristics of each household appliance were analyzed through spectogram analysis. The characteristics of each household appliance are organized into a learning data set. All the power data measured by the central power measuring device and 5 kinds of home appliances were time-series mapping, and training was performed using a LSTM neural network, which is excellent for time series data prediction. An algorithm that can disaggregate five types of energies using only the power data of the main central power measuring device is proposed.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구에서 제안하는 전력 분해 알고리즘은 메인 전력 측정 장치에서 측정된 에서 ⋯신호를 추출해내는 것이 목적이라 할 수 있다.
본 연구에서는 가전기기 5종에 대해 실제 측정 전력 데이터를 이용하여 딥러닝 기반의 NILM 기법을 제안하고 그 효용성을 검증하려 한다. 실측 데이터에서 전처리방법을 소개하고 Spectogram 분석을 통해 가전 기기별 특징을 추출하여 분해 성능을 향상시켰다.
본 연구에서는 전기기 5종에 대해 실제 측정 전력 데이터를 이용하여 스팩토그램 분석을 통해 가전기기별 전력 특징을 분석하고, LSTM 딥러닝 기반의 시계열 데이터 학습을 통한 2단계 NILM 기법을 제안하고 그 효용성을 확인하였다. 3개월 데이터 기준 정확도 89.
추정하는 방식을 사용해 왔다. 본 연구에서는 전력 데이터를 “One to many” 학습 데이터 형식으로 매핑하여 LSTM 기반의 방법으로 이를 해결하고자 한다.
제안 방법
LSTM 신경망은 총 50개로 구성했으며 Early-stop을 위한 patience는 10으로 설정하였다. 총 학습 파라미터 개수는 10655개로 설정 되었고, 총 Epoch 100회로 설정하여 학습을 수행하였으며 Colab 환경에서 T4 GPU 를 활용하였다.
비침입적 (Non-Intrusive)이라는 용어는 다수의 전력 측정 장치 또는 개별 가전기기에 따로 부착된 스마트 미터를 활용하는 기존의 ILM (Intrusive Load Monitoring) 방법과 차별을 두기 위해 사용하는 용어이며 하나의 메인 측정 장치로부터 계측되는 가전 기기의 총 사용량을 분석하여가전 기기별 패턴을 포착 및 분류, 사용량 예측까지 수행할 수 있다는 점에 큰 차이점이 있다. NILMe 하나의 중앙 측정을 기반으로 가전 기기 수준으로 전기 에너지 소비를 추출하므로 집계 된 총 에너지 신호에서 가전 기기의 시작 신호(스위치 On) 및 사용 종류 시간(스위치 Off) 을 식별하여 기기를 식별 하였다[15].
Resampling 알고리즘을 통해 데이터 입력 빈도수를 일정하게 하였다.
전력 측정 장비는 PLC를 통해 이더넷(ethernet) 통신으로 데이터를 전송하며, 100ms 단위 샘플링이 가능하다. 가전기기를 개별적으로 연결할 수 있는 콘센트를 전력 측정 장비와 연결하여 가전기기별 유효 전력, 5대 가전기기 전체(메인)의 유효 전력을 1초 단위로 약 3주 동안 수집하였다.
시간 데이터와 유효전력 데이터를 1:N 매핑하는 과정을 수행하였다. 또한 LSTM 알고리즘 특성상 장기-단기 데이터를 기억할 수 있도록 데이터를 세팅해야 하는데, 본 연구에서는 60초의 데이터를 기억할 수 있도록 Time-sequencing 하였다.
실측 데이터에서 전처리방법을 소개하고 Spectogram 분석을 통해 가전 기기별 특징을 추출하여 분해 성능을 향상시켰다. 또한 중앙 전력 측정 기기와 가전 기기 5종에서 측정된 모든 전력 데이터를 시계열 매핑하여 시계열 데이터 분석에 우수한 RNN 계열의 LSTM 신경망[26, 27]을 이용해 학습을 수행했다. 추후 main 전력 기기의 전력 데이터만으로도 5 종 전력 신호를 분해해낼 수 있는 알고리즘을 제안한다.
이는 노이즈로 간주하고 제거하였다. 또한 학습의 효율성을 높이기 위하여 모든 전력 데이터를 0∼1.0으로스케일 매핑을 수행하였다.
측정된 전력 데이터를 전처리를 수행하고스팩토그램 분석을 통해 특징 신호를 추출한다. 메인 전력 측정 장치를 포함한 5개 가전기기를 하나의 학습 데이터셋으로 구성하여 LSTM 기반의 신경망 학습을 수행하였다. 메인 전력 측정 장치에서 취합된 전력 데이터는 아래의 식으로 표현될 수 있다.
본 연구에서 제안하는 전력 분해 알고리즘은 2단계로 구성되어 있다. 측정된 전력 데이터를 전처리를 수행하고스팩토그램 분석을 통해 특징 신호를 추출한다.
79% 신뢰도를 확보하였다. 실측 데이터 전처리 방법을 소개하고 Spectogram 분석을 통해 가전 기기별 특징을 추출해 내분해 성능을 향상 시켰다. 향후 연구로써 main 전력 기기의 전력 데이터만으로 신뢰도 높은 5종 전력 신호를 분해해낼 수 있는 알고리즘을 확보하기 위해 전력 분해를 위한 전처리 필터 개발, 유효전력 이외의 무효전력, 피상 전력 등의 다른 전력 데이터의 상관 관계를 학습한 분해 알고리즘 개발 등을 수행할 예정이다.
그 효용성을 검증하려 한다. 실측 데이터에서 전처리방법을 소개하고 Spectogram 분석을 통해 가전 기기별 특징을 추출하여 분해 성능을 향상시켰다. 또한 중앙 전력 측정 기기와 가전 기기 5종에서 측정된 모든 전력 데이터를 시계열 매핑하여 시계열 데이터 분석에 우수한 RNN 계열의 LSTM 신경망[26, 27]을 이용해 학습을 수행했다.
79%로 측정 되었다. 중앙 측정 전력 에너지의 시계열 총합의 데이터로부터 분해가 완료된 5종 가전기기의 전력 값과 실제로 측정한 전력 값의 차이에 따른 에러를 아래와 같은 식으로 정확도를 계산 하였다.
총 학습 시간은 16시간동안 수행하였다. 최종 손실 값은 1.2222e-04 였으며, 더 이상 손실 값의 하강과 정확도 향상이 없을 것으로 판단하여 해당 신경망을 이용하여 분해를 수행하였다. Fig.
있다. 측정된 전력 데이터를 전처리를 수행하고스팩토그램 분석을 통해 특징 신호를 추출한다. 메인 전력 측정 장치를 포함한 5개 가전기기를 하나의 학습 데이터셋으로 구성하여 LSTM 기반의 신경망 학습을 수행하였다.
대상 데이터
본 연구에서 측정한 가전기기는 냉장고, 인덕션, TV, 공기청정기, 세탁기이며 24시간 전력 사용량을 메인 전력 데이터와 함께 도식화하면 Fig. 1과 같다
본연구에서 메인 전력 측정 장치로부터 취합되는 데이터는 전압, 전류, 전력량, 유효전력, 피상전력, 무효전력, 역률, 전압주파수, 전류주파수, 시간, 전압고조파, 전류 고조파이다. 유효전력을 제외 하고 나머지 데이터는 제외 하였다.
patience는 10으로 설정하였다. 총 학습 파라미터 개수는 10655개로 설정 되었고, 총 Epoch 100회로 설정하여 학습을 수행하였으며 Colab 환경에서 T4 GPU 를 활용하였다. 또한 콜백 함수로써 Learning rate 스케줄러와 최적 모델을 자동으로 저장 하는 Check point 함수를 이용하였다.
이론/모형
총 학습 파라미터 개수는 10655개로 설정 되었고, 총 Epoch 100회로 설정하여 학습을 수행하였으며 Colab 환경에서 T4 GPU 를 활용하였다. 또한 콜백 함수로써 Learning rate 스케줄러와 최적 모델을 자동으로 저장 하는 Check point 함수를 이용하였다. 총 학습 시간은 16시간동안 수행하였다.
성능/효과
확인하였다. 3개월 데이터 기준 정확도 89.79% 신뢰도를 확보하였다. 실측 데이터 전처리 방법을 소개하고 Spectogram 분석을 통해 가전 기기별 특징을 추출해 내분해 성능을 향상 시켰다.
와 같다. 5개 기기 전체에 대한 분해 정확도는 89.79%로 측정 되었다. 중앙 측정 전력 에너지의 시계열 총합의 데이터로부터 분해가 완료된 5종 가전기기의 전력 값과 실제로 측정한 전력 값의 차이에 따른 에러를 아래와 같은 식으로 정확도를 계산 하였다.
0Hz 주파 수 넓은 영역에서 고루 전력 에너지가 분포하였다. 공기 청정기의 경우에는 On/Off 신호가 명확하지 않으며 항 상 대기 전력이 존재 하는 것을 알 수가 있으며 On 신호 시에는 간헐적으로 전력 신호가 증가 하는 것을 확인할 수 있었다. TV의 경우에는 On 신호시 전력 소모량은 냉장고와 비슷하지만 스팩토그램 분석 결과 저주파수의 전력 소모가 이루어졌다.
TV의 경우에는 On 신호시 전력 소모량은 냉장고와 비슷하지만 스팩토그램 분석 결과 저주파수의 전력 소모가 이루어졌다. 냉장고는 항상 켜진 상태로 사용한다는 특징이 있는데, 스팩토그램 분석 결과 냉장고 내부 온도 유지를 위해 모터가 가동될 때마다 전력 소모가 증가하는 것을 확인할 수 있으며 저주파수대에 에너지가 집중되어 있다는 것을 알 수 있다.
후속연구
또한 중앙 전력 측정 기기와 가전 기기 5종에서 측정된 모든 전력 데이터를 시계열 매핑하여 시계열 데이터 분석에 우수한 RNN 계열의 LSTM 신경망[26, 27]을 이용해 학습을 수행했다. 추후 main 전력 기기의 전력 데이터만으로도 5 종 전력 신호를 분해해낼 수 있는 알고리즘을 제안한다.
실측 데이터 전처리 방법을 소개하고 Spectogram 분석을 통해 가전 기기별 특징을 추출해 내분해 성능을 향상 시켰다. 향후 연구로써 main 전력 기기의 전력 데이터만으로 신뢰도 높은 5종 전력 신호를 분해해낼 수 있는 알고리즘을 확보하기 위해 전력 분해를 위한 전처리 필터 개발, 유효전력 이외의 무효전력, 피상 전력 등의 다른 전력 데이터의 상관 관계를 학습한 분해 알고리즘 개발 등을 수행할 예정이다.
참고문헌 (29)
Eurostat. (27 March 2018). Energy Statistics-An Overview. Available online. https://ec.europa.eu
O. Elma & U. S. Selamogullar. (2017). A survey of a residential load profile for demand side management systems. IEEE Internatdional Conference on Smart Energy Grid Engineering (SEGE). DOI : 10.1109/SEGE.2017.8052781
S. Mostafavi & R. W. Cox. (2017). An unsupervised approach in learning load patterns for non-intrusive load monitoring. IEEE 14th International Conference on Networking. Sensing and Control (ICNSC). DOI : 10.1109/icnsc.2017.8000164
L. Perez-Lombard, J. Ortiz & C. Pout. (2008). A review on buildings energy consumption information. Energy and Build. 40(3), 394-398. DOI : 10.1016/j.enbuild.2007.03.007
D. Lee & C-C. Cheng. (2016). Energy savings by energy management systems: A review. Renewable and Sustainable Energy Reviews. 56, 760-777. DOI :10.1016/j.rser.2015.11.067
S. Katipamula & M. Brambley. (2005). Review Article: Methods for Fault Detection, Diagnostics, and Prognostics for Building Systems-A Review, Part II. HVAC&R Reserach. 11(2), 169-187. DOI :10.1080/10789669.2005.10391133
M. Zeifman & K. Roth. (2011). Viterbi algorithm with sparse transitions (VAST) for nonintrusive load monitoring. IEEE Symposium on Computational Intelligence Applications In Smart Grid (CIASG). 1-8. DOI : 10.1109/CIASG.2011.5953328
C. Ogwumike, M. Short & M. Denai. (2015). Near-optimal scheduling of residential smart home appliances using heuristic approach. IEEE International Conference on Industrial Technology (ICIT). 3128-3133. DOI : 10.1109/ICIT.2015.7125560
V. Indragandhi, R. Logesh, V. Subramaniyaswamy, V. Varadarajan, P. Siarry & L. Uden. (2018). Multi-objective optimization and energy management in renewable based AC/DC microgrid. Computers & Electrical Engineering. 70, 179-198. DOI : 10.1016/j.compeleceng.2018.01.023
K. Buchanan, N. Banks, I. Preston & R. Russo, (2016). The British public's perception of the UK smart metering initiative: Threats and opportunities. Energy Policy. 91. 87-97. DOI : 10.1016/j.enpol.2016.01.003
G. C. Koutitas & L. Tassiulas. (2016). Low cost disaggregation of smart meter sensor data. IEEE Sensors. J. 16(6), 1665-1673. DOI : 10.1109/JSEN.2015.2501422
R. Arghandeh & Y. Zhou. (2018). Big Data Application in Power Systems, Amsterdam : Elsevier Science. DOI : 10.1016/c2016-0-00194-8
D. Egarter, V. P. Bhuvana & W. Elmenreich. (2015). PALDi: Online Load Disaggregation via Particle Filtering. IEEE Transactions on Instrumentation and Measurement. 64(2), 467-477. DOI : 10.1109/tim.2014.2344373
A. Cominola, M. Giuliani, D. Piga, A. Castelletti & A. E. Rizzoli. (2017). A Hybrid Signature-based Iterative Disaggregation algorithm for Non-Intrusive Load Monitoring. Applied Energy 185, 331-344. DOI : 10.1016/j.apenergy.2016.10.040
C. Gisler, A. Ridi, D. Zuerey, O. A. Khaled & J. Hennebert. (2013). Appliance consumption signature database and recognition test protocols. 8th International Workshop on Systems, Signal Processing and their Applications (WoSSPA), 336-341. DOI : 10.1109/wosspa.2013.6602387
A. S. Bouhouras, P. A. Gkaidatzis, E. Panagiotou, N. Poulakis & G. C. Christoforidis. A NILM algorithm with enhanced disaggregation scheme under harmonic current vectors. Energy and Buildings, 183(15), 392-407 DOI : 10.1016/j.enbuild.2018.11.013
T. Hassan, F. Javed & N. Arshad. (2014). An empirical investigation of V-I trajectory based load signatures for non-intrusive load monitoring. IEEE Transactions on Smart Grid, 5(2), 870-878. DOI : 10.1109/TSG.2013.2271282
Y. H. Lin & M-S. Tsai. (2015). An advanced home energy management system facilitated by nonintrusive load monitoring with automated multiobjective power scheduling. Transactions on Smart Grid, 6(4), 1839-1851. DOI : 10.1109/TSG.2015.2388492
P. Bilski & W. Winiecki. Generalized algorithm for the non-intrusive identification of electrical appliances in the household. IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications (IDAACS), 730-735. DOI : 10.1109/IDAACS.2017.8095186
Y. Kim, S. Kong, R. Ko & S. -K. Joo. (2014). Electrical event identification technique for monitoring home appliance load using load signatures. IEEE International Conference on Consumer Electronics (ICCE), 296-297. DOI : 10.1109/ICCE.2014.6776012
D. Murray, L. Stankovic, V. Stankovic, S. Lulic, S. Sladojevic, (2019). Transferability of neural network approaches for low-rate energy disaggregation. IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), 8330-8334. DOI : 10.1109/ICASSP.2019.8682486
K. S. Barsim & B. Yang. (5 Feb 2018). On the Feasibility of Generic Deep Disaggregation for Single-Load Extraction. New york : Cornell University https://arxiv.org/abs/1802.02139v1
X. Wu, X. Han & K. X. Liang. (2019). Event-based non-intrusive load identification algorithm for residential loads combined with underdetermined decomposition and characteristic filtering. IET Generation, Transmission & Distribution, 13(1), 99-107. DOI : 10.1049/iet-gtd.2018.6125
I. Cavdar & V. Faryad. (2019). New Design of a Supervised Energy Disaggregation Model Based on the Deep Neural Network for a Smart Grid Energies, 12(7), 1217. DOI : 10.3390/en12071217
W. He & Y. Chai. (2016). An empirical study on energy disaggregation via deep learning. Proceedings of the 2016 2nd International Conference on Artificial Intelligence and Industrial Engineering (AIIE 2016). DOI : 10.2991/aiie-16.2016.77
L. Mauch & B. Yang. (2015). A new approach for supervised power disaggregation by using a deep recurrent LSTM network. IEEE Global Conference on Signal and Information Processing (GlobalSIP), 63-67. DOI : 10.1109/GlobalSIP.2015.7418157
F. C. C. Garcia, C. M. C. Creayla & E. Q. B. Macabebe. (2017). Development of an intelligent system for smart home energy disaggregation using stacked denoising autoencoders. Procedia Computer Science, 105, 248-255. DOI : 10.1016/j.procs.2017.01.218
S. J. Cho & T. Y. Yoon. (2016). Seasonal pattern analysis and implications for residential electricity demand. Ulsan : KEEI. https://www.nkis.re.kr:4445/subject_view1.do?otpIdKEEI00047525&otpSeq0&eoSeq0
※ AI-Helper는 부적절한 답변을 할 수 있습니다.