KR102014423B1 - 기기별 사용 상태를 예측하기 위한 가전기기 모니터링 시스템 및 그것의 모니터링 방법 - Google Patents

Abstract

본 발명에 따른 분전반으로부터 전력을 공급받는 복수의 기기들의 사용 상태를 식별하는 가전기기 모니터링 시스템은, 상기 기기들이 연결된 내부 배선 상에서 상기 분전반에 인접한 제1 위치에서 상기 기기들의 사용 전력 또는 전압을 측정하는 제1 계량기, 상기 내부 배선 상에서 상기 제1 위치와 다른 제2 위치에서 상기 기기들의 사용 전력 또는 전압을 측정하는 제2 계량기, 그리고 상기 제1 계량기에 의해 측정된 제1 전력-전압 데이터 및 상기 제2 계량기에 의해 측정된 제2 전력-전압 데이터를 이용하여 상기 기기들의 사용 상태를 식별하는 모니터링 장치를 포함하되, 상기 제2 계량기는 상기 제1 및 제2 전력-전압 데이터가 측정되는 시점의 물리적 환경 정보를 측정하는 복합센서를 포함하고, 상기 모니터링 장치는 상기 제1 및 제2 전력-전압 데이터와 상기 물리적 환경 정보를 함께 고려하여 상기 기기들의 사용 상태를 식별한다.

Description

기기별 사용 상태를 예측하기 위한 가전기기 모니터링 시스템 및 그것의 모니터링 방법{APPLIANCE MONITORING SYSTEM FOR PREDICTING SERVICE CONDITION OF EACH DEVICE AND MONITORING METHOD THEREOF}

본 발명은 가전기기 모니터링 방법에 관한 것으로, 좀 더 구체적으로는 가정에서 사용되는 전체 전력량을 이용하여 기기별 사용 상태를 예측하기 위한 가전기기 모니터링 시스템 및 그것의 모니터링 방법에 관한 것이다.

미래 에너지 수급 문제를 해결하기 위해 에너지 절감 및 효율적인 사용을 위한 기술 확보가 필요한 실정이며, 이에 따라 에너지의 효율적 사용을 위한 스마트 그리드 환경 구축에 대한 관심이 증가하고 있다. 또한, 가정 및 빌딩의 성공적인 스마트 그리드 도입을 위해 생산자뿐만 아니라 전력 소비자의 이해와 참여가 중요하다. 수용가 측 에너지 절감을 위해서 사용자에게 현재 사용 중인 전력사용량을 인지하게 함으로써 사용자가 스스로 사용량 감축에 참여하도록 할 수 있다.

가전기기별 전력사용량을 기기별로 측정하여 모니터링하는 시스템은 직관적이고 효과적인 방법이지만 구축 비용이 크다는 단점이 있다. 따라서, 단일 측정 장치를 이용하여 전력사용량을 측정하는 NILM(Non-Intrusive Load Monitoring) 기술을 사용하면 설비의 복잡도 및 비용을 절감할 수 있다. NILM 시스템은 기기별 전력사용량을 파악하기 위하여 하나의 측정 장치를 이용하며, 측정 장비에 연결된 신호를 모니터링 하여 개별장치가 동작해 발생하는 전기적 변화를 감지하여 사용자에게 알려줄 수 있다. 다만, 측정 장치와 기기 사이에서 발생하는 잡음 및 간섭으로 인해, 하나의 측정 장치를 사용하는 NILM 시스템은 개별 기기의 사용 패턴을 정확하게 파악하는 데 어려움이 있다.

대한민국 등록특허 제10-1219416호

본 발명은 위에서 설명한 기술적 과제를 해결하기 위한 것으로, 본 발명의 목적은 분전반에 근접한 주 계량기 및 주 계량기와 다른 위치에 설치된 보조 계량기를 이용하여 가정 내 사용 전력 또는 전압을 측정하고, 보조 계량기에 포함된 복합센서를 이용하여 전력 및 전압 외의 상태 정보를 획득하여 정확한 기기별 사용 상태를 식별할 수 있는 가전기기 모니터링 시스템 및 그것을 모니터링 방법을 제공하는 데 있다.

본 발명에 따른 분전반으로부터 전력을 공급받는 복수의 기기들의 사용 상태를 식별하는 가전기기 모니터링 시스템은, 상기 기기들이 연결된 내부 배선 상에서 상기 분전반에 인접한 제1 위치에서 상기 기기들의 사용 전력 또는 전압을 측정하는 제1 계량기, 상기 내부 배선 상에서 상기 제1 위치와 다른 제2 위치에서 상기 기기들의 사용 전력 또는 전압을 측정하는 제2 계량기, 그리고 상기 제1 계량기에 의해 측정된 제1 전력-전압 데이터 및 상기 제2 계량기에 의해 측정된 제2 전력-전압 데이터를 이용하여 상기 기기들의 사용 상태를 식별하는 모니터링 장치를 포함하되, 상기 제2 계량기는 상기 제1 및 제2 전력-전압 데이터가 측정되는 시점의 물리적 환경 정보를 측정하는 복합센서를 포함하고, 상기 모니터링 장치는 상기 제1 및 제2 전력-전압 데이터와 상기 물리적 환경 정보를 함께 고려하여 상기 기기들의 사용 상태를 식별할 수 있다.

실시 예로서, 상기 제1 및 제2 전력-전압 데이터는 현재 사용 중이 기기들의 총 사용 전력 패턴 또는 총 사용 전압 패턴을 포함할 수 있다.

실시 예로서, 상기 물리적 환경 정보는 조도, 소리, 온도 또는 습도에 관한 데이터를 포함할 수 있다.

실시 예로서, 상기 제1 계량기는 유선 또는 무선 통신을 통해 상기 제2 계량기로부터 상기 제2 전력-전압 데이터 및 상기 물리적 환경 정보를 수신하고, 상기 모니터링 장치는 상기 제1 계량기로부터 상기 제1 전력-전압 데이터, 상기 제2 전력-전압 데이터 및 상기 물리적 환경 정보를 수신하는 수신부를 포함할 수 있다.

실시 예로서, 상기 모니터링 장치는, 지수 평활 기법, 주파수대 분할 분석법 및 피크 비교법에 따라 상기 제1 전력-전압 데이터, 상기 제2 전력-전압 데이터 및 상기 물리적 환경 정보를 인코딩하여 비교 데이터를 생성하는 인코딩부, 학습 알고리즘을 통해 상기 비교 데이터에 가중치를 적용하고, 상기 가중치가 적용된 데이터를 데이터베이스로부터 수신된 기기별 기준 데이터와 비교하여 현재 사용 중인 기기를 식별하는 가전기기 판단 시스템을 포함하는 판단부, 그리고 상기 판단부의 식별 결과를 디스플레이에 표시하거나 상기 데이터베이스에 저장하는 출력부를 포함할 수 있다.

실시 예로서, 상기 모니터링 장치는 상기 학습 알고리즘을 통해 상기 가전기기 판단 시스템을 학습하여 상기 가중치를 수정하는 학습부를 포함할 수 있다.

실시 예로서, 상기 학습부는 동일한 상황에서 상기 제1 및 제2 계량기로부터 측정된 복수의 측정 데이터를 상기 학습 알고리즘에 입력하여 상기 가중치를 결정할 수 있다.

실시 예로서, 상기 인코딩부는 상기 제1 및 제2 계량기에서 측정된 시간 영역 데이터를 푸리에 변환에 의해 주파수 영역 데이터를 생성하고, 상기 지수 평활 기법을 통해 상기 주파수 영역 데이터에서 잡음을 제거할 수 있다.

실시 예로서, 상기 인코딩부는 상기 주파수대 분할 분석법을 통해 잡음이 제거된 주파수 영역 데이터를 설정된 주파수대 내에서 특정 개수의 영역으로 등분하고, 각 영역에서 주파수 성분값의 제곱의 합 또는 절대 합을 이용하여 상기 비교 데이터를 생성할 수 있다.

실시 예로서, 상기 인코딩부는 상기 피크 분석법을 통해 잡음이 제거된 주파수 영역 데이터에서 피크 주파수를 검출하고, 상기 피크 주파수의 배열을 이용하여 상기 비교 데이터를 생성할 수 있다.

본 발명에 따른 분전반으로부터 전력을 공급받는 복수의 기기들의 사용 상태를 식별하는 가전기기 모니터링 방법은, 상기 분전반에 근접한 제1 위치에서 상기 기기들이 사용하는 전력 또는 전압 정보를 포함하는 제1 전력-전압 데이터를 측정하는 단계, 상기 제1 위치와 다른 제2 위치에서 상기 기기들이 사용하는 전력 또는 전압 정보를 포함하는 제2 전력-전압 데이터를 측정하는 단계, 상기 제2 위치에서 상기 기기들의 물리적 상태 정보를 측정하는 단계, 상기 제1 및 제2 전력-전압 데이터에 가중치를 적용하여 제1 및 제2 가중 데이터를 생성하는 단계, 상기 제1 및 제2 가중 데이터와 데이터베이스에 저장된 기기별 전력-전압 기준 데이터를 비교하는 단계, 상기 제1 및 제2 가중 데이터가 상기 기기별 전력-전압 기준 데이터와 일치하지 않는 경우, 상기 물리적 상태 정보와 상기 데이터베이스에 저장된 물리적 상태 기준 데이터를 비교하는 단계, 그리고 상기 물리적 상태 정보가 상기 물리적 상태 기준 데이터와 일치하지 않는 경우, 상기 제1 가중 데이터, 제2 가중 데이터 및 상기 물리적 상태 정보를 새로운 기준 데이터로 상기 데이터베이스에 저장할 수 있다.

실시 예로서, 상기 제1 및 제2 가중 데이터가 상기 기기별 전력-전압 기준 데이터와 일치하는 경우, 상기 기기별 전력-전압 기준 데이터에 기초하여 현재 사용 중인 기기를 식별할 수 있다.

실시 예로서, 상기 물리적 상태 정보가 상기 물리적 상태 기준 데이터와 일치하는 경우, 상기 기기별 전력-전압 기준 데이터에 기초하여 현재 사용 중인 기기를 식별할 수 있다.

실시 예로서, 상기 제1 전력-전압 데이터, 상기 제2 전력-전압 데이터 및 상기 물리적 상태 정보는 동일한 시점에 측정될 수 있다.

본 발명의 실시 예에 따르면, 분전반에 근접한 주 계량기 및 주 계량기와 다른 위치에 설치된 보조 계량기에 의해 측정된 전력 또는 전압 정보에 기초하여 정확한 기기별 사용 상태를 식별할 수 있다.

또한, 보조 계량기에 포함된 복합센서에 의해 조도, 소리, 온도 및 습도 등의 추가 정보를 획득하여, 기기별 사용 상태를 좀 더 정확하게 식별할 수 있다.

또한, 본 발명의 가전기기 모니터링 시스템은 가전기기 판단 시스템에 학습 알고리즘을 적용하여 정확한 기기별 사용 상태를 식별할 수 있다.

도 1은 본 발명의 실시 예에 따른 가전기기 모니터링 시스템을 보여주는 블록도이다.
도 2는 도 1의 모니터링 장치를 예시적으로 보여주는 블록도이다.
도 3은 도 1의 제1 계량기 및 제2 계량기를 예시적으로 보여주는 블록도이다.
도 4는 본 발명의 실시 예에 따른 가전기기 모니터링 시스템의 학습 방법을 보여주는 순서도이다.
도 5는 본 발명의 다른 실시 예에 따른 가전기기 모니터링 시스템의 학습 방법을 보여주는 순서도이다.
도 6은 본 발명의 실시 예에 따른 가전기기 모니터링 시스템의 판단 방법을 보여주는 순서도이다.
도 7a 내지 도 7g는 도 2의 인코딩부에서 사용되는 인코딩 방법을 설명하기 위한 도면이다.
도 8a 및 도 8b는 도 2의 판단부 및 학습부에서 사용되는 학습 알고리즘을 설명하기 위한 도면이다.

앞의 일반적인 설명 및 다음의 상세한 설명 모두 예시적이라는 것이 이해되어야 하며, 청구된 발명의 부가적인 설명이 제공되는 것으로 여겨져야 한다. 참조부호들이 본 발명의 바람직한 실시 예들에 상세히 표시되어 있으며, 그것의 예들이 참조 도면들에 표시되어 있다. 가능한 어떤 경우에도, 동일한 참조 번호들이 동일한 또는 유사한 부분을 참조하기 위해서 설명 및 도면들에 사용된다.

제 1 또는 제 2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만, 예를 들어 본 발명의 개념에 따른 권리 범위로부터 이탈되지 않은 채, 제 1 구성요소는 제 2 구성요소로 명명될 수 있고, 유사하게 제 2 구성요소는 제 1 구성요소로도 명명될 수 있다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 표현들, 예를 들어 "~사이에"와 "바로~사이에" 또는 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.

본 명세서에서 사용한 용어는 단지 특정한 실시 예들을 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

이하, 실시 예들을 첨부된 도면을 참조하여 상세하게 설명한다. 그러나 특허출원의 범위가 이러한 실시 예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.

도 1은 본 발명의 실시 예에 따른 가전기기 모니터링 시스템을 보여주는 블록도이다. 도 1을 참조하면, 가전기기 모니터링 시스템(100)은 모니터링 장치(110), 제1 계량기(120) 및 제2 계량기(130)를 포함할 수 있다. 또한, 가전기기 모니터링 시스템(100)은 자체적으로 데이터베이스(140)을 포함할 수 있고, 또는 외부의 데이터베이스를 사용할 수 있다.

가정에서 사용되는 기기들(21~2n)은 내부 배선(11)에 연결되어 전력을 공급받을 수 있다. 예를 들면, 기기들(21~2n)은 냉장고 및 공기청정기 등과 같이 장시간 계속적으로 사용되는 가전기기와 TV, 전등, 세탁기 및 에어콘 등과 같은 간헐적으로 사용되는 가전기기를 포함할 수 있다. 분전반(10)은 외부의 전력 공급원으로부터 공급되는 전력을 내부 배선(11)에 전달할 수 있다.

제1 계량기(120)는 분전반(10)에 근접한 내부 배선(11)의 제1 지점(P1)에 연결될 수 있다. 제1 지점(P1)에서, 제1 계량기(120)는 제1 기기(21) 내지 제n 기기(2n)에서 사용되는 전력 또는 전압에 대한 제1 전력-전압 데이터를 측정할 수 있다. 다만, 기기들(21~2n) 각각과 제1 계량기(120) 사이에서 다른 기기 및 전선의 임피던스에 의한 간섭이 존재한다. 그래서, 제1 전력-전압 데이터만으로 개별 기기를 판별하는 것에 어려움이 있다.

제2 계량기(130)는 내부 배선(11)의 임의의 위치에 연결될 수 있다. 예를 들면, 제2 계량기(130)는 기기들(21~2n) 사이에서 제1 계량기(120)와 다른 제2 지점(P2)에 연결될 수 있다. 제2 지점(P2)에서, 제2 계량기(130)는 기기들(21~2n)에서 사용되는 전력 또는 전압에 대한 제2 전력-전압 데이터를 측정할 수 있다. 제1 지점(P1)에서의 임피던스 간섭은 제2 지점(P2)에서의 임피던스 간섭과 다를 수 있다. 따라서, 제1 전력-전압 데이터는 제2 전력-전압 데이터와 다르게 측정될 수 있다. 또한, 제2 계량기(130)는 조도, 소리, 온도 및 습도 등을 측정하는 복합센서를 포함할 수 있다. 제2 계량기(130)는 복합센서를 통해 조도, 소리, 온도 및 습도 등의 환경 정보를 포함하는 복합센서 데이터를 측정할 수 있다. 일 실시 예로서, 스마트홈에서 허브로 작용하는 가정 내 제어장치 또는 스마트 비서 등은 해당 기능을 탑재하여 제2 계량기(130)로서 사용될 수 있다.

제2 계량기(130)는 유선 또는 무선을 통해 제1 계량기(120)와 통신할 수 있다. 제2 계량기(130)는 측정된 제2 전력-전압 데이터 및 복합센서 데이터를 제1 계량기(120)로 전송할 수 있다. 제1 계량기(120)는 측정된 제1 전력-전압 데이터, 수신된 제2 전력-전압 데이터 및 수신된 복합센서 데이터를 모니터링 장치(110)로 전송할 수 있다.

모니터링 장치(110)는 제1 전력-전압 데이터, 제2 전력-전압 데이터 및 복합센서 데이터를 이용하여 기기들(21~2n)을 식별하기 위해 학습 및 판단을 수행할 수 있다. 예를 들면, 모니터링 장치(110)는 가정기기 판단 시스템을 포함할 수 있다.

우선, 학습하는 단계에서, 모니터링 장치(110)는 판단을 위한 데이터를 수집하기 위해 제1 전력-전압 데이터, 제2 전력-전압 데이터 및 복합센서 데이터를 이용하여 가정기기 판단 시스템을 학습할 수 있다. 예를 들면, 모니터링 장치(110)는 다양한 상태에서 측정된 데이터를 이용하여 가정기기 판단 시스템을 학습할 수 있다. 모니터링 장치(110)는 학습을 통해 수집된 기기별 전력 및 전압에 대한 기준 데이터를 데이터베이스(140)에 저장할 수 있다.

한편, 판단하는 단계에서, 모니터링 장치(110)는 제1 계량기(120) 및 제2 계량기(130)를 통해 측정된 제1 전력-전압 데이터, 제2 전력-전압 데이터 및 복합센서 데이터에 기초하여 기기들(21~2n)의 현재 상태를 판단할 수 있다. 예를 들면, 모니터링 장치(110)는 가전기기 판단 시스템을 통해 측정된 제1 전력-전압 데이터 및 측정된 제2 전력-전압 데이터를 데이터베이스(140)의 기준 데이터와 비교하여 기기들(21~2n) 각각의 사용 상태를 식별할 수 있다. 즉, 모니터링 장치(110)는 제1 계량기(120)의 제1 전력-전압 데이터 뿐만 아니라 제2 계량기(130)의 제2 전력-전압 데이터를 함께 이용하여 기기들(21~2n)의 식별 정확도를 향상시킬 수 있다. 또한, 모니터링 장치(110)는 측정된 복합센서 데이터를 데이터베이스(140)의 기준 데이터와 비교하여 기기들(21~2n) 각각의 사용 상태를 식별할 수 있다. 모니터링 장치(110)는 제2 계량기(130)에 의해 측정된 복합센서 데이터를 활용하여 기기들(21~2n)의 식별 정확도를 더욱 향상시킬 수 있다.

도 2는 도 1의 모니터링 장치를 예시적으로 보여주는 블록도이다. 도 2를 참조하면, 모니터링 장치(110)는 수신부(111), 인코딩부(112), 판단부(113), 학습부(114) 및 출력부(115)를 포함할 수 있다.

수신부(111)는 제1 계량기(120)로부터 제1 전력-전압 데이터, 제2 전력-전압 데이터 및 복합센서 데이터를 수신할 수 있다. 예를 들면, 제1 계량기(120)는 제2 계량기(130)로부터 제2 전력-전압 데이터 및 복합센서 데이터를 수신할 수 있다. 그리고 제1 계량기(120)는 수신부(111)로 제1 전력-전압 데이터, 제2 전력-전압 데이터 및 복합센서 데이터를 전송할 수 있다.

인코딩부(112)는 판단부(113) 및 학습부(114)에서 사용하기 위해 수신된 제1 전력-전압 데이터, 제2 전력-전압 데이터 및 복합센서 데이터를 인코딩할 수 있다. 예를 들면, 인코딩부(112)는 지수 평활 기법, 주파수대 분할 분석법 및 피크 비교법을 활용하여 인코딩을 수행할 수 있다. 인코딩부(112)는 제1 전력-전압 데이터, 제2 전력-전압 데이터 및 복합센서 데이터를 인코딩하여 제1 전력-전압 비교 데이터, 제2 전력-전압 비교 데이터 및 복합센서 비교 데이터를 생성할 수 있다. 지수 평활 기법, 주파수대 분할 분석법 및 피크 비교법은 도 7a 내지 도 7g에서 자세히 설명한다.

판단부(113)는 학습 알고리즘을 통해 학습된 가전기기 판단 시스템을 포함할 수 있다. 예를 들면, 학습 알고리즘은 다중 로지스틱 회귀법(Multinomial Logistic Regression), 순환 신경망(Recurrent Neural Network; RNN) 및 합성곱 신경망(Convolutional Neural Network; CNN) 등을 포함할 수 있다. 판단부(113)는 가전기기 판단 시스템을 통해 제1 전력-전압 비교 데이터, 제2 전력-전압 비교 데이터 및 복합센서 비교 데이터에 기초하여 기기들(21~2n) 중 현재 사용중인 기기를 식별할 수 있다. 예를 들면, 판단부(113)는 제1 전력-전압 비교 데이터, 제2 전력-전압 비교 데이터 및 복합센서 비교 데이터를 가전기기 판단 시스템을 통해 데이터베이스(140)에 저장된 기준 데이터와 비교할 수 있다. 비교 결과에 기초하여, 판단부(113)는 기기들(21~2n) 중 현재 사용중인 기기를 식별할 수 있다. 다중 로지스틱 회귀법은 도 8a 및 도 8b에서 자세히 설명한다.

학습부(113)는 학습 알고리즘을 이용하여 판단부(112)의 가전기기 판단 시스템을 학습할 수 있다. 예를 들면, 학습부(113)는 다양한 제1 전력-전압 비교 데이터, 제2 전력-전압 비교 데이터 및 복합센서 비교 데이터를 획득하도록 제1 계량기(120) 및 제2 계량기(130)를 제어할 수 있다. 학습부(113)는 제1 계량기(120) 및 제2 계량기(130)의 측정 시점을 동기화할 수 있다. 한편, 학습부(113)는 기기들(21~2n) 중 온(on)/오프(off) 제어가 가능한 기기의 목록을 저장할 수 있다. 학습부(113)는 기기들(21~2n)의 다양한 동작 상태를 설정하여 학습을 수행할 수 있다. 학습부(113)는 수집된 다양한 측정 데이터에 기초하여 가전기기 판단 시스템에 대하여 학습 알고리즘을 수행할 수 있다.

출력부(115)는 판단부(113)를 통해 식별된 기기별 전력 사용 상태를 디스플레이에 표시하거나 데이터베이스(140)에 저장할 수 있다. 출력부(115)는 사용자의 요청에 따라 데이터베이스(140)에 저장된 데이터를 이용하여 각 기기에 대응하는 기간별 사용내역을 출력할 수있다.

도 3은 도 1의 제1 계량기 및 제2 계량기를 예시적으로 보여주는 블록도이다. 도 1 및 도 3을 참조하면, 제1 계량기(120)는 제1 통신부(121) 및 제1 전력-전압 측정기(122)를 포함할 수 있다. 제2 계량기(130)는 제2 통신부(131), 제2 전력-전압 측정기(132) 및 복합센서(133)를 포함할 수 있다.

제1 전력-전압 측정기(122)는 분전반(10)에 근접한 제1 지점(P1)에서 제1 전력-전압 데이터를 측정할 수 있다. 제2 전력-전압 측정기(132)는 기기들(21~2n)에 근접한 제2 지점(P2)에서 제2 전력-전압 데이터를 측정할 수 있다. 제1 전력-전압 데이터 및 제2 전력-전압 데이터는 기기들(21~2n)의 온/오프 전후 무효/유효전력 레벨의 변화을 포함할 수 있다. 제1 전력-전압 데이터 및 제2 전력-전압 데이터는 측정된 전압 신호에서 하이 패스 필터를 통해 저주파 성분을 제거하고, 기기들(21~2n)의 SMPS(Switched Mode Power Supply) 잡음을 포함할 수 있다. SMPS 잡음에서 기기마다 고유의 피크 주파수(Reak Frequency)가 다름을 이용하여 기기들(21~2n)은 식별될 수 있다. 한편, 제1 전력-전압 데이터 및 제2 전력-전압 데이터는, 서로 다른 지점에서 측정되기 때문에, 기기별 전압 파형, 주파수 패턴, 피크 주파수 및 SMPS 잡음이 서로 다르다. 제2 전력-전압 측정기(132)는 기기들(21~2n)과 근접하여 위치하기 때문에 제1 전력-전압 측정기(122)에 비하여 전압 신호에 대한 측정이 용이하다.

복합센서(133)는 기기들(21~2n)이 동작하는 상태의 조도, 소리, 온도 및 습도 등을 포함하는 복합센서 데이터를 측정할 수 있다. 복합센서 데이터는 유사한 제1 전력-전압 데이터 및 제2 전력-전압 데이터를 가지는 기기들(예를 들어, 동작 전압 및 사용 전력량이 유사한 두 기기)을 식별하기 위해 사용될 수 있다.

제2 통신부(131)는 제1 통신부(121)와 유선 또는 무선으로 통신을 수행할 수 있다. 제2 통신부(131)는 측정된 제2 전력-전압 데이터 및 복합센서 데이터를 제1 통신부(121)로 전송할 수 있다. 제1 통신부(121)는 모니터링 장치(110)로부터 수신된 명령(예를 들어, 동기화 신호)을 제2 통신부(131)로 전송할 수 있다.

도 4는 본 발명의 실시 예에 따른 가전기기 모니터링 시스템의 학습 방법을 보여주는 순서도이다. 도 1 및 도 4를 참조하면, 가전기기 모니터링 시스템(100)은 제1 및 제2 계량기(120, 130)를 통해 전력-전압 데이터 및 복합센서 데이터를 측정하고, 전력-전압 데이터 및 복합센서 데이터를 이용하여 모니터링 장치(110)의 학습을 수행할 수 있다.

S110 단계에서, 모니터링 장치(110)는 제1 및 제2 계량기(120, 130)로부터 측정된 전력-전압 데이터를 수신할 수 있다. 예를 들면, 제1 계량기(120)는 제1 지점(P1)에서 제1 전력-전압 데이터를 측정할 수 있다. 제2 계량기(130)는 제2 지점(P2)에서 제2 전력-전압 데이터를 측정할 수 있다. 제1 및 제2 계량기(120, 130)는 서로 동기하여 제1 및 제2 전력-전압 데이터를 측정할 수 있다. 제2 계량기(130)는 제2 전력-전압 데이터를 제1 계량기(120)로 전송할 수 있다. 제1 계량기(120)는 제1 및 제2 전력-전압 데이터를 모니터링 장치(110)로 전송할 수 있다. 모니터링 장치(110)는 지수 평활 기법, 주파수대 분할 분석법 및 피크 비교법을 이용하여 제1 및 제2 전력-전압 데이터를 인코딩할 수 있다.

S120 단계에서, 모니터링 장치(110)는 데이터베이스(140)로부터 기기별 전력-전압 기준 데이터를 수신할 수 있다. 예를 들면, 전력-전압 기준 데이터는 사용자에 의해 입력된 데이터 또는 이전에 측정되어 저장된 데이터일 수 있다. 전력-전압 기준 데이터는 사전에 인코딩된 데이터일 수 있다.

S130 단계에서, 모니터링 장치(110)는 인코딩된 제1 및 제2 전력-전압 데이터와 전력-전압 기준 데이터에 기초하여 가전기기 판단 시스템에 대한 학습을 수행하고, 가전기기 판단 시스템에서 사용되는 제1 가중치를 생성할 수 있다. 예를 들면, 모니터링 장치(110)는 학습 알고리즘(예를 들어, 다중 로지스틱 회귀법)에 기초하여 제1 및 제2 전력-전압 데이터에 기본 가중치를 적용한 결과값을 전력-전압 기준 데이터와 비교할 수 있다. 비교 결과에 따라, 모니터링 장치(110)는 결과값과 전력-전압 기준 데이터가 일치하는 방향으로 기본 가중치를 수정하여 제1 가중치를 생성할 수 있다.

S140 단계에서, 모니터링 장치(110)는 제2 계량기(130)로부터 복합센서 측정 데이터를 수신할 수 있다. 예를 들면, 제2 계량기(130)는 제2 전력-전압 데이터를 측정하는 시점에 복합센서 측정 데이터를 동시에 측정할 수 있다. 제2 계량기(130)는 복합센서 측정 데이터를 제1 계량기(120)로 전송할 수 있다. 제1 계량기(120)는 복합센서 측정 데이터를 모니터링 장치(110)로 전송할 수 있다. 모니터링 장치(110)는 지수 평활 기법, 주파수대 분할 분석법 및 피크 비교법을 이용하여 복합센서 측정 데이터를 인코딩할 수 있다.

S150 단계에서, 모니터링 장치(110)는 데이터베이스(140)로부터 복합센서 기준 데이터를 수신할 수 있다. 예를 들면, 복합센서 기준 데이터는 사용자에 의해 입력된 데이터 또는 이전에 측정되어 저장된 데이터일 수 있다. 복합센서 기준 데이터는 사전에 인코딩된 데이터일 수 있다.

S160 단계에서, 모니터링 장치(110)는 인코딩된 복합센서 측정 데이터 및 복합센서 기준 데이터에 기초하여 가전기기 판단 시스템을 학습하고, 가전기기 판단 시스템에서 사용되는 제1 가중치를 제2 가중치로 수정할 수 있다. 예를 들면, 학습 알고리즘에 기초하여 복합센서 측정 데이터에 제1 가중치를 적용한 결과값을 복합센서 기준 데이터와 비교할 수 있다. 비교 결과에 따라, 모니터링 장치(110)는 결과값과 복합센서 기준 데이터가 일치하는 방향으로 제1 가중치를 수정하여 제2 가중치를 생성할 수 있다. 도 4의 학습 방법에 따라 생성된 제2 가중치는 데이터베이스(140)에 저장되어 도 6의 판단 방법에서 사용될 수 있다.

도 5는 본 발명의 다른 실시 예에 따른 가전기기 모니터링 시스템의 학습 방법을 보여주는 순서도이다. 도 1 및 도 5를 참조하면, 가전기기 모니터링 시스템(100)은 제1 및 제2 계량기(120, 130)를 통해 전력-전압 데이터 및 복합센서 데이터를 측정하고, 전력-전압 데이터 및 복합센서 데이터를 이용하여 모니터링 장치(110)의 학습을 수행할 수 있다. 또한, 가전기기 모니터링 시스템(100)은 기기들(21~2n)의 온/오프를 설정할 수 있다.

S210 단계에서, 모니터링 장치(110)는 지도학습을 위해 기기들(21~2n) 중에서 동작될 기기를 선택할 수 있다. 예를 들면, 모니터링 장치(110)는 기기들(21~2n) 중 온/오프가 제어 가능한 기기의 목록을 저장하거나 데이터베이스(140)로부터 수신할 수 있다. 모니터링 장치(110)는 온/오프가 제어 가능한 기기의 목록에 기초하여 기기들(21~2n)의 다양한 동작 상태를 설정할 수 있다. 즉, 모니터링 장치(110)는 측정하기 원하는 기기들만 동작시킬 수 있다.

S220 단계에서, 모니터링 장치(110)는 설정된 상태에서 제1 및 제2 계량기(120, 130)로부터 측정된 제1 및 제2 전력-전압 데이터를 수신할 수 있다. 예를 들면, 모니터링 장치(110)는 지수 평활 기법, 주파수대 분할 분석법 및 피크 비교법을 이용하여 제1 및 제2 전력-전압 데이터를 인코딩할 수 있다. S230 단계에서, 모니터링 장치(110)는 데이터베이스(140)로부터 선택된 기기의 전력-전압 기준 데이터를 수신할 수 있다. 예를 들면, 전력-전압 기준 데이터는 사전에 인코딩된 데이터일 수 있다. S240 단계에서, 모니터링 장치(110)는 선택된 기기에 대한 제1 및 제2 전력-전압 데이터와 전력-전압 기준 데이터에 기초하여 학습을 수행하고, 가전기기 판단 시스템에서 사용되는 제1 가중치를 생성할 수 있다.

S250 단계에서, 모니터링 장치(110)는 설정된 상태에서 제2 계량기(130)에 의해 측정된 복합센서 측정 데이터를 수신할 수 있다. 모니터링 장치(110)는 지수 평활 기법, 주파수대 분할 분석법 및 피크 비교법을 이용하여 복합센서 측정 데이터를 인코딩할 수 있다. S260 단계에서, 모니터링 장치(110)는 데이터베이스(140)로부터 선택된 기기가 동작할 때의 복합센서 기준 데이터를 수신할 수 있다. 예를 들면, 복합센서 기준 데이터는 사전에 인코딩된 데이터일 수 있다. S270 단계에서, 모니터링 장치(110)는 선택된 기기에 대하여 복합센서 측정 데이터 및 복합센서 기준 데이터에 기초하여 학습하고, 가전기기 판단 시스템에서 사용되는 제1 가중치를 제2 가중치로 수정할 수 있다. 도 5의 학습 방법에 따라 생성된 제2 가중치는 데이터베이스(140)에 저장되어 도 6의 판단 방법에서 사용될 수 있다.

도 6은 본 발명의 실시 예에 따른 가전기기 모니터링 시스템의 판단 방법을 보여주는 순서도이다. 도 1 및 도 6을 참조하면, 가전기기 모니터링 시스템(100)은 제1 및 제2 계량기(120, 130)로부터 측정된 전력-전압 데이터 및 복합센서 데이터를 이용하여 현재 동작 중인 기기별 사용 상태를 판단할 수 있다.

S310 단계에서, 모니터링 장치(110)는 제1 및 제2 계량기(120, 130)로부터 측정된 전력-전압 데이터를 수신할 수 있다. 예를 들면, 제1 계량기(120)는 제1 지점(P1)에서 제1 전력-전압 데이터를 측정할 수 있다. 제2 계량기(130)는 제2 지점(P2)에서 제2 전력-전압 데이터를 측정할 수 있다. 제1 및 제2 계량기(120, 130)는 서로 동기하여 제1 및 제2 전력-전압 데이터를 측정할 수 있다. 제2 계량기(130)는 제2 전력-전압 데이터를 제1 계량기(120)로 전송할 수 있다. 제1 계량기(120)는 제1 및 제2 전력-전압 데이터를 모니터링 장치(110)로 전송할 수 있다. 모니터링 장치(110)는 지수 평활 기법, 주파수대 분할 분석법 및 피크 비교법을 이용하여 제1 및 제2 전력-전압 데이터를 인코딩할 수 있다.

S320 단계에서, 모니터링 장치(110)는 인코딩된 제1 및 제2 전력-전압 데이터를 가전기기 판단 시스템에 입력하고 가중치를 적용하여 제1 및 제2 전력-전압 가중 데이터를 생성할 수 있다. 예를 들면, 가중치는 도 4 또는 도 5의 학습 방법에 의해 생성된 제2 가중치일 수 있다. 모니터링 장치(110)는 도 4 또는 도 5에서 사용된 학습 알고리즘을 적용하여 제1 및 제2 전력-전압 가중 데이터를 생성할 수 있다.

S330 단계에서, 모니터링 장치(110)는 데이터베이스(140)로부터 기기별 전력-전압 기준 데이터를 수신할 수 있다. 예를 들면, 전력-전압 기준 데이터는 사용자에 의해 입력된 데이터 또는 이전에 측정되어 저장된 데이터일 수 있다. 전력-전압 기준 데이터는 사전에 인코딩된 데이터일 수 있다.

S340 단계에서, 모니터링 장치(110)는 제1 및 제2 전력-전압 가중 데이터와 전력-전압 기준 데이터를 비교할 수 있다. 제1 및 제2 전력-전압 가중 데이터가 전력-전압 기준 데이터와 일치하는 경우, S390 단계로 이동하여, 모니터링 장치(110)는 현재 동작 중인 기기를 식별할 수 있다. 제1 및 제2 전력-전압 가중 데이터가 전력-전압 기준 데이터와 일치하지 않는 경우, S350 단계로 이동한다.

S350 단계에서, 모니터링 장치(110)는 제2 계량기(130)로부터 복합센서 측정 데이터를 수신할 수 있다. 예를 들면, 제2 계량기(130)는 제2 전력-전압 데이터를 측정하는 시점에 복합센서 측정 데이터를 동시에 측정할 수 있다. 제2 계량기(130)는 복합센서 측정 데이터를 제1 계량기(120)로 전송할 수 있다. 제1 계량기(120)는 복합센서 측정 데이터를 모니터링 장치(110)로 전송할 수 있다. 모니터링 장치(110)는 지수 평활 기법, 주파수대 분할 분석법 및 피크 비교법을 이용하여 복합센서 측정 데이터를 인코딩할 수 있다.

S360 단계에서, 모니터링 장치(110)는 데이터베이스(140)로부터 복합센서 기준 데이터를 수신할 수 있다. 예를 들면, 복합센서 기준 데이터는 사용자에 의해 입력된 데이터 또는 이전에 측정되어 저장된 데이터일 수 있다. 복합센서 기준 데이터는 사전에 인코딩된 데이터일 수 있다.

S370 단계에서, 모니터링 장치(110)는 복합센서 측정 데이터와 복합센서 기준 데이터를 비교할 수 있다. 복합센서 측정 데이터가 복합센서 기준 데이터와 일치하는 경우, 전력-전압 데이터에 다소 차이가 있더라도 S390 단계로 이동하여, 모니터링 장치(110)는 현재 동작 중인 기기를 식별할 수 있다. 복합센서 측정 데이터가 복합센서 기준 데이터와 일치하지 않는 경우, S380 단계로 이동한다.

S380 단계에서, 모니터링 장치(110)는 측정된 제1 및 제2 전력-전압 데이터와 복합센서 측정 데이터를 새로운 기기 데이터로 등록하고, 데이터베이스(140)에 저장할 수 있다. 새로운 기기 데이터는 이후에 기준 데이터로 사용될 수 있다.

도 7a 내지 도 7g는 도 2의 인코딩부에서 사용되는 인코딩 방법을 설명하기 위한 도면이다. 도 7a 내지 도 7c는 본 발명의 실시 예에 따른 지수평활(Exponential Smoothing) 기법을 설명하기 위한 도면이다. 도 7a는 도 1의 제1 계량기 또는 제2 계량기에 의해 측정된 기본 전압 신호에 푸리에 변환을 수행한 그래프이다. 도 7b는 도 7a의 푸리에 변환 데이터에 지수평활 기법을 수행한 그래프이다. 도 7c는 도 7a의 푸리에 변환 데이터에 지수평활 기법을 두 번 수행한 그래프이다.

도 7a 내지 도 7c를 참조하면, 전압 값을 취득할 때 생기는 노이즈는 FFT(Fast Fourier Transform) 변환 후에도 노이즈로 나타난다. 이러한 노이즈 중에는 화이트 노이즈도 있지만, 대부분의 노이즈는 기기 내부 SMPS(Switched Mode Power Supply) 회로의 스위칭 동작으로 인해 주로 발생하며 이는 주파수 분석을 어렵게 한다. FFT 변환 후의 그래프를 평활화 하는 것만으로도 이러한 노이즈는 상당히 감소될 수 있다. 지수평활 기법은 중심 값을 가장 민감하게 반영하기 때문에 특징으로 구분해내야 하는 피크 값을 손상시키지 않을 수 있다. 지수평활 기법은 수학식 1로 나타낼 수 있다.

수학식 1에서, α는 0부터 1 사이의 값으로 줄 수 있는데, 1에 가까울수록 중심 값에 대한 가중치가 커진다. 일 실시 예로서, 도 7b 및 도 7c는 α에 0.5를 입력한 후 지수평활 기법을 수행한 그래프이다. 도 7a의 푸리에 변환 데이터에 지수평활 기법을 두 번 수행한 도 7c를 참조하면, 노이즈로 인한 그래프의 왜곡이 줄어들어 특징을 추출하기 쉬운 상태로 변경될 수 있다. 따라서, 도 2의 인코딩부(112)는 측정된 제1 및 제2 전력-전압 데이터를 지수평활 기법을 이용하여 인코딩할 수 있다.

도 7d 및 도 7e는 본 발명의 실시 예에 따른 주파수대 분할 분석법을 설명하기 위한 도면이다. 도 7d는 도 7c의 지수평활 된 푸리에 변환 그래프의 주파수 성분 크기를 데시벨 단위로 변환한 그래프이다. 도 7e는 도 7d의 그래프에 주파수대 분할 분석법을 적용한 그래프이다.

도 7d 및 도 7e를 참조하면, 가전기기가 동작할 때 발생하는 주파수는 노이즈와 기기의 특성으로 인해 몇 개의 특징적 주파수에 집중되어 나타나지 않고, 특징적 주파수들을 중심으로 조금씩 퍼져서 나타난다. 그 퍼지는 정도가 기기마다, 그리고 측정환경마다 달라 기준을 두기가 어렵고 기기별 특징을 추출하기 곤란한 경우가 많다.

주파수대 분할 분석법을 이용하면, 이러한 어려움은 상당부분 해결되어, 특징적 주파수들은 손쉽게 추출될 수 있다. 주파수대 분할 분석법은 노래인식 등에 사용되는 필립스 오디오 핑거프린팅(Philips Audio Fingerprinting) 기법에서 착안된 방법으로, FFT 그래프에서 관찰하고자하는 주파수대를 몇 개의 영역으로 등분하여 각 영역의 에너지를 계산하는 방법이다. 이렇게 계산한 각 영역의 에너지를 관찰구간 전체의 에너지로 정규화하면 특정한 패턴이 나오는데, 등분수와 관찰 주파수대의 범위를 적절히 조절하면, 특정한 패턴은 기기마다 고유하게 나타나며 이를 통해 서로 다른 기기 간에 비교를 용이하게 할 수 있다. 주파수대 분할 분석법을 적용하면 특정 주파수 주위로 퍼져서 나타나는 주파수 성분을 같은 영역으로 묶어 에너지를 계산할 수 있어 앞서 말한 문제점이 개선될 수 있다.

일 실시 예로서, 도 7e의 그래프는 도 7의 그래프에 등분수를 50, fwindow(관찰하려는 주파수대의 크기)를 1kHz로 설정하여 주파수대 분할 분석법을 적용한 그래프이다. 주파수대 분할 분석법은 수학식 2로 표현될 수 있다.

수학식 2에서, 수식 편의상 지수 평활은 생략하였다. 수학식 2에서, X는 FFT 변환 된 신호, Xwindowed는 window가 씌워진 X를 의미하며, N은 측정된 전압 데이터 수, m은 sampling rate, fwindow는 관찰하고자하는 주파수대의 크기이다. 또한, k는 FFT 변환 후 각 주파수에 대응되는 정의역 값을 의미하며 대응 관계는 수학식 3과 같다.

그 후 p개의 영역으로 주파수대를 등분하여 각 영역의 주파수 성분을 제곱하여 더하고, 주파수대의 전체 에너지 값으로 정규화 해준다. Xwindowed를 p등분 했을 때 각 영역의 원소 수 q는 수학식 4와 같이 표현될 수 있다.

각 영역 당 에너지(Band Power; BP)는 수학식 5와 같이 표현될 수 있다.

이러한 BP 배열은 등분수 만큼의 원소를 가진 배열이 되고, 이는 기기별 특징 추출에 이용될 수 있다.

도 2의 인코딩부(112)는 주파수대 분할 분석법에 기초하여 두 가지 비교법을 사용할 수 있다. 첫 번째로, 도 2의 인코딩부(112)는 BP(i)의 값 자체를 비교할 수 있다. 비교 기준이 되는 배열인 BPref는 데이터베이스(140)에 등록된 각 기기별 전압데이터로부터 얻을 수 있다. 도 2의 인코딩부(112)는 새로 측정된 전압데이터의 BP 배열과 기준 배열(BPref)을 수학식 6과 같이 비교할 수 있다.

수학식 6은 BP 값의 오차율을 더하며, 더한 Yval 값이 작을수록 두 전압데이터의 FFT 스펙트럼은 유사하다고 판단될 수 있다. 이러한 BP 값 자체의 비교법은 관찰 주파수대의 전반적인 유사성을 보여준다고 할 수 있다.

두 번째로, 도 2의 인코딩부(112)는 BP의 변화량을 비교할 수 있다. 도 2의 인코딩부(112)는 측정된 전압데이터로 만든 BP 배열에서의 인접 값들의 변화량과 대응되는 기준 배열(BPref)의 구간 간 변화량을 수학식 7과 같이 비교할 수 있다.

수학식 7은 BP의 변화량의 오차율을 더하며, 더한 Ydiff 값이 작을수록 두 전압데이터의 FFT 스펙트럼은 유사하다고 판단될 수 있다. 이러한 BP 변화량의 비교법은 BP 값 자체 비교법에서 놓치기 쉬운 피크와 같은 주파수 스펙트럼의 갑작스러운 변화를 잡아내어 이를 비교할 수 있다.

도 7f 및 도 7g는 본 발명의 실시 예에 따른 피크 비교법을 설명하기 위한 도면이다. 도 7f는 측정된 기본 전압 신호에 푸리에 변환을 수행하고, 푸리에 변환 데이터에 지수평할 기법을 두번 수행한 그래프이다. 도 7g는 도 7f의 그래프에 피크 검출 기법을 적용한 그래프이다.

피크 비교법은 지수평활 된 FFT를 입력으로 하여 주파수 스펙트럼의 피크를 검출해내고 이를 비교하는 함수이다. 도 2의 인코딩부(112)는 아래의 두 조건에 기초하여 피크를 검출할 수 있다.

(조건 1) 도 7f에서, X(i)의 크기가 전체 스펙트럼의 중앙값*α 보다 크다.

(조건 2) 도 7f에서, X(i)로부터 X(i+1) 또는 X(i+2), X(i+3) 중 최대값까지의 증가율이 β보다 크다.

도 2의 인코딩부(112)는 i를 증가시켜나가며 위 두 조건을 만족하는 X(i)를 찾은 뒤, i<k인 k에 대하여 X(k), X(k+1), X(k+2)가 모두 중앙값*α 보다 작아지는 k의 최소값을 j라고 할 때, X(i-γ*N/m) 내지 X(j+γ*N/m) 값 중 최대값을 피크라고 판단할 수 있다. 여기서 N은 데이터 샘플 수, m은 sampling rate이며, α, β, γ는 민감도 상수로서 측정환경에 따라 피크를 정확하게 골라내는 값으로 설정된다. α와 β가 커질수록 피크에 대한 기준이 엄격해진다. γ는 잠정적으로 피크라고 판단한 주파수에 대해, 앞뒤로 γHz만큼의 거리에 또 다른 피크가 있는지 확인하도록 하여 피크가 노이즈로 인해 중복으로 검출되지 않도록 한다. 일 실시 예로서, 도 7g는 α=2, β=0.8, γ=10로 설정하고 피크를 검출한 결과이다.

도 2의 인코딩부(112)는 도 7g의 피크 검출 기법으로 추출한 피크 주파수들을 담은 배열을 P(i)라 하고, 이를 데이터베이스(140)에 저장된 기기별 데이터로부터의 P(i)와 비교하여 피크 비교 값(Ypeak)을 획득할 수 있다. 도 2의 인코딩부(112)는 비교 시 두 배열에 같은 주파수 값(이 때 같은 피크라 하더라도 계산된 피크 주파수에 약간의 차이가 있을 수 있으므로 ±δHz의 민감도 상수를 둔다)이 있을 때마다 1씩 더한 후, 두 배열중 인자수가 더 많은 배열의 인자수로 나누어줄 수 있다. 한편, 수학식 6 및 수학식 7의 비교법과 같은 경향을 갖게 하고자, 이 값을 1에서 빼주어 이를 Ypeak로 설정한다. 피크 비교 값(Ypeak)이 작을수록 두 전압데이터의 FFT 스펙트럼은 유사하다고 판단될 수 있다. 기기마다 고유의 패턴으로 피크를 만들어 내므로, 이를 비교하여 일치여부를 판단할 수 있다.

도 2의 인코딩부(112)는 주파수대 분할 분석법에 기초하여 비교값들(Yval, Ydiff)을 생성할 수 있고, 피크 비교법에 기초하여 비교값(Ypeak)를 생성할 수 있다. 생성된 비교값들(Yval, Ydiff, Ypeak)은 도 2의 판단부(113)로 전송될 수 있다.

도 8a 및 도 8b는 도 2의 판단부 및 학습부에서 사용되는 학습 알고리즘을 설명하기 위한 도면이다. 도 8a는 로지스틱 회귀법(Logistic Regression)의 기본적인 시스템을 보여주는 도면이다. 도 8b는 로지스틱 회귀법에 사용되는 시그모이드(Sigmoid) 함수를 보여주는 도면이다.

로지스틱 회귀법은 독립변수의 선형결합을 통해 사건의 발생가능성을 예측하는 방법이다. 출력(종속 변수)이 입력(독립 변수)의 선형 결합으로 나타난다는 점이 선형 회귀와 흡사하나, 종속 변수가 두 가지의 범주로 나뉜다는 점에서 다르며 이를 이항 분류(Binomial Classification)에 이용할 수 있다.

도 8a에서, 보정인자 B는 1 입력에 대한 가중치 W0으로 해석할 수도 있다. 로지스틱 회귀법은 간단히 말해 n개의 독립변수로 구성된 n차원 공간의 점들을 2개의 영역으로 나누는 방정식(2차원이면 선, 3차원이면 평면 등)을 통해 입력된 데이터를 원하는 값(Y)으로 분류하도록 가중치인자(W1,W2,...,Wn)를 결정하는 과정이다. 입력변수와 가중치의 선형결합(Z)은 일정하지 않은 범위의 값을 가지므로, 계산의 편리함을 위해 이를 0과 1 사이의 값을 갖도록 변형하는데, 이 과정을 활성화(Activation)라고 한다. 로지스틱 회귀법의 활성화는 일반적으로 도 8b의 시그모이드 함수를 사용한다. 시그모이드 함수는 수학식 8과 같이 표시될 수 있다.

시그모이드 함수는 x=0에서 0.5의 값을 가지며, 이를 기준으로 원점대칭인 함수이다. 시그모이드 함수를 이용하면 Z값이 어떤 값이든 관계없이 활성화과정(A=f(Z))을 거친 후의 A는 0부터 1 사이의 값을 갖게 된다. 이렇게 얻은 A값을 0과 1중 더 가까운 값으로 바꿔주면 이 결과 값이 시스템의 출력인 Y’이 된다. 특정 입력 X에 대한 출력 Y를 알고 있을 때, Y’이 Y와 같아지도록 W를 조정해줄 수 있는데, 이 과정을 역전파(Back-Propagation)라고 하며 이를 통해 시스템의 지도 학습(Supervised Learning)이 수행될 수 있다. 그 후 새로운 입력 X를 넣어 주면 결과 값이 0과 1의 두 그룹 중 어디에 속하는지 추측할 수 있게 된다. 이때 충분한 개수의 입출력 데이터를 이용해 시스템을 학습시키면 W값이 상당히 정교해져 추측 값이 정답에 점점 가까워진다. 이러한 방식으로 로지스틱 회귀법은 입력 인자에 대해 두 그룹 중 하나로 응답하는 이항 분류 시스템을 만들어준다.

기본적인 로지스틱 회귀법의 출력이 두 그룹 중 하나로 표현된다면, 다항 로지스틱 회귀법(Multinomial Logistic Regression, 또는 Softmax Regression)은 이를 응용하여 출력을 세 개 이상의 그룹으로 분류하는 알고리즘이다. W 조합 한 개가 출력을 두 종류로 분류하므로, W 조합이 분류되어야 하는 그룹의 개수(g)만큼 있다면 출력을 2^g개의 영역으로 분류할 수 있다. 예를 들면, 출력이 A, B, C 그룹으로 나눠져야 할 때, 세 개의 W 조합이 있으면 각 조합이 각각 A or Not A, B or Not B, C or Not C를 구분하여 최종적으로 각 입력을 2³개의 영역 중 한 곳으로 분류하게 한다. 따라서 m개의 입력변수가 있고 g개의 그룹이 있을 때 가중치 배열은 수학식 9와 같이 표현할 수 있다.

이때 W의 0번째 인자는 보정 값 B를 1입력에 대한 가중치로 간편히 표현한 것이다. 이 때 m개의 입력변수로 이루어진 데이터 n개의 입력에 대한 응답 Z는 수학식 10과 같이 표현할 수 있다.

다항 로지스틱 회귀법의 활성화 과정은 시그모이드 함수 대신 일반적으로 소프트맥스(Softmax) 함수를 사용할 수 있다. 시그모이드 함수의 결과 값이 0과 1 사이의 값 한 개였다면, 소프트맥스 함수의 결과는 g(그룹 수)개이며, 각각은 0과 1 사이의 값을 갖고 이를 모두 더하면 1이 된다. 소프트맥스 함수를 행렬로 표현하면 수학식 11과 같이 표현할 수 있다.

정의에 의해 A 행렬의 각 원소는 0부터 1 사이의 값이며, 각 열의 합은 1이 된다. 여기서 A_i,j는 j번째 입력이 i그룹일 확률을 의미한다. 본 발명에서 목적으로 하는 것은 각 입력에 대해 g개의 기기 중 한 개로 매칭시키는 것이므로, 행렬 A의 각 열마다 가장 큰 값을 선택해야 한다. 따라서, 다항 로지스틱 회귀법에서는 도 8a의 이항 분류(Binomial Classification) 대신에 ‘One-Hot Encoding’기법을 적용해야 한다. 이 기법을 각 열에 적용하여 가장 큰 값을 1, 나머지를 0으로 하는 행렬을 구하면 이것이 Y', 즉, 로지스틱 회귀 시스템의 출력이 된다. 요약하자면, m개의 입력변수를 갖는 데이터 n개를 시스템에 입력하였을 때 나오는 g*n행렬의 출력 Y'에서, Y_i,j=1인 것을 찾아 j번째 입력이 i그룹에 해당되는 것임을 추측하는 것이 다항 로지스틱 회귀의 순전파(Forward Propagation)이다.

이제 다항 로지스틱 회귀법으로 구성한 시스템이 각 입력을 g개의 그룹 중 한곳으로 정확히 대응시키는 가중치행렬 W를 구해야 한다. 초기에는 W를 알 수 없으므로 임의의 값으로 둔다. 여기에 입력 X를 넣어 계산한 Y'를 실제 대응되는 값을 통해 만든 Y와 비교하여, 두 행렬이 같아지도록 W를 수정해 준다. 이러한 과정을 역전파 알고리즘(Back-Propagation)이라고 하며, 다항 로지스틱 회귀법에서는 역전파 알고리즘으로 크로스 엔트로피(Cross Entropy) 기법을 사용한다.

Y와 Y'의 차이를 수치적으로 표현한 것을 비용함수(Cost Function)라고 하는데, 크로스 엔트로피 기법에서는 비용함수(H)를 수학식 12 및 수학식 13과 같이 표현할 수 있다.

수학식 11에서, -logA_i,j는 A_i,j가 1일 때 0이며, 0일 때 양의 무한대로 발산한다. 여기에 Y_i,j를 곱해서 더해주면 Y_i,j와 A_i,j가 같을 때 비용함수(H)는 0이고, 다를 때 비용함수(H)는 최대 무한대까지 발산하는 것을 수식으로부터 확인할 수 있다.

역전파 과정에서 행렬 X는 입력으로서 변하지 않는 값이므로 가중치 인자들에 곱해진 상수로 생각할 수 있으며, 비용함수(H)는 Wa0 내지 Wgm의 독립변수 구성된 함수임을 알 수 있다. 따라서, 비용함수(H)에 W에 대한 gradient을 취하는 것이 가능하다(수학식 14).

∇H는 비용함수(H)를 증가시키는 방향의 벡터이므로, 비용함수(H)를 감소시키려면 W 행렬이 만드는 g*(m+1) 차원 상의 점을 W0라 할 때 이 점이 -∇H|_W=W0 방향으로 움직여야한다. 그러므로 학습율(Learning Rate)을 α라 할 때 역전파 과정을 거친 후의 W는 수학식 15과 같이 변할 수 있다.

이것은 W행렬의 각 인자 W_i,j가 수학식 16과 같이 변함을 의미한다.

학습율 α는 0.1, 0.01, 0.001 등으로 줄여나가며 비용함수가 가장 빠르게 감소하도록 조정될 수 있다. 이렇게 W가 조정된 시스템에 다시 입력 X를 넣어주면 출력인 A와 그에 따른 Y'는 Y값에 조금 더 가까워진다.

다항 로지스틱 회귀법 및 크로스 엔트로피 기법의 과정을 충분히 거치면 ∇H가 거의 0에 도달하며, W와 비용함수(H)는 거의 변하지 않게 된다. 본 발명에서는 이러한 시점을 |Wnew-Wo|의 모든 원소 값의 절대값의 합이 ε보다 작아지는 지점으로 정의한다. ε는 시스템 매개변수로서 예시적으로 학습율 α와 같은 값으로 가정한다. 이 지점에서 비용함수(H)는 극소값(local minimum)에 도달한다고 판단할 수 있으며, 이때 A는 Y에 local에서 가장 근접하게 접근한다. 또한, Y'은 이상적인 경우 Y와 일치하게 된다. 비용함수(H)가 강오목(strictly concave)하거나, 배드 데이터(bad data)가 다수 존재할 경우 Y'가 Y와 같지 않을 수 있다. 이러한 경우 W를 새로운 임의의 값으로 주고 다른 극소값(local minimum)을 찾거나, 배드 데이터(bad data)를 골라내 제거하고 학습을 다시 할 수 있다.

그러한 일 없이 Y'=Y가 되도록 W가 정해졌다면, 시스템의 학습이 성공적으로 끝났다고 판단할 수 있다. 학습시킨 데이터 수가 충분히 많고 다양했다면, 학습 후의 W는 새로운 입력에 대해서도 높은 확률로 성공적인 분류가 가능할 것이다.

도 2의 학습부(114)는 다항 로지스틱 회귀법 및 크로스 엔트로피 기법을 사용하여 학습을 수행할 수 있다. 도 2의 판단부(113)는 다항 로지스틱 회귀법 및 크로스 엔트로피 기법을 이용하여 새로운 입력에 기초하여 현재 사용중인 기기를 식별할 수 있다.

이상에서와 같이 도면과 명세서에서 실시 예가 개시되었다. 여기서 특정한 용어들이 사용되었으나, 이는 단지 본 발명을 설명하기 위한 목적에서 사용된 것이지 의미 한정이나 특허 청구범위에 기재된 본 발명의 범위를 제한하기 위하여 사용된 것은 아니다. 그러므로 본 기술분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시 예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 특허 청구범위의 기술적 사상에 의해 정해져야 할 것이다.

10: 분전반
11: 내부 배선
21~2n: 기기들
100: 가전기기 모니터링 장치
110: 모니터링 장치
111: 수신부
112: 인코딩부
113: 판단부
114: 학습부
115: 출력부
120: 제1 계량기
121: 제1 통신부
122: 제1 전력-전압 측정기
130: 제2 계량기
131: 제2 통신부
132: 제2 전력-전압 측정기
133: 복합센서
140: 데이터베이스

Claims (14)

1. 분전반으로부터 전력을 공급받는 기기들이 연결된 내부 배선 상에서 상기 분전반에 인접한 제1 위치에서 상기 기기들의 사용 전력 또는 전압을 측정하는 제1 계량기;
   상기 내부 배선 상에서 상기 제1 위치와 다른 제2 위치에서 상기 기기들의 사용 전력 또는 전압을 측정하는 제2 계량기; 및
   상기 제1 계량기에 의해 측정된 제1 전력-전압 데이터와 상기 제2 계량기에 의해 측정된 제2 전력-전압 데이터를 이용하여 상기 기기들의 사용 상태를 식별하는 모니터링 장치를 포함하고,
   상기 제2 계량기는 상기 제1 및 제2 전력-전압 데이터가 측정되는 시점의 물리적 환경 정보를 측정하는 복합센서를 포함하고,
   상기 모니터링 장치는 상기 제1 및 제2 전력-전압 데이터와 상기 물리적 환경 정보를 함께 고려하여 상기 기기들의 사용 상태를 식별하고,
   상기 모니터링 장치는 푸리에 변환을 통해 시간 영역 데이터인 상기 제1 및 제2 전력-전압 데이터 각각을 주파수 영역 데이터로 변환하고, 지수 평활 기법을 통해 상기 주파수 영역 데이터 내의 잡음을 제거하고,
   상기 모니터링 장치는 주파수대 분할 분석법을 이용하여 잡음이 제거된 주파수 영역 데이터를 설정된 주파수대 내에서 특정 개수의 영역으로 분할하고, 각 영역에서 주파수 성분값의 제곱의 합 또는 절대 합을 이용하여 비교 데이터를 생성하고,
   상기 모니터링 장치는 각 영역 당 에너지(Band Power, BP)의 값 또는 각 영역 당 에너지(BP)의 변화량에 기초하여 상기 기기들의 사용 상태를 식별하는,
   가전기기 모니터링 시스템.
2. 제1항에 있어서,
   상기 제1 및 제2 전력-전압 데이터는 현재 사용 중인 기기들의 총 사용 전력 패턴 또는 총 사용 전압 패턴을 포함하는 가전기기 모니터링 시스템.
3. 제1항에 있어서,
   상기 물리적 환경 정보는 조도, 소리, 온도 또는 습도에 관한 데이터를 포함하는 가전기기 모니터링 시스템.
4. 제1항에 있어서,
   상기 제1 계량기는 유선 또는 무선 통신을 통해 상기 제2 계량기로부터 상기 제2 전력-전압 데이터 및 상기 물리적 환경 정보를 수신하고,
   상기 모니터링 장치는 상기 제1 계량기로부터 상기 제1 전력-전압 데이터, 상기 제2 전력-전압 데이터 및 상기 물리적 환경 정보를 수신하는 수신부를 포함하는 가전기기 모니터링 시스템.
5. 제4항에 있어서,
   상기 모니터링 장치는,
   상기 지수 평활 기법과 상기 주파수대 분할 분석법에 따라 상기 제1 전력-전압 데이터, 상기 제2 전력-전압 데이터 및 상기 물리적 환경 정보를 인코딩하여 상기 비교 데이터를 생성하는 인코딩부;
   학습 알고리즘을 통해 상기 비교 데이터에 가중치를 적용하고, 상기 가중치가 적용된 데이터를 데이터베이스로부터 수신된 기기별 기준 데이터와 비교하여 현재 사용 중인 기기를 식별하는 가전기기 판단 시스템을 포함하는 판단부; 그리고
   상기 판단부의 식별 결과를 디스플레이에 표시하거나 상기 데이터베이스에 저장하는 출력부를 포함하는,
   가전기기 모니터링 시스템.
6. 제5항에 있어서,
   상기 모니터링 장치는 상기 학습 알고리즘을 통해 상기 가전기기 판단 시스템을 학습하여 상기 가중치를 수정하는 학습부를 포함하는 가전기기 모니터링 시스템.
7. 제6항에 있어서,
   상기 학습부는 동일한 상황에서 상기 제1 및 제2 계량기로부터 측정된 복수의 측정 데이터를 상기 학습 알고리즘에 입력하여 상기 가중치를 결정하는 가전기기 모니터링 시스템.
8. 삭제
9. 삭제
10. 삭제
11. 분전반으로부터 전력을 공급받는 기기들의 사용 상태를 식별하는 가전기기 모니터링 방법에 있어서,
    상기 분전반에 근접한 제1 위치에서 상기 기기들이 사용하는 전력 또는 전압 정보를 포함하는 제1 전력-전압 데이터를 측정하는 단계;
    상기 제1 위치와 다른 제2 위치에서 상기 기기들이 사용하는 전력 또는 전압 정보를 포함하는 제2 전력-전압 데이터를 측정하는 단계;
    상기 제2 위치에서 상기 기기들의 물리적 상태 정보를 측정하는 단계;
    상기 제1 및 제2 전력-전압 데이터를 인코딩하는 단계;
    인코딩된 제1 및 제2 전력-전압 데이터에 가중치를 적용하여 제1 및 제2 가중 데이터를 생성하는 단계;
    상기 제1 및 제2 가중 데이터와 데이터베이스에 저장된 기기별 전력-전압 기준 데이터를 비교하는 단계;
    상기 제1 및 제2 가중 데이터가 상기 기기별 전력-전압 기준 데이터와 일치하지 않는 경우, 상기 물리적 상태 정보와 상기 데이터베이스에 저장된 물리적 상태 기준 데이터를 비교하는 단계;
    상기 물리적 상태 정보가 상기 물리적 상태 기준 데이터와 일치하지 않는 경우, 상기 제1 가중 데이터, 제2 가중 데이터 및 상기 물리적 상태 정보를 새로운 기준 데이터로 상기 데이터베이스에 저장하는 단계; 및
    상기 제1 및 제2 가중 데이터가 상기 기기별 전력-전압 기준 데이터와 일치하는 경우, 상기 기기별 전력-전압 기준 데이터에 기초하여 현재 사용 중인 기기를 식별하는 단계를 포함하고,
    상기 제1 및 제2 전력-전압 데이터를 인코딩하는 단계는,
    푸리에 변환을 통해 시간 영역 데이터인 상기 제1 및 제2 전력-전압 데이터 각각을 주파수 영역 데이터로 변환하고, 지수 평활 기법을 통해 상기 주파수 영역 데이터 내의 잡음을 제거하는 단계; 및
    주파수대 분할 분석법을 이용하여 잡음이 제거된 주파수 영역 데이터를 설정된 주파수대 내에서 특정 개수의 영역으로 분할하고, 각 영역에서 주파수 성분값의 제곱의 합 또는 절대 합을 이용하여 비교 데이터인 상기 인코딩된 제1 및 제2 전력-전압 데이터를 생성하는 단계를 포함하고,
    상기 기기를 식별하는 단계는 각 영역 당 에너지(Band Power, BP)의 값 또는 각 영역 당 에너지(BP)의 변화량에 기초하여 상기 기기들의 사용 상태를 식별하는,
    가전기기 모니터링 방법.
12. 삭제
13. 제11항에 있어서,
    상기 물리적 상태 정보가 상기 물리적 상태 기준 데이터와 일치하는 경우, 상기 기기별 전력-전압 기준 데이터에 기초하여 현재 사용 중인 기기를 식별하는 가전기기 모니터링 방법.
14. 제11항에 있어서,
    상기 제1 전력-전압 데이터, 상기 제2 전력-전압 데이터 및 상기 물리적 상태 정보는 동일한 시점에 측정되는 가전기기 모니터링 방법.

Images