$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

가전제품 전력 사용 분류를 위한 장단기 메모리 기반 비침입 부하 모니터링 기법
Non-Intrusive Load Monitoring Method based on Long-Short Term Memory to classify Power Usage of Appliances 원문보기

The journal of the institute of internet, broadcasting and communication : JIIBC, v.21 no.4, 2021년, pp.109 - 116  

경찬욱 (광운대학교 전자융합공학과) ,  선준호 (광운대학교 전자융합공학과) ,  선영규 (광운대학교 전자융합공학과) ,  김진영 (광운대학교 전자융합공학과)

초록
AI-Helper 아이콘AI-Helper

본 논문은 분산자원 집합 거래시장의 활성화와 에너지 관리의 중요성이 증가되면서 에너지 관리 모니터링 기술로서 합산된 전체 전력으로부터 각각의 가전제품의 전력을 찾아내는 비 침입 부하 모니터 기법을 제안한다. 본 논문에서는 데이터 전처리를 통해 각 가전제품들의 power on-off상태가 나오도록 한다. 이러한 데이터를 LSTM을 모델로 사용하여 각 가전제품들의 power on-off 상태를 예측한다. 예측한 상태들을 데이터 후처리를 한 후, 실제 상태들과 비교하여 정확도를 측정한다. 본 논문에서는 전자제품의 개수, 데이터 후처리 방법과 Time step size를 다르게 하여 정확도를 측정하여 비교한다. 전자 제품의 개수가 6개이고, Round함수로 데이터 후처리 방법을 사용하고, Time step size는 6으로 설정하였을 때, 가장 높은 정확도가 나온 것으로 측정되었다.

Abstract ▼ AI-Helper 아이콘AI-Helper

In this paper, we propose a non-intrusive load monitoring(NILM) system which can find the power of each home appliance from the aggregated total power as the activation in the trading market of the distributed resource and the increasing importance of energy management. We transform the amount of ap...

주제어

#Long-short Term Memory (LSTM)   #Non-intrusive Load Monitoring (NILM)   #Recurrent Neural Network (RNN)   #Smart Grid  

표/그림 (15)

AI 본문요약
AI-Helper 아이콘 AI-Helper

문제 정의

  • 본 논문에서는 LSTM을 기반으로 가전제품 전력 사용을 예측하는 모델을 제안한다. Ⅱ장에서 설명했듯이 RNN은 이전의 셀에서 나온 계산 결과로 입력이 다음 셀에 들어간다.
  • 본 논문에서는 추가적으로 측정하는 기능 없이 집계된 데이터와 각 가전제품의 라벨링을 통하여 집계된 데이터를 예측하고 각각의 가전제품들을 분류하는 지도 비 침입 부하 모니터링을 제안한다. 데이터 전처리를 통해 각각의 가전제품들의 power on-off state로 전환하고, LSTM 예측 모델을 통해 집계된 power on-off state를 예측하여 데이터 후처리를 통해 각각의 가전제품들의 state를 구분한다.
본문요약 정보가 도움이 되었나요?

참고문헌 (11)

  1. G. W. Hart, "Nonintrusive appliance load monitoring," in Proceedings of the IEEE, Vol. 80, No. 12, pp. 1870-1891, 1992. DOI: https://doi.org/10.1109/5.192069 

    상세보기 crossref

  2. K. C. Armel, A. Gupta. G. Shrimali, and A. Albert, "Is disaggregation the holy grail of energy efficiency? The case of electricity," Energy Policy, Vol. 52, (C), pp. 213-234, 2013. DOI: https://doi.org/10.1016/j.enpol.2012.08.062 

    상세보기 crossref

  3. F. Marisa, D. A. Ana and R. Bernardete, "An experimental study on electrical signature identification of non-intrusive load monitoring (NILM) systems," in Adaptive and Natural Computing Algorithms, Vol. 6594, pp. 31-40, 2011. DOI: https://doi.org/10.1007/978-3-642-20267-4_4 

    상세보기 crossref

  4. A. G. Ruzzelli, C. Nicolas, A. Schoofs and G. M. P. O'Hare, "Real-time recognition and profiling of appliances through a single electricity sensor," in proc. 2010 7th Annual IEEE Communications Society Conference on Sensor, pp. 1-9, 2010. DOI: https://doi.org/10.1109/SECON.2010.5508244 

    crossref

  5. R. Herrero, Jorge, L. Murciego, Alvaro, Barriuso, Alberto, Hernandez, Daniel, Villarrubia, "Non intrusive load monitoring (NILM): a state of the art," in Advances in Intelligent Systems and Computing, pp. 125-138, 2018. DOI: https://doi.org/10.1007/978-3-319-61578-3_12 

    crossref

  6. Kwang Ho Kim, Byunghoon Chang, Hwang Kyu Choi, "Deep learning based short-term electric load forecasting models using one-hot encoding," Journal of IKEEE, Vol. 23, No. 3, pp. 852-857, 2019. DOI: https://doi.org/10.7471/IKEEE.2019.23.3.852 

    원문보기 상세보기 crossref

  7. Y. Zhang and X. Lu, "A Speech Recognition Acoustic Model Based on LSTM -CTC," in proc. 2018 IEEE 18th International Conference on Communication Technology (ICCT), pp. 1052-1055, 2018. DOI: https://doi.org/10.1109/ICCT.2018.8599961 

    crossref

  8. M. Kaselimi, N. Doulamis, A. Doulamis and A. Voulodimos, "Bayesian-optimized bidirectional LSTM regression model for non-intrusive load monitoring," in proc. ICASSP 2019 - 2019 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), pp. 2747-2751, 2019. DOI: https://doi.org/10.1109/ICASSP.2019.8683110. 

    crossref

  9. H. Rafiq, H. Zhang, H. Li and M. K. Ochani, "Regularized LSTM based deep learning model: first step towards real-time non-intrusive load monitoring," in proc. 2018 IEEE International Conference on Smart Energy Grid Engineering (SEGE), pp. 234-239, 2018. DOI: https://doi.org/10.1109/SEGE.2018.8499519 

    crossref

  10. Byung-Gi Hwang, "Evaluation of LSTM Model for Inflow Prediction of Lake Sapgye," in Journal of the Korea Academia-Industrial cooperation Society, Vol. 22, No. 4, pp. 287-294, 2021. DOI: https://doi.org/10.5762/KAIS.2021.22.4.28 

  11. Joon-Ho Seon and Young-Ghyu Sun, "Classification Method of Multi-State Appliances in Non-intrusive Load Monitoring Environment based on Gramian Angular Field," The Journal of The Institute of Internet, Broadcasting and Communication (IIBC), Vol. 21, No. 3, pp.183-191, Jun. 30, 2021. DOI: https://doi.org/10.7236/JIIBC.2021.21.3.183 

    원문보기 상세보기 crossref

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

BRONZE

출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로