KR20230089652A - System for non-intrusive load monitoring of electronic device and method thereof - Google Patents
System for non-intrusive load monitoring of electronic device and method thereof Download PDFInfo
- Publication number
- KR20230089652A KR20230089652A KR1020210178206A KR20210178206A KR20230089652A KR 20230089652 A KR20230089652 A KR 20230089652A KR 1020210178206 A KR1020210178206 A KR 1020210178206A KR 20210178206 A KR20210178206 A KR 20210178206A KR 20230089652 A KR20230089652 A KR 20230089652A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- power
- artificial intelligence
- load monitoring
- intelligence model
- Prior art date
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 57
- 230000003628 erosive effect Effects 0.000 claims abstract description 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 27
- 238000002372 labelling Methods 0.000 claims abstract description 17
- 238000013480 data collection Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000007635 classification algorithm Methods 0.000 claims abstract description 8
- 238000000611 regression analysis Methods 0.000 claims abstract description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 230000000306 recurrent effect Effects 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000012805 post-processing Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000005070 sampling Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 239000012634 fragment Substances 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009972 noncorrosive effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
- G01R22/06—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods
- G01R22/10—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods using digital techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R21/00—Arrangements for measuring electric power or power factor
- G01R21/006—Measuring power factor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R21/00—Arrangements for measuring electric power or power factor
- G01R21/06—Arrangements for measuring electric power or power factor by measuring current and voltage
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R21/00—Arrangements for measuring electric power or power factor
- G01R21/133—Arrangements for measuring electric power or power factor by using digital technique
- G01R21/1331—Measuring real or reactive component, measuring apparent energy
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
- G01R22/06—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/16—Spectrum analysis; Fourier analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
본 발명은 인공 지능 모델을 이용한 전자기기의 비침식 부하 모니터링 시스템 및 그 방법에 관한 것으로서, 전자기기의 비침식 부하 모니터링 시스템에 있어서, 기 설정된 공간 내 가전 기기별 측정한 전류, 전압, 전력 특성값을 포함한 전력 데이터를 수집하는 데이터 수집 모듈; 상기 데이터 수집 모듈에서 수집된 전력 데이터에 대한 결측치 보상 및 데이터 라벨링을 포함한 데이터 전처리를 수행하는 데이터 전처리 모듈; 상기 데이터 전처리 모듈에서 전처리된 전력데이터를 이용하여 시계열 회귀분석 알고리즘과 분류 알고리즘을 이용하는 인공지능 모델을 학습하는 데이터 학습 모듈; 및 학습된 인공지능 모델을 이용하여 전자기기별 동작 상태를 분류하고, 전자기기에 대한 소비 전력량을 예측하여, 분류 및 예측된 결과를 사용자에게 제공하는 부하 모니터링 모듈을 포함하는 시스템 일 수 있다.The present invention relates to a non-erosive load monitoring system and method for electronic devices using an artificial intelligence model. A data collection module for collecting power data including; a data pre-processing module that performs data pre-processing including compensation for missing values and data labeling for the power data collected by the data collection module; A data learning module for learning an artificial intelligence model using a time series regression analysis algorithm and a classification algorithm using the power data preprocessed in the data preprocessing module; and a load monitoring module that classifies the operating state of each electronic device using the learned artificial intelligence model, predicts power consumption of the electronic device, and provides the classified and predicted result to the user.
Description
본 발명은 각 부하별 동작 상태와 전력 소비량을 모닝터링하고, 모니터링 결과를 알려줄 수 있는 전자기기의 비침식 부하 모니터링 시스템 및 그 방법에 관한 것이다.The present invention relates to a non-erosive load monitoring system and method for an electronic device capable of monitoring the operating state and power consumption for each load and informing the monitoring result.
이 부분에 기술된 내용은 단순히 본 발명의 일 실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.The information described in this section merely provides background information on an embodiment of the present invention and does not constitute prior art.
스마트 그리드에 대한 관심이 지속적으로 증가함에 따라 전력 소비 최적화 방법도 많이 활용되고 있다. 전력소비 최적화 방법에는 침입 부하 모니터링(intrusive load monitoring, ILM) 기술은 가전기기들의 전력 소비량을 읽고 사용자의 사용 패턴을 인식하는 것이다. 침입 부하 모니터링 기술은 각 가전기기들마다 전력 소비량을 알아낼 수 있는 장치를 필요로 하기 때문에, 비용 문제로 인해 현실적으로 적용하기가 어렵다.As interest in the smart grid continues to increase, methods for optimizing power consumption are also being widely used. In the power consumption optimization method, an intrusive load monitoring (ILM) technology reads power consumption of home appliances and recognizes a user's usage pattern. Since the intrusive load monitoring technology requires a device capable of determining power consumption for each home appliance, it is difficult to apply in reality due to cost issues.
이러한 침입 부하 모니터링 기술의 문제점을 해결하기 위해, 가전기기들의 전력 소비량이 모두 집계된 총 전력 소비량으로 각 가전기기들의 종류들을 알아내는 기술로서, 비침입 부하 모니터링(NILM, non-intrusive load monitoring) 기술을 사용하고 있다. In order to solve the problem of such an intrusive load monitoring technology, a non-intrusive load monitoring (NILM) technology is a technology for finding out the types of each home appliance with the total power consumption in which all power consumption of the home appliances is aggregated. is using
비침입 부하 모니터링 기술은 전체적인 전압과 전류 공급을 측정하여 건물 내의 개별 부하(가전기기)에 대한 전력 소모량 및 전기 발전 운전 스케줄을 예측하는 기술이다. Non-intrusive load monitoring technology measures the overall voltage and current supply to predict power consumption and electricity generation operation schedule for individual loads (home appliances) in a building.
구체적으로, 비침입 부하 모니터링 기술은 샘플링 장치를 통해 수행될 수 있다. 샘플링 장치는 전력 소비 형태를 모니터링 하면서, 각 부하별 전력 소모시 나타내는 특정 패턴을 분석할 수 있다. 구체적으로, 샘플링 장치는 각 부하마다 전력 소모간 특정 패턴을 매칭하는 정보를 가지고, 해당 패턴이 모니터링되는 경우 매칭되는 가전기기가 전력을 소비하고 있음을 모니터링할 수 있다.Specifically, the non-intrusive load monitoring technique may be performed through a sampling device. The sampling device may analyze a specific pattern displayed when power consumption for each load while monitoring the form of power consumption. Specifically, the sampling device may have information matching a specific pattern during power consumption for each load, and monitor that the matched home appliance consumes power when the corresponding pattern is monitored.
이러한 비침입 부하 모니터링 기술은 집계된 전력에서 전력 소비 패턴을 분석하여, 사용자에게 전력 사용에 대한 정보를 제공함으로써 에너지 관리를 통해 경제적으로 최대 12%를 절약할 수 있다고 알려져 있다. It is known that this non-intrusive load monitoring technology can economically save up to 12% through energy management by analyzing power consumption patterns from aggregated power and providing users with information about power usage.
그러나, 기존의 비침입 부하 모니터링 기술은 샘플링 장치만으로 각 부하가 소비하는 전력을 알 수 있으나, 외부에서 전력이 공급되는 경우(예를 들면, 태양광 발전장치가 가정에 마련되어 있는 경우, 또는 에너지 관리 시스템이 구비된 가정 또는 건물인 경우), 공급되는 전력까지 고려된 전력 소비량을 알 수 없다는 문제가 있다.However, existing non-intrusive load monitoring technology can know the power consumed by each load only with a sampling device, but when power is supplied from outside (for example, when a solar power generator is installed at home, or energy management In the case of a home or building equipped with the system), there is a problem in that power consumption considering supplied power cannot be known.
또한, 기존의 비침입 부하 모니터링 기술은 집계된 전력만 가지고 가전기기들을 분류하는 것이 사실상 어렵기 때문에, 기전기기 분류의 정확도를 높이기 위하여 전력 데이터 뿐만 아니라 주파수를 측정하는 장치를 이용하여 푸리에 변환을 통해 전력 사용량을 예측하는 방법이 있다. 그러나 주파수를 이용하여 전력 사용량을 예측하는 방법은 높은 정확도를 보여주지만, 인프라 구축 비용과 연산 복잡도로 인해 구현이 어렵다는 문제점이 있다. In addition, since it is virtually difficult for existing non-intrusive load monitoring technologies to classify home appliances with only aggregated power, in order to increase the accuracy of electromechanical classification, a device that measures frequency as well as power data is used to perform Fourier transform. There are ways to predict power usage. However, although the method of predicting power consumption using frequency shows high accuracy, it has problems in implementation due to infrastructure construction cost and computational complexity.
본 발명은 전술한 문제점을 해결하기 위하여, 본 발명의 일 실시예에 따라 인공 지능 모델을 이용하여 전력 데이터 분석을 통해 각 전자기기의 사용 여부 및 전력 소비량을 예측할 수 있는 전자기기의 비침식 부하 모니터링 시스템 및 그 방법을 제공하는 것에 목적이 있다.In order to solve the above problems, the present invention provides non-erosive load monitoring of electronic devices capable of predicting whether or not each electronic device is used and power consumption through power data analysis using an artificial intelligence model according to an embodiment of the present invention. The purpose is to provide a system and its method.
다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.However, the technical problem to be achieved by the present embodiment is not limited to the technical problem as described above, and other technical problems may exist.
상기한 기술적 과제를 달성하기 위한 기술적 수단으로서 본 발명의 일 실시예에 따른 인공 지능 모델을 이용한 전자기기의 비침식 부하 모니터링 시스템은, 전자기기의 비침식 부하 모니터링 시스템에 있어서, 기 설정된 공간 내 가전 기기별 측정한 전류, 전압, 전력 특성값을 포함한 전력 데이터를 수집하는 데이터 수집 모듈; 상기 데이터 수집 모듈에서 수집된 전력 데이터에 대한 결측치 보상 및 데이터 라벨링을 포함한 데이터 전처리를 수행하는 데이터 전처리 모듈; 상기 데이터 전처리 모듈에서 전처리된 전력데이터를 이용하여 시계열 회귀분석 알고리즘과 분류 알고리즘을 이용하는 인공지능 모델을 학습하는 데이터 학습 모듈; 및 학습된 인공지능 모델을 이용하여 전자기기별 동작 상태를 분류하고, 전자기기에 대한 소비 전력량을 예측하여, 분류 및 예측된 결과를 사용자에게 제공하는 부하 모니터링 모듈을 포함하는 것이다.As a technical means for achieving the above technical problem, a non-erosive load monitoring system for electronic devices using an artificial intelligence model according to an embodiment of the present invention is a non-erosive load monitoring system for electronic devices, home appliances in a preset space. A data collection module that collects power data including measured current, voltage, and power characteristic values for each device; a data pre-processing module that performs data pre-processing including compensation for missing values and data labeling for the power data collected by the data collection module; A data learning module for learning an artificial intelligence model using a time series regression analysis algorithm and a classification algorithm using the power data preprocessed in the data preprocessing module; and a load monitoring module that classifies an operating state of each electronic device using the learned artificial intelligence model, predicts power consumption of the electronic device, and provides a classified and predicted result to a user.
상기 전력 특성값은 유효 전력, 무효 전력, 피상 전력, 역률, 주파수를 포함하는 것이다. The power characteristic value includes active power, reactive power, apparent power, power factor, and frequency.
상기 전력 데이터는 파워 오프 시간(Power Off Time)과 파워 온 시간(Power On Time)에서 측정한 값을 포함하는 것이다.The power data includes values measured at a power off time and a power on time.
상기 데이터 전처리 모듈은, 상기 전자기기별 전력데이터마다 파워 온 상태와 파워 오프 상태를 라벨링 표시하는 라벨링부; 및 상기 전력 데이터의 수집시 데이터 누락이 발생된 결측치에 대해, 결측치 이전의 데이터와 결측치 이후의 데이터를 이용하여 평균화 기법을 통해 결측치 값을 보상하는 결측치 보상부를 포함하는 것이다.The data pre-processing module may include a labeling unit for labeling and displaying a power-on state and a power-off state for each power data of each electronic device; and a missing value compensation unit for compensating the missing value value through an averaging technique using data prior to the missing value and data after the missing value for the missing value where data omission occurred during the collection of the power data.
상기 인공 지능 모델은, CNN(Convolutional Neural Network)과 RNN(Recurrent Neural Network)이 순차적으로 하이브리드 결합된 CRNN(Convolutional Recurrent Neural Network)을 사용하는 것이다. The artificial intelligence model uses a convolutional recurrent neural network (CRNN) in which a convolutional neural network (CNN) and a recurrent neural network (RNN) are sequentially hybridized.
상기 데이터 학습 모듈은, 기 설정된 공간 내에서 n개의 전자기기를 사용하는 경우에, 전자기기별 단독 사용시 수집된 전력 데이터, 적어도 하나 이상의 전자기기의 동시 사용시 동작중인 전자기기의 수만큼 수집된 전력 데이터, 적어도 하나 이상의 전자기기의 동시 사용시 전자기기의 동작 순서에 따라 수집된 전력 데이터들을 학습 데이터로 이용하는 것이다. The data learning module, when n electronic devices are used within a preset space, power data collected when each electronic device is used alone, and power data collected as many as the number of electronic devices in operation when at least one or more electronic devices are used simultaneously , When at least one or more electronic devices are used simultaneously, power data collected according to the operation sequence of the electronic devices is used as learning data.
상기 데이터 학습 모듈은, 상기 전력 데이터를 시간 도메인에서 주파수 도메인으로 변환하여 이미지 데이터로 변환하는 데이터 변환부; 및 상기 데이터 변환부에서 변환된 이미지 데이터를 상기 인공지능 모델의 학습 데이터로 제공하는 데이터 입력부를 포함하는 것이다. The data learning module may include a data conversion unit for converting the power data from a time domain to a frequency domain into image data; and a data input unit providing the image data converted by the data conversion unit as training data of the artificial intelligence model.
상기 데이터 변환부는, 상기 이미지 데이터를 구현하기 위해, STFT(Short Time Fourier Transform)를 기반으로 하는 스펙트로그램(Spectrogram)을 사용하는 것이다. The data conversion unit uses a spectrogram based on Short Time Fourier Transform (STFT) to implement the image data.
상기 부하 모니터링 모듈은, 상기 전력 데이터를 시간 도메인에서 주파수 도메인으로 변환하여 이미지 데이터로 변환하는 데이터 변환부; 상기 데이터 변환부에서 변환된 이미지 데이터를 학습된 인공지능 모델의 입력 데이터로 제공하는 데이터 입력부; 학습된 인공 지능 모델을 이용하여 동작중인 전자 기기를 분류하고, 전자기기별 전력 소비량에 대한 예측 결과를 제공하는 예측 및 분류부; 및 상기 예측 및 분류부에서 예측 및 분류된 결과를 제공하는 정보 제공부를 포함하는 것이다. The load monitoring module may include: a data converter converting the power data from a time domain to a frequency domain into image data; a data input unit providing the image data converted by the data conversion unit as input data of the learned artificial intelligence model; a prediction and classification unit that classifies operating electronic devices using the learned artificial intelligence model and provides prediction results for power consumption of each electronic device; and an information provision unit providing results predicted and classified by the prediction and classification unit.
상기 부하 모니터링 모듈은, 상기 예측 및 분류부를 통해 각 전자기기의 파워 온 상태와 파워 오프 상태를 예측하여 데이터 후처리를 통해 각 전자기기의 예측 상태를 구분하고, 데이터 후처리된 전자기기의 예측 상태와 실제 상태를 비교하여 정확도를 측정하는 모델 검증부를 더 포함하는 것이다.The load monitoring module predicts the power-on state and the power-off state of each electronic device through the prediction and classification unit, classifies the predicted state of each electronic device through data post-processing, and predicts the data post-processed electronic device's predicted state. It is to further include a model verification unit for measuring accuracy by comparing with the actual state.
본 발명의 일 실시예에 따른 인공 지능 모델을 이용한 전자기기의 비침식 부하 모니터링 방법은, 전자기기의 비침식 부하 모니터링 시스템에 의해 수행되는 전자기기의 비침식 부하 모니터링 방법에 있어서, 기 설정된 공간 내 가전 기기별 측정한 전류, 전압, 전력 특성값을 포함한 전력 데이터를 수집하는 데이터 수집 과정; 수집된 전력 데이터에 대한 결측치 보상 및 데이터 라벨링을 포함한 데이터 전처리를 수행하는 데이터 전처리 과정; 상기 데이터 전처리 과정에서 전처리된 전력 데이터를 이용하여 시계열 회귀분석 알고리즘과 분류 알고리즘을 이용하는 인공지능 모델을 학습하는 데이터 학습 과정; 및 학습된 인공지능 모델을 이용하여 전자기기별 동작 상태를 분류하고, 전자기기에 대한 소비 전력량을 예측하여, 분류 및 예측된 결과를 제공하는 부하 모니터링 과정을 포함하는 것이다. A non-erosive load monitoring method of an electronic device using an artificial intelligence model according to an embodiment of the present invention is a non-erosive load monitoring method of an electronic device performed by a non-erosive load monitoring system of an electronic device, in a predetermined space. A data collection process of collecting power data including current, voltage, and power characteristic values measured for each home appliance; a data preprocessing process including compensation for missing values and data labeling for the collected power data; A data learning process of learning an artificial intelligence model using a time series regression analysis algorithm and a classification algorithm using the power data preprocessed in the data preprocessing process; and a load monitoring process of classifying an operating state of each electronic device using the learned artificial intelligence model, predicting power consumption of the electronic device, and providing a classification and predicted result.
상기 인공 지능 모델은, CNN(Convolutional Neural Network)과 RNN(Recurrent Neural Network)이 순차적으로 하이브리드 결합된 CRNN(Convolutional Recurrent Neural Network)을 사용하는 것이다.The artificial intelligence model uses a convolutional recurrent neural network (CRNN) in which a convolutional neural network (CNN) and a recurrent neural network (RNN) are sequentially hybridized.
전술한 본 발명의 과제 해결 수단에 의하면, 본 발명은 전자기기 동작 시의 전류, 전압 및 전력 특성값을 포함한 전력 데이터를 이용하여 인공지능 모델을 학습하고, 학습된 인공지능 모델을 이용하여 가정 또는 사무실, 공장 등에서 사용 중인 전자기기의 동작 여부 및 전력 소비량을 파악함으로써 전력 사용 저감을 위한 방안을 제시할 수 있고, 전력 소비량이 많은 전자기기에 대한 교체 권고, 고장 예측, 에너지 감시 및 수요 관리 등을 수행할 수 있는 효과가 있다.According to the problem solving means of the present invention described above, the present invention learns an artificial intelligence model using power data including current, voltage, and power characteristic values during operation of an electronic device, and uses the learned artificial intelligence model to assume or By identifying the operation of electronic devices in use in offices and factories and the amount of power consumption, it is possible to suggest ways to reduce power consumption, and to recommend replacement of electronic devices with high power consumption, predict failures, monitor energy, and manage demand. There are effects that can be done.
도 1은 본 발명의 일 실시예에 따른 인공 지능 모델을 이용한 전자기기의 비침식 부하 모니터링 시스템의 구성을 설명하는 블록도이다.
도 2는 본 발명의 일 실시예에 따른 인공 지능 모델을 이용한 전자기기의 비침식 부하 모니터링 시스템의 구성을 설명하는 도면이다.
도 3은 본 발명의 일 실시예에 따른 데이터 전처리 모듈의 데이터 라벨링 과정을 설명하는 예시도이다.
도 4는 본 발명의 일 실시예에 따른 예측 및 분류 모델에서 사용하는 인공지능 모델을 설명하는 예시도이다.
도 5는 본 발명의 일 실시예에 따른 전력 데이터화의 이미지화 과정을 설명하는 도면이다.
도 6은 본 발명의 일 실시예에 따른 CRNN의 RNN의 은닉 상태 값의 결정하는 과정을 설명하는 예시도이다.
도 7은 본 발명의 일실시예에 따른 전자기기의 비침식 부하 모니터링 방법을 설명하는 순서도이다.1 is a block diagram illustrating the configuration of a non-erosion load monitoring system of an electronic device using an artificial intelligence model according to an embodiment of the present invention.
2 is a diagram illustrating the configuration of a system for monitoring a non-erosion load of an electronic device using an artificial intelligence model according to an embodiment of the present invention.
3 is an exemplary view illustrating a data labeling process of a data pre-processing module according to an embodiment of the present invention.
4 is an exemplary view illustrating an artificial intelligence model used in a prediction and classification model according to an embodiment of the present invention.
5 is a diagram illustrating an imaging process of data conversion of power according to an embodiment of the present invention.
6 is an exemplary view illustrating a process of determining a hidden state value of an RNN of a CRNN according to an embodiment of the present invention.
7 is a flowchart illustrating a non-erosive load monitoring method of an electronic device according to an embodiment of the present invention.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.Hereinafter, embodiments of the present invention will be described in detail so that those skilled in the art can easily practice the present invention with reference to the accompanying drawings. However, the present invention may be embodied in many different forms and is not limited to the embodiments described herein. And in order to clearly explain the present invention in the drawings, parts irrelevant to the description are omitted, and similar reference numerals are attached to similar parts throughout the specification.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미하며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.Throughout the specification, when a part is said to be "connected" to another part, this includes not only the case where it is "directly connected" but also the case where it is "electrically connected" with another element interposed therebetween. . In addition, when a part "includes" a certain component, this means that it may further include other components, not excluding other components, unless otherwise stated, and one or more other characteristics. However, it should be understood that it does not preclude the possibility of existence or addition of numbers, steps, operations, components, parts, or combinations thereof.
본 명세서에서 ‘단말’은 휴대성 및 이동성이 보장된 무선 통신 장치일 수 있으며, 예를 들어 스마트 폰, 태블릿 PC 또는 노트북 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치일 수 있다. 또한, ‘단말’은 네트워크를 통해 다른 단말 또는 서버 등에 접속할 수 있는 PC 등의 유선 통신 장치인 것도 가능하다. 또한, 네트워크는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 근거리 통신망(LAN: Local Area Network), 광역 통신망(WAN: Wide Area Network), 인터넷 (WWW: World Wide Web), 유무선 데이터 통신망, 전화망, 유무선 텔레비전 통신망 등을 포함한다. In this specification, a 'terminal' may be a wireless communication device with guaranteed portability and mobility, and may be, for example, any type of handheld-based wireless communication device such as a smart phone, a tablet PC, or a laptop computer. Also, the 'terminal' may be a wired communication device such as a PC capable of accessing other terminals or servers through a network. In addition, a network refers to a connection structure capable of exchanging information between nodes such as terminals and servers, such as a local area network (LAN), a wide area network (WAN), and the Internet (WWW : World Wide Web), wired and wireless data communications network, telephone network, and wired and wireless television communications network.
무선 데이터 통신망의 일례에는 3G, 4G, 5G, 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), 와이파이(Wi-Fi), 블루투스 통신, 적외선 통신, 초음파 통신, 가시광 통신(VLC: Visible Light Communication), 라이파이(LiFi) 등이 포함되나 이에 한정되지는 않는다.Examples of wireless data communication networks include 3G, 4G, 5G, 3rd Generation Partnership Project (3GPP), Long Term Evolution (LTE), World Interoperability for Microwave Access (WIMAX), Wi-Fi, Bluetooth communication, infrared communication, ultrasonic communication, visible light communication (VLC: Visible Light Communication), LiFi, and the like, but are not limited thereto.
이하의 실시예는 본 발명의 이해를 돕기 위한 상세한 설명이며, 본 발명의 권리 범위를 제한하는 것이 아니다. 따라서 본 발명과 동일한 기능을 수행하는 동일 범위의 발명 역시 본 발명의 권리 범위에 속할 것이다.The following examples are detailed descriptions for better understanding of the present invention, and do not limit the scope of the present invention. Therefore, inventions of the same scope that perform the same functions as the present invention will also fall within the scope of the present invention.
또한, 본 발명의 각 실시예에 포함된 각 구성, 과정, 공정 또는 방법 등은 기술적으로 상호간 모순되지 않는 범위 내에서 공유될 수 있다.In addition, each configuration, process, process or method included in each embodiment of the present invention may be shared within a range that does not contradict each other technically.
이하 첨부된 도면을 참고하여 본 발명의 일 실시예를 상세히 설명하기로 다.Hereinafter, an embodiment of the present invention will be described in detail with reference to the accompanying drawings.
도 1은 본 발명의 일 실시예에 따른 인공 지능 모델을 이용한 전자기기의 비침식 부하 모니터링 시스템의 구성을 설명하는 블록도이고, 도 2는 본 발명의 일 실시예에 따른 인공 지능 모델을 이용한 전자기기의 비침식 부하 모니터링 시스템의 구성을 설명하는 도면이다. 또한, 도 3은 본 발명의 일 실시예에 따른 데이터 전처리 모듈의 데이터 라벨링 과정을 설명하는 예시도이며, 도 4는 본 발명의 일 실시예에 따른 예측 및 분류 모델에서 사용하는 인공지능 모델을 설명하는 예시도이다. 1 is a block diagram illustrating the configuration of a non-erosion load monitoring system for electronic devices using an artificial intelligence model according to an embodiment of the present invention, and FIG. 2 is an electronic device using an artificial intelligence model according to an embodiment of the present invention. It is a diagram explaining the configuration of the non-erosive load monitoring system of the device. 3 is an exemplary view illustrating a data labeling process of a data preprocessing module according to an embodiment of the present invention, and FIG. 4 describes an artificial intelligence model used in a prediction and classification model according to an embodiment of the present invention. It is also an example of
도 1 내지 도 4를 참조하면, 인공 지능 모델을 이용한 전자기기의 비침식 부하 모니터링 시스템(100)은, 데이터 수집 모듈(110), 데이터 전처리 모듈(120), 데이터 학습 모듈(130) 및 부하 모니터링 모듈(140)을 포함하지만 이에 한정되지는 않는다. 1 to 4, the non-erosion
데이터 수집 모듈(110)은 기 설정된 공간 내 냉장고, 진공청소기, 텔레비젼, 전기레인지 등의 전자기기(10)에서 측정된 전류값, 전압값, 전력 특성값 등을 포함한 전력 데이터를 수집한다. 데이터 수집 모듈(110)은 전력 또는 전류 센서, IoT 장치, 미터링 장치 등을 통해 전력 데이터를 수집할 수 있다.The
기 설정된 공간은 사무실, 상가, 빌딩, 공장, 가정집, 공동주택 등이 적어도 하나 이상의 부하, 즉 전자기기를 사용하는 공간이 될 수 있다. 전력 특성값은 유효 전력, 무효 전력, 피상 전력, 역률, 주파수 등을 포함한다. 이때, 전력 데이터는 파워 오프 시간(Power Off Time)과 파워 온 시간(Power On Time)에서 측정한 값을 포함한다. The preset space may be a space in which at least one load, that is, an electronic device, is used in an office, a shopping mall, a building, a factory, a family home, or an apartment house. Power characteristic values include active power, reactive power, apparent power, power factor, frequency, and the like. At this time, the power data includes values measured at power off time and power on time.
데이터 전처리 모듈(120)은 데이터 수집 모듈(110)의 전력 데이터의 수집시 결측치에 대해 보상을 수행하고, 인공지능 모델의 적합한 데이터로 정제 및 변환작업을 수행한다. The
데이터 전처리 모듈(120)은 데이터 분석에 필요한 태그를 붙여주는데, 각 전력 데이터마다 전자기기별로 파워 온 상태와 파워 오프 상태를 라벨링 표시하는 라벨링부(121)를 포함한다. 일례로, 도 3에 도시된 바와 같이, 라벨링부(121)는 파워 온 상태의 전자기기는 숫자 '1'로 표시하고, 파워 오프 상태의 전자기기는 숫자 '0'으로 표시할 수 있다. The
데이터 전처리 모듈(120)은 결측치 이전의 데이터와 결측치 이후의 데이터를 이용하여 평균화 기법을 통해 결측치 값을 보상하는 결측치 보상부(122)를 포함한다. 결측치 보상부(122)는 평균화 기법 외에도 LSTM, GRU-D(Gated Recurrent Unit with traninable-Decay), M-RNN(Multi-directional Recurrent Neural Networks) 등의 기술을 사용하여 누락된 데이터를 복원할 수도 있다. The
인공지능 모델의 학습 및 예측을 위해 누락이 없는 양질의 데이터를 필요로 한다. 하지만 실제 전력 데이터를 수집하는 경우에 센서 오류, 네트워크 오류 등으로 데이터가 누락되는 경우가 자주 발생한다. 이때, 결측치 보상부(122)는 데이터 수집시 빠져있거나 이상치가 있는 경우에 복원하는 결측치 처리 작업을 수행한다. For training and prediction of artificial intelligence models, high-quality data without omissions is required. However, when actual power data is collected, data is often missing due to sensor errors or network errors. At this time, the missing
데이터 학습 모듈(130)은 데이터 전처리 작업이 완료된 전력 데이터를 학습 데이터로 하여 인공지능 모델(200을 학습하는데, 1개의 전자기기 단독 사용시 수집된 전력 데이터, 2개의 전자 기기의 동시 사용시 수집된 전력 데이터, n개의 전자기기 동시 사용시 수집된 전력 데이터를 모두 학습 데이터로 활용한다. 또한, 데이터 학습 모듈(130)은 n개의 전자기기가 동시 사용중인 경우에 각 전자기기의 동작 순서에 따라 전력 데이터의 값이 달라지므로, 인공 지능 모델이 모든 경우의 수(nCr, n : 총 전자기기의 수, r : 동작중인 전자기기의 수)의 데이터들 학습데이터로 수집하여 학습할 수 있다. The
데이터 학습 모듈(130)은 초기 취득한 전력 데이터를 시간, 공간, 날씨 등과 같은 다양한 조건으로 분리하여 학습 데이터의 양을 증가시킬 수 있고, 학습 데이터 양이 많아질수록 인공 지능 모델의 예측 밀 분류에 대한 성능이 향상될 수 있다. The
단독으로 전자기기가 동작할 때의 전력 데이터는 정상 상태(steady state)의 데이터로서 의미를 가지며, 인공 지능 모델(200)의 학습 시에 가장 큰 부분을 차지한다. 그리고, 복수의 전자기기가 동작할 때의 전력 데이터는 정상 상태의 데이터 뿐만 아니라 과도 상태(transient state)의 데이터로서 의미를 가지게 된다. Power data when an electronic device operates alone has meaning as data in a steady state, and occupies the largest portion during learning of the
인공 지능 모델(200)의 알고리즘의 정밀도를 위해서는 전력 특성값을 순시값(instantaneous value)으로 취득하여 사용할 수 있지만, 샘플링 주기에 따라 생성되는 데이터가 기하 급수적으로 증가하므로 실효값(root mean square (RMS) value)을 사용할 수도 있다. For the precision of the algorithm of the
부하 모니터링 모듈(140)은 시계열 회귀분석 알고리즘과 분류 알고리즘을 이용하여 수집된 전력 데이터와 각 전자기기의 라벨링을 통하여 동작중인 전자 기기를 분류하고, 전력 소비량을 예측한다. The
부하 모니터링 모듈(140)은 도 4에 도시된 바와 같이, 시계열 회귀 분석 알고리즘과 분류 알고리즘을 수행하기 위해 CRNN(Convolutional Recurrent Neural Network)을 사용하는데, CRNN은 CNN(Convolutional Neural Network)과 RNN(Recurrent Neural Network)이 순서대로 하이브리드 결합된 인공지능 모델이다. As shown in FIG. 4, the
부하 모니터링 모듈(140)은 주파수 변환을 통해 이미지화된 특징값을 2D-CNN의 입력 값으로 입력한 후 CNN의 컨벌루션 층(Convolutional Layer)과 풀링층(Pooling Layer)을 거치면서 전자기기별 압축된 특징값을 산출하고, 이렇게 산출된 특징값을 RNN의 입력 단자로 입력하여 시간적인 특성을 반영하여 예측 및 분류값을 출력할 수 있다. 이때, 인공지능 모델(200)의 출력단에는 전자기기별 분류 확률값을 소프트맥스(Softmax)를 통하여 표시해줄 수 있다. The
데이터베이스(150)에는 데이터 수집모듈(110), 데이터 전처리 모듈(120), 데이터 학습 모듈(120) 및 부하 모니터링 모듈(140)에서 처리되는 데이터들을 저장한다. The
도 5는 본 발명의 일 실시예에 따른 전력 데이터화의 이미지화 과정을 설명하는 도면이다. 5 is a diagram illustrating an imaging process of data conversion of power according to an embodiment of the present invention.
도 5에 도시된 바와 같이, CNN을 이용해 특성값을 추출하기 위해서는 1차 원신호에 대해 2차원 이미지화가 요구되므로, 2차원 이미지를 구현하기 위해 STFT(Short Time Fourier Transform)를 기반으로 하는 스펙트로그램(Spectrogram)을 사용한다. 이때, 스펙트로그램은 1차원 원신호를 일정한 길이의 조각으로 나눈 다음, 이 조각에 대하여 푸리에 변환을 적용하여 수평축에는 조각의 시간 정보를 나타내고, 수직축에는 주파수 성분의 크기를 데시벨 단위로 표현한 2차원 이미지들이다. 이 스펙트로그램은 시간-주파수 분석으로 비선형 신호의 특성을 추출하기 위해 적합하며, 노이즈가 있는 데이터를 분석에 유용한 도구이다.As shown in FIG. 5, since 2D imaging is required for a 1D original signal to extract feature values using CNN, a spectrogram based on Short Time Fourier Transform (STFT) is required to implement a 2D image. (Spectrogram) is used. At this time, the spectrogram is a two-dimensional image in which the one-dimensional original signal is divided into fragments of a certain length, and Fourier transform is applied to these fragments to indicate the time information of the fragment on the horizontal axis and the size of the frequency component in decibels on the vertical axis. admit. This spectrogram is suitable for extracting the characteristics of nonlinear signals by time-frequency analysis, and is a useful tool for analyzing noisy data.
즉, 도 2 및 도 5에 도시된 바와 같이, 데이터 학습 모듈(130)과 부하 모니터링 모듈(140)은 전압, 전류, 전략 특성 값들을 기 설정된 시간 단위로 나누고, 나눈 시간 단위의 특징값들에 대해 고속 푸리에 변환(Short Time Fourier Transform, STFT)을 수행하고, 고속 푸리에 변환을 통해 스펙트로그램 이미지화하는 데이터 변환부(131, 141) 및 스펙트로그램 이미지를 CNN의 학습 데이터로 제공하거나, CNN의 입력 데이터로 제공하는 데이터 입력부(132, 142)를 포함한다. That is, as shown in FIGS. 2 and 5 , the
부하 모니터링 모듈(140)의 예측 및 분류부(143)는 학습된 인공 지능 모델(200)을 이용하여 새로운 전력 데이터에 대한 예측 및 분류 결과를 제공하고, 정보 제공부(144)는 예측 및 분류부(143)에서 예측 및 분류된 결과를 알려주는데, 특히 현재 동작중인 것으로 분류된 전자기기와 전력 소비량에 대한 정보를 알려준다. The prediction and
이때, 정보 제공부(144)는 통신 모듈(미도시)을 통해 사용자 단말 또는 관리자단말로 예측 및 분류 결과를 알려줄 수 있고, 또는 디스플레이 모듈(미도시)을 통해 텍스트, 그래프, 챠트, 보고서 등 다양한 양식으로 예측 및 분류 결과를 출력할 수도 있다. At this time, the
이러한 부하 모니터링 모듈(140)은 예측 및 분류부(143)를 통해 각 전자기기의 파워 온/오프 상태를 예측하여 데이터 후처리를 통해 각 전자기기의 예측 상태, 파워 온 상태와 파워 오프 상태를 구분하고, 데이터 후처리된 전자기기의 예측 상태와 실제 상태를 비교하여 정확도를 측정하는 모델 검증부(미도시)를 더 포함할 수 있다. 이때, 모델 검증부는 인공 지능 모델(200)에서 예측하여 실제 모델 데이터와 같은 동작 상태의 개수를 전체 상태 개수를 나누어 정확도를 산출할 수 있다.The
본 발명은 측정된 전력 데이터를 데이터 전처리를 통해 각 전자기기의 파워 온/오프 상태로 라벨링 표시하여, 각 전자기기의 파워 온/오프 상태와 전력 소비량을 예측할 수 있기 때문에 기존에 진동수, 온도, 습도 등을 측정하는 새로운 입력 장치를 설치하여 정확도를 높이는 방식을 사용하지 않고도, 예측 결과의 정확도를 높일 수 있다. The present invention labels and displays the measured power data as the power on/off state of each electronic device through data preprocessing, so that the power on/off state and power consumption of each electronic device can be predicted. It is possible to increase the accuracy of prediction results without using a method of increasing accuracy by installing a new input device that measures the back.
도 6은 본 발명의 일 실시예에 따른 CRNN의 RNN의 은닉 상태 값의 결정하는 과정을 설명하는 예시도이다.6 is an exemplary view illustrating a process of determining a hidden state value of an RNN of a CRNN according to an embodiment of the present invention.
도 6을 참조하면, RNN은 은닉 층의 노드에서 활성화 함수를 통해 나온 결과 값을 출력층 방향으로도 보내면서, 다시 은닉 층 노드의 다음 계산의 입력으로 보내는 특징을 갖고 있다. xt는 입력 층의 입력 벡터, yt는 출력 층의 출력 벡터이다. 은닉 층에서 활성화 함수를 통해 결과를 내보내는 역할을 하는 노드를 셀(cell)이라고 한다. 이 셀은 이전의 값을 기억하려고 하는 일종의 메모리 역할을 수행하므로 이를 메모리 셀 또는 RNN 셀이라고 표현한다. 이때 은닉 층의 메모리 셀은 각각의 시점(time step)에서 바로 이전 시점에서의 은닉 층의 메모리 셀에서 나온 값을 자신의 입력으로 사용하는 재귀적 활동을 한다. 그래서 현재 시점을 변수 t라고 둔다. 이는 현재 시점 t에서의 메모리 셀이 갖고 있는 값은 과거의 메모리 셀들의 값에 영향을 받는다는 것을 의미한다. 메모리 셀이 출력 층 방향으로 또는 다음 시점t+1의 자신에게 보내는 값을 은닉 상태(hidden state)라고 한다. 즉, t-1 시점의 메모리 셀이 보낸 은닉 상태 값을 t시점의 은닉 상태 계산을 위한 입력 값으로 사용한다.Referring to FIG. 6, the RNN has a characteristic of sending the result value obtained through the activation function at the node of the hidden layer to the output layer as well as sending it back to the input of the next calculation of the node of the hidden layer. x t is the input vector of the input layer, and y t is the output vector of the output layer. In the hidden layer, a node that plays a role in outputting a result through an activation function is called a cell. Since this cell serves as a kind of memory that tries to remember the previous value, it is expressed as a memory cell or RNN cell. At this time, the memory cell of the hidden layer performs a recursive activity using the value from the memory cell of the hidden layer at the immediately previous time step as its input at each time step. So, let the current point in time be the variable t. This means that the value of the memory cell at the current point in time t is affected by the values of memory cells in the past. A value that the memory cell sends to the output layer or to itself at the next time point t+1 is called a hidden state. That is, the hidden state value sent by the memory cell at time t-1 is used as an input value for calculating the hidden state at time t.
RNN에서 현재 시점 t에서의 은닉 상태 값을 ht 라고 정의하면, 은닉 층의 메모리 셀은 ht를 계산하기 위해서 총 두 개의 가중치를 갖게 된다. 하나는 입력 층에서 입력 값을 위한 가중치 Wx 이고, 하나는 t-1 시점에서의 은닉 상태 값인 ht-1을 위한 가중치 Wh 이다.If the value of the hidden state at the current point in time t is defined as h t in the RNN, the memory cell of the hidden layer has a total of two weights to calculate h t . One is the weight W x for the input value in the input layer, and the other is the weight W h for the hidden state value h t-1 at time t-1.
ht는 은닉 층에서의 상태 값이고, yt는 출력 층에서의 결과 값으로서 하기한 수학식 1과 같이 나타낼 수 있고, 수학식 1에서 f는 비선형 활성화 함수 중 하나를 의미한다. ht를 계산하기 위한 활성화함수로 수학식 1과 같이 하이퍼볼릭탄젠트 함수(tanh)가 사용되지만, 렐루 함수(Rectified Linear Unit, ReLU)로 바꿔 사용할 수도 있다.h t is a state value in the hidden layer, y t is a result value in the output layer and can be expressed as in
[수학식 1][Equation 1]
이와 같이, 부하 모니터링 모듈(140)은 전력 데이터 분석을 통하여 각 부하들이 사용하는 전력이나 사용패턴, 동작여부를 파악할 수 있고, 불필요한 전력 사용은 없는지, 안전하게 사용하고 있는지, 생활패턴이 어떤지, 전자기기가 노후되지는 않았는지 확인할 수 있도록 한다.In this way, the
도 7은 본 발명의 일실시예에 따른 전자기기의 비침식 부하 모니터링 방법을 설명하는 순서도이다.7 is a flowchart illustrating a non-erosive load monitoring method of an electronic device according to an embodiment of the present invention.
도 7을 참조하면, 전자기기의 비침식 부하 모니터링 시스템(100)은 기 설정된 공간 내 가전 기기별 측정한 전류, 전압, 전력 특성값을 포함한 전력 데이터를 수집한다(S1).Referring to FIG. 7 , the non-erosion
전자기기의 비침식 부하 모니터링 시스템(100)은 수집된 전력 데이터에 대해 평균값 보상 기법을 통해 결측치를 보상하고, 파워 온 상태와 파워 오프 상태를 구분하기 위한 데이터 라벨링을 포함한 데이터 전처리를 수행한다(S2). The electronic device non-erosion
전자기기의 비침식 부하 모니터링 시스템(100)은 데이터 전처리 과정에서 전처리된 전력 데이터를 이용하여 시계열 회귀분석 알고리즘과 분류 알고리즘을 이용하는 하이브리드 운용되는 인공지능 모델(200)을 학습한다(S3). 이때, 인공 지능 모델은 CRNN을 사용함으로써 CNN의 이미지 압축 특징 추출, RNN의 시간 특성 반영을 모두 구현할 수 있다. The non-erosion
전자기기의 비침식 부하 모니터링 시스템(100)은 학습된 인공지능 모델을 이용하여 전자기기별 동작 상태, 특히 동작중인 가전 기기를 분류하는 동시에 소비 전력량을 예측하고(S4), 예측 및 분류된 결과를 사용자에게 제공한다(S5). The non-erosive
한편, 도 7의 단계 S1 내지 S5는 본 발명의 구현예에 따라서 추가적인 단계들로 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계간의 순서가 변경될 수도 있다.Meanwhile, steps S1 to S5 of FIG. 7 may be divided into additional steps or combined into fewer steps according to an embodiment of the present invention. Also, some steps may be omitted if necessary, and the order of steps may be changed.
비침식 부하 모니터링 시스템은 가정, 사무 공간, 공장을 포함한 전력이 소비되는 각종 공간에 적용되어 공급되는 전압과 전류의 정보를 분석하여 전자기기의 동작 여부와 개별 전자기기의 에너지 소비량을 예측할 수 있다. 본 발명은 전압, 전류 외에 전력 특성 값을 포함한 전력 데이터의 패턴을 분석하여, 개별 전자기기 사용 여부 및 에너지 소비량을 추정하여 에너지 세분화(Energy Disaggregation) 기술을 적용함으로써 부하를 모니터링할 뿐만 아니라 에너지 감시, 기기 고장 검출, 에너지 수요 관리 등 다양한 분야에 활용될 수 있다. The non-erosion load monitoring system is applied to various spaces where electricity is consumed, including homes, office spaces, and factories, and can predict whether electronic devices are operating or not and energy consumption of individual electronic devices by analyzing information on voltage and current supplied. The present invention analyzes patterns of power data including power characteristic values in addition to voltage and current, estimates whether individual electronic devices are used and energy consumption, and applies energy disaggregation technology to monitor loads as well as monitor energy, It can be used in various fields such as device failure detection and energy demand management.
이상에서 설명한 본 발명의 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행 가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 이러한 기록 매체는 컴퓨터 판독 가능 매체를 포함하며, 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 포함하며, 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.The embodiments of the present invention described above may be implemented in the form of a recording medium including instructions executable by a computer, such as program modules executed by a computer. Such recording media includes computer readable media, which can be any available media that can be accessed by a computer, and includes both volatile and nonvolatile media, removable and non-removable media. Computer readable media also includes computer storage media, both volatile and nonvolatile, implemented in any method or technology for storage of information such as computer readable instructions, data structures, program modules or other data. , including both removable and non-removable media.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.The above description of the present invention is for illustrative purposes, and those skilled in the art can understand that it can be easily modified into other specific forms without changing the technical spirit or essential features of the present invention. will be. Therefore, the embodiments described above should be understood as illustrative in all respects and not limiting. For example, each component described as a single type may be implemented in a distributed manner, and similarly, components described as distributed may be implemented in a combined form.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.The scope of the present invention is indicated by the following claims rather than the detailed description above, and all changes or modifications derived from the meaning and scope of the claims and equivalent concepts should be construed as being included in the scope of the present invention. do.
100 : 공 지능 모델을 이용한 전자기기의 비침식 부하 모니터링 시스템
110 : 데이터 수집 모듈
120 : 데이터 전처리 모듈
121 : 라벨링부
122 : 결측치 보상부
130 : 데이터 학습 모듈
131, 141 : 데이터 변환부
132, 142 : 데이터 입력부
140 : 부하 모니터링 모듈
143 : 예측 및 분류부
144 : 정보 제공부
150 : 데이터베이스
200 : 인공지능 모델100: Non-corrosive load monitoring system for electronic devices using a common intelligence model
110: data collection module
120: data pre-processing module
121: labeling unit
122: missing value compensation unit
130: data learning module
131, 141: data conversion unit
132, 142: data input unit
140: load monitoring module
143: prediction and classification unit
144: information provision unit
150: database
200: AI model
Claims (12)
기 설정된 공간 내 가전 기기별 측정한 전류, 전압, 전력 특성값을 포함한 전력 데이터를 수집하는 데이터 수집 모듈;
상기 데이터 수집 모듈에서 수집된 전력 데이터에 대한 결측치 보상 및 데이터 라벨링을 포함한 데이터 전처리를 수행하는 데이터 전처리 모듈;
상기 데이터 전처리 모듈에서 전처리된 전력데이터를 이용하여 시계열 회귀분석 알고리즘과 분류 알고리즘을 이용하는 인공지능 모델을 학습하는 데이터 학습 모듈; 및
학습된 인공지능 모델을 이용하여 전자기기별 동작 상태를 분류하고, 전자기기에 대한 소비 전력량을 예측하여, 분류 및 예측된 결과를 사용자에게 제공하는 부하 모니터링 모듈을 포함하는 것인, 인공 지능 모델을 이용한 전자기기의 비침식 부하 모니터링 시스템. In the non-erosive load monitoring system of electronic equipment,
A data collection module for collecting power data including current, voltage, and power characteristic values measured for each home appliance within a predetermined space;
a data pre-processing module that performs data pre-processing including compensation for missing values and data labeling for the power data collected by the data collection module;
A data learning module for learning an artificial intelligence model using a time series regression analysis algorithm and a classification algorithm using the power data preprocessed in the data preprocessing module; and
An artificial intelligence model comprising a load monitoring module that classifies the operating state of each electronic device using the learned artificial intelligence model, predicts the amount of power consumption for the electronic device, and provides the classified and predicted result to the user. Non-erosive load monitoring system for used electronics.
상기 전력 특성값은 유효 전력, 무효 전력, 피상 전력, 역률, 주파수를 포함하는 것인, 인공 지능 모델을 이용한 전자기기의 비침식 부하 모니터링 시스템. According to claim 1,
The power characteristic value includes active power, reactive power, apparent power, power factor, and frequency.
상기 전력 데이터는 파워 오프 시간(Power Off Time)과 파워 온 시간(Power On Time)에서 측정한 값을 포함하는 것인, 인공 지능 모델을 이용한 전자기기의 비침식 부하 모니터링 시스템.According to claim 1,
The power data includes values measured at power off time and power on time, a non-erosion load monitoring system for electronic devices using artificial intelligence models.
상기 데이터 전처리 모듈은,
상기 전자기기별 전력데이터마다 파워 온 상태와 파워 오프 상태를 라벨링 표시하는 라벨링부; 및
상기 전력 데이터의 수집시 데이터 누락이 발생된 결측치에 대해, 결측치 이전의 데이터와 결측치 이후의 데이터를 이용하여 평균화 기법을 통해 결측치 값을 보상하는 결측치 보상부를 포함하는 것인, 인공 지능 모델을 이용한 전자기기의 비침식 부하 모니터링 시스템. According to claim 1,
The data preprocessing module,
a labeling unit for labeling and displaying a power-on state and a power-off state for each power data of each electronic device; and
and a missing value compensator for compensating for missing values through an averaging technique using data prior to and after the missing values for missing values in which data omission occurred when the power data was collected, the electronic device using an artificial intelligence model comprising: Non-erosive load monitoring system for equipment.
상기 인공 지능 모델은,
CNN(Convolutional Neural Network)과 RNN(Recurrent Neural Network)이 순차적으로 하이브리드 결합된 CRNN(Convolutional Recurrent Neural Network)을 사용하는 것인, 인공 지능 모델을 이용한 전자기기의 비침식 부하 모니터링 시스템. According to claim 1,
The artificial intelligence model,
A non-erosive load monitoring system for electronic devices using an artificial intelligence model, which uses a Convolutional Recurrent Neural Network (CRNN) in which a Convolutional Neural Network (CNN) and a Recurrent Neural Network (RNN) are sequentially hybridized.
상기 데이터 학습 모듈은,
기 설정된 공간 내에서 n개의 전자기기를 사용하는 경우에, 전자기기별 단독 사용시 수집된 전력 데이터, 적어도 하나 이상의 전자기기의 동시 사용시 동작중인 전자기기의 수만큼 수집된 전력 데이터, 적어도 하나 이상의 전자기기의 동시 사용시 전자기기의 동작 순서에 따라 수집된 전력 데이터들을 학습 데이터로 이용하는 것인, 인공 지능 모델을 이용한 전자기기의 비침식 부하 모니터링 시스템. According to claim 1,
The data learning module,
In the case of using n electronic devices within a preset space, power data collected when each electronic device is used alone, power data collected as many as the number of electronic devices in operation when at least one or more electronic devices are used simultaneously, at least one or more electronic devices A non-erosive load monitoring system for electronic devices using artificial intelligence models, which uses power data collected according to the operation sequence of electronic devices as learning data during simultaneous use of.
상기 데이터 학습 모듈은,
상기 전력 데이터를 시간 도메인에서 주파수 도메인으로 변환하여 이미지 데이터로 변환하는 데이터 변환부; 및
상기 데이터 변환부에서 변환된 이미지 데이터를 상기 인공지능 모델의 학습 데이터로 제공하는 데이터 입력부를 포함하는 것인, 인공 지능 모델을 이용한 전자기기의 비침식 부하 모니터링 시스템. According to claim 1,
The data learning module,
a data converter for converting the power data from a time domain to a frequency domain into image data; and
A non-erosion load monitoring system for electronic devices using an artificial intelligence model, comprising a data input unit for providing the image data converted by the data conversion unit as learning data of the artificial intelligence model.
상기 데이터 변환부는,
상기 이미지 데이터를 구현하기 위해, STFT(Short Time Fourier Transform)를 기반으로 하는 스펙트로그램(Spectrogram)을 사용하는 것인, 인공 지능 모델을 이용한 전자기기의 비침식 부하 모니터링 시스템. According to claim 7,
The data conversion unit,
In order to implement the image data, a non-erosion load monitoring system of an electronic device using an artificial intelligence model, which uses a spectrogram based on Short Time Fourier Transform (STFT).
상기 부하 모니터링 모듈은,
상기 전력 데이터를 시간 도메인에서 주파수 도메인으로 변환하여 이미지 데이터로 변환하는 데이터 변환부;
상기 데이터 변환부에서 변환된 이미지 데이터를 학습된 인공지능 모델의 입력 데이터로 제공하는 데이터 입력부;
학습된 인공 지능 모델을 이용하여 동작중인 전자 기기를 분류하고, 전자기기별 전력 소비량에 대한 예측 결과를 제공하는 예측 및 분류부; 및
상기 예측 및 분류부에서 예측 및 분류된 결과를 제공하는 정보 제공부를 포함하는 것인, 인공 지능 모델을 이용한 전자기기의 비침식 부하 모니터링 시스템. According to claim 1,
The load monitoring module,
a data converter for converting the power data from a time domain to a frequency domain into image data;
a data input unit providing the image data converted by the data conversion unit as input data of the learned artificial intelligence model;
a prediction and classification unit that classifies operating electronic devices using the learned artificial intelligence model and provides prediction results for power consumption of each electronic device; and
Non-erosion load monitoring system of an electronic device using an artificial intelligence model, comprising an information providing unit that provides results predicted and classified by the prediction and classification unit.
상기 부하 모니터링 모듈은,
상기 예측 및 분류부를 통해 각 전자기기의 파워 온 상태와 파워 오프 상태를 예측하여 데이터 후처리를 통해 각 전자기기의 예측 상태를 구분하고, 데이터 후처리된 전자기기의 예측 상태와 실제 상태를 비교하여 정확도를 측정하는 모델 검증부를 더 포함하는 것인, 인공 지능 모델을 이용한 전자기기의 비침식 부하 모니터링 시스템.According to claim 9,
The load monitoring module,
Predicting the power-on state and power-off state of each electronic device through the prediction and classification unit, distinguishing the predicted state of each electronic device through data post-processing, and comparing the predicted state and actual state of the electronic device after data post-processing A non-erosion load monitoring system for electronic devices using an artificial intelligence model, further comprising a model verification unit for measuring accuracy.
기 설정된 공간 내 가전 기기별 측정한 전류, 전압, 전력 특성값을 포함한 전력 데이터를 수집하는 데이터 수집 과정;
수집된 전력 데이터에 대한 결측치 보상 및 데이터 라벨링을 포함한 데이터 전처리를 수행하는 데이터 전처리 과정;
상기 데이터 전처리 과정에서 전처리된 전력 데이터를 이용하여 시계열 회귀분석 알고리즘과 분류 알고리즘을 이용하는 인공지능 모델을 학습하는 데이터 학습 과정; 및
학습된 인공지능 모델을 이용하여 전자기기별 동작 상태를 분류하고, 전자기기에 대한 소비 전력량을 예측하여, 분류 및 예측된 결과를 제공하는 부하 모니터링 과정을 포함하는 것인, 인공 지능 모델을 이용한 전자기기의 비침식 부하 모니터링 방법. In the non-erosive load monitoring method of electronic devices performed by the non-erosive load monitoring system of electronic devices,
A data collection process of collecting power data including current, voltage, and power characteristic values measured for each home appliance in a predetermined space;
a data preprocessing process including compensation for missing values and data labeling for the collected power data;
A data learning process of learning an artificial intelligence model using a time series regression analysis algorithm and a classification algorithm using the power data preprocessed in the data preprocessing process; and
Electronic devices using artificial intelligence models, including a load monitoring process of classifying the operating state of each electronic device using the learned artificial intelligence model, predicting the amount of power consumption for the electronic device, and providing classification and predicted results. A method for non-erosive load monitoring of equipment.
상기 인공 지능 모델은,
CNN(Convolutional Neural Network)과 RNN(Recurrent Neural Network)이 순차적으로 하이브리드 결합된 CRNN(Convolutional Recurrent Neural Network)을 사용하는 것인, 인공 지능 모델을 이용한 전자기기의 비침식 부하 모니터링 방법. According to claim 11,
The artificial intelligence model,
A non-erosive load monitoring method for electronic devices using an artificial intelligence model, which uses a Convolutional Recurrent Neural Network (CRNN) in which a Convolutional Neural Network (CNN) and a Recurrent Neural Network (RNN) are sequentially hybridized.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210178206A KR102622634B1 (en) | 2021-12-14 | 2021-12-14 | System for non-intrusive load monitoring of electronic device and method thereof |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210178206A KR102622634B1 (en) | 2021-12-14 | 2021-12-14 | System for non-intrusive load monitoring of electronic device and method thereof |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230089652A true KR20230089652A (en) | 2023-06-21 |
| KR102622634B1 KR102622634B1 (en) | 2024-01-09 |
Family
ID=86989700
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210178206A KR102622634B1 (en) | 2021-12-14 | 2021-12-14 | System for non-intrusive load monitoring of electronic device and method thereof |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102622634B1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117674098A (en) * | 2023-11-29 | 2024-03-08 | 国网浙江省电力有限公司丽水供电公司 | Multi-element load space-time probability distribution prediction method and system for different permeability |
-
2021
- 2021-12-14 KR KR1020210178206A patent/KR102622634B1/en active IP Right Grant
Non-Patent Citations (2)
| Title |
|---|
| (비특허) A machine-learning based nonintrusive smart home appliance status recognition(20년9월 공개)* * |
| (비특허) 다수 가전기기 유효전력의 스팩토그램 분석 및 LSTM 기반의 전력 분해 알고리즘(21년2월 공개)* * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117674098A (en) * | 2023-11-29 | 2024-03-08 | 国网浙江省电力有限公司丽水供电公司 | Multi-element load space-time probability distribution prediction method and system for different permeability |
| CN117674098B (en) * | 2023-11-29 | 2024-06-07 | 国网浙江省电力有限公司丽水供电公司 | Multi-element load space-time probability distribution prediction method and system for different permeability |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102622634B1 (en) | 2024-01-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jin et al. | Virtual occupancy sensing: Using smart meters to indicate your presence | |
| Faustine et al. | A survey on non-intrusive load monitoring methodies and techniques for energy disaggregation problem | |
| US20170351288A1 (en) | Non-invasive online real-time electric load identification method and identification system | |
| Wong et al. | Recent approaches to non-intrusive load monitoring techniques in residential settings | |
| CN105612546B (en) | Apparatus, server, system and method for energy measurement | |
| CN109872003B (en) | Object state prediction method, object state prediction system, computer device, and storage medium | |
| CN112434799B (en) | Non-invasive load identification method based on full convolution neural network | |
| US10139437B2 (en) | Apparatus, server, system and method for energy measuring | |
| CN109345409A (en) | A kind of resident's comprehensive energy efficiency management method based on bandwidth carrier | |
| CN109035067A (en) | Building energy consumption processing method and processing device based on RF and ARMA algorithm | |
| Serrano-Guerrero et al. | Statistical methodology to assess changes in the electrical consumption profile of buildings | |
| TWI526852B (en) | Method for counting number of people based on appliance usages and monitoring system using the same | |
| Huang et al. | Distributed machine learning on smart-gateway network toward real-time smart-grid energy management with behavior cognition | |
| US10254319B2 (en) | Apparatus, server, system and method for energy measuring | |
| CN113169709A (en) | Solar power generation control system and method based on machine learning | |
| CN110136024A (en) | Obtain the method and device with electrical feature, consumption habit and electricity demand forecasting value of user | |
| de Diego-Otón et al. | Recurrent LSTM architecture for appliance identification in non-intrusive load monitoring | |
| KR102622634B1 (en) | System for non-intrusive load monitoring of electronic device and method thereof | |
| Lin | An advanced smart home energy management system considering identification of ADLs based on non-intrusive load monitoring | |
| US11482861B2 (en) | Apparatus, server, system and method for energy measuring | |
| Chang et al. | An interactive smart grid communication approach for big data traffic | |
| Miao et al. | MSFS: multiple spatio-temporal scales traffic forecasting in mobile cellular network | |
| KR102539448B1 (en) | METHOD FOR ABNORMALITY DETECTION OF IIoT FACILITY BASED ON DEEP LEARNING | |
| Kelati et al. | IoT based appliances identification techniques with fog computing for e-health | |
| Kommey et al. | An artificial intelligence‐based non‐intrusive load monitoring of energy consumption in an electrical energy system using a modified K‐Nearest Neighbour algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |