KR102049453B1 - 전력 데이터 분석을 이용한 가전기기 분류를 위한 장치 및 방법 - Google Patents

전력 데이터 분석을 이용한 가전기기 분류를 위한 장치 및 방법 Download PDF

Info

Publication number
KR102049453B1
KR102049453B1 KR1020170170687A KR20170170687A KR102049453B1 KR 102049453 B1 KR102049453 B1 KR 102049453B1 KR 1020170170687 A KR1020170170687 A KR 1020170170687A KR 20170170687 A KR20170170687 A KR 20170170687A KR 102049453 B1 KR102049453 B1 KR 102049453B1
Authority
KR
South Korea
Prior art keywords
data
power
analysis
frequency component
high frequency
Prior art date
Application number
KR1020170170687A
Other languages
English (en)
Other versions
KR20190070147A (ko
Inventor
김호원
김지현
김해용
김재현
Original Assignee
부산대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 부산대학교 산학협력단 filed Critical 부산대학교 산학협력단
Priority to KR1020170170687A priority Critical patent/KR102049453B1/ko
Priority to PCT/KR2017/014595 priority patent/WO2019117337A1/ko
Publication of KR20190070147A publication Critical patent/KR20190070147A/ko
Application granted granted Critical
Publication of KR102049453B1 publication Critical patent/KR102049453B1/ko

Links

Images

Classifications

    • 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
    • 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
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/16—Spectrum analysis; Fourier analysis
    • G01R23/165—Spectrum analysis; Fourier analysis using filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N99/00—Subject matter not provided for in other groups of this subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/242—Home appliances
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/30—Smart metering, e.g. specially adapted for remote reading
    • Y04S20/38—

Abstract

본 발명은 수용가에서 수집되는 전력 데이터를 분석하여 전력의 임피던스 성분을 추출하여 가전기기를 분류하는 전력 데이터 분석을 이용한 가전기기 분류를 위한 장치 및 방법에 관한 것으로, 소비 전력 데이터를 검출하는 소비전력 데이터 검출부;소비 전력 데이터를 스트림으로 입력받아 저주파 성분 및 고주파 성분을 분리 추출하는 주파수 성분 추출부;저주파 성분으로부터 전력량 데이터를 출력하고, 해당 데이터의 추이를 이용한 전력 분석 데이터를 출력하는 저주파 성분 분석 데이터 출력부;고주파 성분으로부터 위상각 데이터를 출력하고, 고주파 성분으로부터 주파수 분석 데이터를 출력하는 고주파 성분 분석 데이터 출력부;전류량의 변화와 위상각의 변화를 기준으로 임피던스 모델링을 하고 이를 이용한 가전 기기 분류를 하는 임피던스 모델링부;를 포함하는 것이다.

Description

전력 데이터 분석을 이용한 가전기기 분류를 위한 장치 및 방법{Apparatus and method for classifying household appliances using power data analysis}
본 발명은 가전기기 분류 시스템에 관한 것으로, 구체적으로 수용가에서 수집되는 전력 데이터를 분석하여 전력의 임피던스 성분을 추출하여 가전기기를 분류하는 전력 데이터 분석을 이용한 가전기기 분류를 위한 장치 및 방법에 관한 것이다.
최근 화석연료의 고갈로 전 세계적으로 에너지의 효율적인 사용에 대한 관심이 높아지고 있다. 이에 따라, 미국, 유럽 등 선진국을 중심으로 전력망에 ICT 기술을 접목한 스마트 그리드 기술이 실현되고 있다.
각 수용가의 소비전력을 측정하여 전송하는 스마트 미터가 설치되어 소비전력을 이용한 모니터링 및 전력 예측이 가능해지고 있다.
그러나 단순히 수용가의 총 소비전력을 수집하는 것만으로 정확한 에너지 사용예측이 어렵다. 보다 정확한 예측을 위해서는 수용가에서 사용하는 가전기기 단계에서의 소비전력 정보수집이 필요하다.
이를 실현하기 위한 기술로 NILM(Non-intrusive Load Monitoring)이 있다.
NILM은 수용가의 전력 데이터를 분석하여 어떠한 가전기기가 사용되고 있는지 알아내는 기술이다. 따라서 NILM을 이용하여 수용가의 가전기기 단계에서의 소비전력 정보 수집이 가능해진다.
하지만, 지금까지 연구되고 상용화되었던 가전기기 분류 모델들은 실제로 상용화하기에 정확도가 충분하지 못하다.
가전기기별로 전기 에너지를 관리하기 위해서는, 서비스 제공자가 일정기간 동안 라벨링된 데이터를 확보해야 한다.
이를 위해서 가전기기마다 센서를 부착하여 데이터를 수집하거나 사용자가 가전기기를 사용할 때마다 서비스 제공자에게 가전기기 사용정보를 제공해야 하기 때문에 현실적으로 불가능하다.
다른 방법으로, 사용자가 최초 서비스 실행 시 가전기기의 목록과 기기별 소비전력 정보를 서비스 제공자에게 보내어, 추측을 통하여 모델을 생성하는 방법이 있지만, 이는 사용자의 불편함뿐만 아니라 생성된 모델도 정확하지 않다.
특히 일반적인 스마트 미터의 경우 전력센서를 통해 입력된 Raw 데이터를 저주파 통과 필터를 이용하여, 신호 잡음과 위상변화 등의 고주파 성분을 제거하고, 이를 이용한 보정 및 계산을 통해 소비 전류량을 측정한다.
이러한 측정법은 하나의 센서를 통해 하나의 데이터 스트림을 얻을 수 있는 한계를 가지게 되며, 이러한 데이터를 이용한 분류 모델의 경우 모델링의 정확도에 태생적인 제약을 가지게 된다.
특히 유사한 소비전력을 가지는 기기 혹은 multi-state 기기의 모델링에서 정확도 하락을 가져옴에 따라, 추가적인 인지 센서 장착 혹은 다수의 전류측정센서를 이용한 그룹별 측정을 통해 이를 보완하는 방안이 이용되고 있다.
따라서, 종래 기술의 가전기기 분류 모델의 문제점을 해결하여 정확도를 높일 수 있는 새로운 가전기기 분류 방법의 개발이 요구되고 있다.
한국공개특허번호 10-2014-0066819호 한국공개특허번호 10-2012-0018854호
본 발명은 이와 같은 종래 기술의 가전기기 분류 방법의 문제를 해결하기 위한 것으로, 수용가에서 수집되는 전력 데이터를 분석하여 전력의 임피던스 성분을 추출하여 가전기기를 분류하는 전력 데이터 분석을 이용한 가전기기 분류를 위한 장치 및 방법을 제공하는데 그 목적이 있다.
본 발명은 수용가에서 수집되는 전력 데이터를 분석하여 사용 중인 가전기기를 분류하는 방법인 NILM(Non-Intrusive Load Monitoring)에 머신러닝과 최신 기술인 딥러닝(Deep Learning)을 적용하기 전에 필터를 이용하여 전력의 임피던스 성분을 추출하여 가전기기를 분류하는 전력 데이터 분석을 이용한 가전기기 분류를 위한 장치 및 방법을 제공하는데 그 목적이 있다.
본 발명은 스마트 모니터에서 사용되는 단순 전류 값 측정방식이 아닌, 전류 센서에서 측정된 고주파수 성분과 주기 내 Peak값을 이용한 주파수 분석을 통해 가전기기의 임피던스를 모델링 하고, 이를 학습 및 분류 모델의 입력데이터로 활용하는 전력 데이터 분석을 이용한 가전기기 분류를 위한 장치 및 방법을 제공하는데 그 목적이 있다.
본 발명은 전력의 임피던스 성분을 추출하는 것에 의해 전력데이터의 순간적인 변화를 감시할 수 있어 가전기기 개별의 전원 변화에 따른 순간적인 전력 분석과 기기 분류를 가능하도록 한 전력 데이터 분석을 이용한 가전기기 분류를 위한 장치 및 방법을 제공하는데 그 목적이 있다.
본 발명은 고주파 분석을 통하여 내부 가전기기들의 변화와 RLC성분의 변화를 모델링 할 수 있어 개별 가전기기의 RLC성분 벡터를 추출 할 수 있고, 전체 전력데이터가 어떠한 RLC성분들의 조합으로 이루어져 있는지 분석할 수 있도록 한 전력 데이터 분석을 이용한 가전기기 분류를 위한 장치 및 방법을 제공하는데 그 목적이 있다.
본 발명은 개별 가전기기의 RLC성분 벡터를 추출 할 수 있어 내부 성분의 구성에 따라 다른 2차원 구성으로 기전 기기를 더 세밀하게 분류할 수 있도록 한 전력 데이터 분석을 이용한 가전기기 분류를 위한 장치 및 방법을 제공하는데 그 목적이 있다.
본 발명은 순간적인 ON/OFF 변화가 일어나는 TV, 헤어드라이기, 조명과 같은 가전기기의 변화는 순간적인 전력데이터의 변화를 이용하여 감시하고,　긴 시간 사용하며 상태의 변화가 일어나는 냉장고, 에어컨, 세탁기는 긴시간의 전력량 데이터 추이와 상태변화에 따른 RLC 회로의 조합으로 분류할 수 있도록 한 전력 데이터 분석을 이용한 가전기기 분류를 위한 장치 및 방법을 제공하는데 그 목적이 있다.
본 발명의 목적들은 이상에서 언급한 목적들로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
이와 같은 목적을 달성하기 위한 본 발명에 따른 전력 데이터 분석을 이용한 가전기기 분류를 위한 장치는 소비 전력 데이터를 검출하는 소비전력 데이터 검출부;소비 전력 데이터를 스트림으로 입력받아 저주파 성분 및 고주파 성분을 분리 추출하는 주파수 성분 추출부;저주파 성분으로부터 전력량 데이터를 출력하고, 해당 데이터의 추이를 이용한 전력 분석 데이터를 출력하는 저주파 성분 분석 데이터 출력부;고주파 성분으로부터 위상각 데이터를 출력하고, 고주파 성분으로부터 주파수 분석 데이터를 출력하는 고주파 성분 분석 데이터 출력부;전류량의 변화와 위상각의 변화를 기준으로 임피던스 모델링을 하고 이를 이용한 가전 기기 분류를 하는 임피던스 모델링부;를 포함하는 것을 특징으로 한다.
여기서, 상기 주파수 성분 추출부는, 소비전력 데이터 검출부에서 소비 전력 데이터를 스트림으로 입력받아 저주파 성분을 추출하는 저주파 통과 필터와,소비전력 데이터 검출부에서 소비 전력 데이터를 스트림으로 입력받아 고주파 성분을 추출하는 고주파 통과 필터를 포함하는 것을 특징으로 한다.
그리고 상기 저주파 성분 분석 데이터 출력부는, 저주파 통과 필터의 저주파 성분으로부터 전력량 데이터를 출력하는 전력량 데이터 출력부와,저주파 통과 필터의 저주파 성분으로부터 해당 데이터의 추이를 이용한 전력 분석 데이터를 출력하는 전력 분석 데이터 출력부를 포함하는 것을 특징으로 한다.
그리고 상기 고주파 성분 분석 데이터 출력부는, 고주파 통과 필터의 고주파 성분으로부터 위상각 데이터를 출력하는 위상각 데이터 출력부와,고주파 통과 필터의 고주파 성분으로부터 주파수 분석 데이터를 출력하는 주파수 분석 데이터 출력부를 포함하는 것을 특징으로 한다.
그리고 상기 임피던스 모델링부는, 전류량의 변화와 위상각의 변화를 기준으로 가전 기기 분류를 위한 정보를 2차 추출하는 임피던스 분석부와,임피던스 분석부의 분석 결과를 이용하여 가전 기기를 분류하는 가전 기기 분류부를 포함하는 것을 특징으로 한다.
그리고 임피던스 모델링부에 의한 임피던스 모델링은, 고주파 분석을 통하여 내부 가전기기들의 변화와 RLC 성분의 변화를 모델링하여 개별 가전기기의 RLC 성분 벡터를 추출하고, 전체 전력데이터가 어떤 RLC 성분들의 조합으로 이루어져 있는지 분석할 수 있도록 하는 것을 특징으로 한다.
그리고 임피던스 모델링부에 의한 임피던스 모델링에 의해 전력량 데이터, 전력 분석 데이터, 위상각 데이터, 주파수 분석 데이터의 전체 혹은 일부의 조합을 NILM 시스템의 학습 및 분류 데이터로 이용하는 것을 특징으로 한다.
그리고 임피던스 모델링부의 임피던스 모델링을 통하여 임피던스 성분을 추출하는 것에 의해 전력데이터의 순간적인 변화를 감시하고, 가전기기 개별의 전원 변화에 따른 순간적인 전력 분석과 기기 분류를 하는 것을 특징으로 한다.
그리고 임피던스 모델링부의 임피던스 모델링을 통하여, 순간적인 ON/OFF 변화가 일어나는 TV, 헤어드라이기, 조명과 같은 가전기기의 변화는 순간적인 전력데이터의 변화를 이용하여 감시하고, 긴 시간 사용하며 상태의 변화가 일어나는 냉장고, 에어컨, 세탁기는 긴시간의 전력량 데이터 추이와 상태변화에 따른 RLC 회로의 조합으로 분류하는 것을 특징으로 한다.
다른 목적을 달성하기 위한 본 발명에 따른 전력 데이터 분석을 이용한 가전기기 분류를 위한 방법은 소비전력 데이터 검출부에서 소비 전력 데이터를 스트림으로 입력받아 저주파 성분 및 고주파 성분의 주파수 성분을 추출하는 단계;저주파 성분으로부터 전력량 데이터를 출력하고, 저주파 성분으로부터 해당 데이터의 추이를 이용한 전력 분석 데이터를 출력하는 단계;고주파 성분으로부터 위상각 데이터를 출력하고, 고주파 성분으로부터 주파수 분석 데이터를 출력하는 단계;를 포함하는 것을 특징으로 한다.
여기서, 가전기기 분류 모델에 사용될 에너지 데이터 셋을 추출하고, 전력량 데이터, 전력 분석 데이터, 위상각 데이터, 주파수 분석 데이터의 전체 혹은 일부의 조합을 NILM 시스템의 학습 및 분류 데이터로 제공하는 단계;를 더 포함하는 것을 특징으로 한다.
그리고 전류량의 변화와 위상각의 변화를 기준으로 임피던스 모델링을 하는 단계를 더 포함하는 것을 특징으로 한다.
그리고 임피던스 모델링에 의해, 고주파 분석을 통하여 내부 가전기기들의 변화와 RLC 성분의 변화를 모델링하여 개별 가전기기의 RLC 성분 벡터를 추출하고,전체 전력데이터가 어떤 RLC 성분들의 조합으로 이루어져 있는지 분석할 수 있도록 하는 것을 특징으로 한다.
그리고 임피던스 모델링을 통하여 임피던스 성분을 추출하는 것에 의해 전력데이터의 순간적인 변화를 감시하고, 가전기기 개별의 전원 변화에 따른 순간적인 전력 분석과 기기 분류를 하는 것을 특징으로 한다.
이와 같은 본 발명에 따른 전력 데이터 분석을 이용한 가전기기 분류를 위한 장치 및 방법은 다음과 같은 효과를 갖는다.
첫째, 수용가에서 수집되는 전력 데이터를 분석하여 전력의 임피던스 성분을 추출하여 가전기기를 분류하여 정확도를 높일 수 있다.
둘째, NILM(Non-Intrusive Load Monitoring)에 머신러닝과 딥러닝(Deep Learning)을 적용하기 전에 필터를 이용하여 전력의 임피던스 성분을 추출하여 높은 정확도와 효율을 갖도록 한다.
셋째, 스마트 모니터에서 사용되는 단순 전류 값 측정방식이 아닌, 전류 센서에서 측정된 고주파수 성분과 주기 내 Peak값을 이용한 주파수 분석을 통해 가전기기의 임피던스를 모델링 하고, 이를 학습 및 분류 모델의 입력데이터로 활용하여 가전기기 분류 정확도를 높일 수 있다.
넷째, 임피던스 벡터 분석방법을 머신러닝 및 딥러닝을 이용한 분류기법에 추가로 적용할 시 기존의 전류량만을 이용한 분석방법 대비 높은 정확도와 효율을 갖도록 한다.
다섯째, 유사 전력 사용량을 가지는 기기간의 구분 또는 multi-state인 가전기기의 모델링이 가능해짐에 따라, 장비의 상태 감지 및 다중장비 분류에 이점을 가지게 된다.
여섯째, NILM 모델들의 정확도, 분류 속도, 사용자의 불편함에 대한 문제를 해결함과 동시에 가전기기 분류 정확도를 높여 실용성을 높일 수 있다.
또한, 이를 이용해 소비전력에 관한 정보뿐만 아니라 가전기기 분류 정보를 얻어 다른 시스템이나 서비스에 사용할 수 있다.
일곱째, 제한된 환경의 임베디드 장비에서 가전기기 분류를 가능하게 하며, 기존의 다양한 딥러닝 및 머신러닝을 이용한 분류 기법에서도 추가적인 변수로 활용 가능해 시스템에 정확도 향상에 기여할 수 있다.
도 1은 본 발명에 따른 전력 데이터 분석을 이용한 가전기기 분류를 위한 장치의 구성도
도 2는 본 발명에 따른 전력 데이터 분석을 이용한 가전기기 분류를 위한 장치의 상세 구성도
도 3은 본 발명에 따른 임피던스 모델링부의 상세 구성도
도 4는 본 발명에 따른 전력 데이터 분석을 이용한 가전기기 분류를 위한 방법을 나타낸 플로우 차트
이하, 본 발명에 따른 전력 데이터 분석을 이용한 가전기기 분류를 위한 장치 및 방법의 바람직한 실시 예에 관하여 상세히 설명하면 다음과 같다.
본 발명에 따른 전력 데이터 분석을 이용한 가전기기 분류를 위한 장치 및 방법의 특징 및 이점들은 이하에서의 각 실시 예에 대한 상세한 설명을 통해 명백해질 것이다.
도 1은 본 발명에 따른 전력 데이터 분석을 이용한 가전기기 분류를 위한 장치의 구성도이다.
본 발명은 수용가에서 수집되는 전력 데이터를 분석하여 사용 중인 가전기기를 분류하는 방법인 NILM(Non-Intrusive Load Monitoring)에 머신러닝과 최신 기술인 딥러닝(Deep Learning)을 적용하기 전에 필터를 이용하여 전력의 임피던스 성분을 추출하여 가전기기를 분류하는 것이다.
먼저, 전력 데이터를 분석하기 위해 필터를 이용한 데이터 가공과 가공된 데이터를 딥러닝 및 머신러닝을 통해 분석하는 방법을 설명하면 다음과 같다.
딥러닝은 최근 딥 마인드의 알파고로 국내뿐만 아니라 전 세계적으로 이슈가 되고 있는 기술로, 사람의 뇌를 구성하는 뉴런이 동작하는 방식을 모방한 접근 방식이다.
학습 데이터를 제공하면 컴퓨터가 스스로 학습하여 판단하거나 분류하는 것이 가능해진다.
딥러닝은 크게 RNN(Recurrent Neural Network)와 CNN(Convolutional Neural Network)으로 나눌 수 있다.
RNN은 딥러닝 알고리즘 중 하나로 순차적으로 입력되는 데이터를 분석하여 학습하는 알고리즘이다. 특정 시간 동안의 입/출력 데이터 셋을 제공하면, 해당 시간 동안의 연속적인 데이터들의 관계를 학습하여 가전기기 분류 모델을 생성할 수 있다.
또한, CNN은 영상처리, 얼굴 인식 등 다양한 분야에서 사용되는데, 시간에 따른 전력의 변화를 그래프로 그린 후 학습 데이터로 사용하는 것이 가능하다.
이러한 머신러닝 및 딥러닝에 이용하는 대표적인 데이터는 전력 데이터가 있다.
교류회로에서 전력 사용량을 표기하는 대표적인 방법은 피상전력(Apparent Power)과 유효전력(Effective Power)이 있다.
피상전력은 교류회로에서 역률을 고려하지 않고 순수 저항성분만 있다는 가정하에 계산된 값이다. 교류회로에서 임피던스는 실수 성분을 가지는 저항과 복소 성분을 가지는 커패시터와 인덕터의 조합인데, 피상전력은 이러한 복소 성분을 고려하지 않음에 따라 전류측정만을 통해 쉽게 계산이 가능하다.
반면 유효전력은 교류회로에서 나타나는 전압과 전류의 위상 차이를 고려하여 계산된 값으로, 실제 가전기기가 사용하는 전력량을 나타내게 된다. 유효전력을 측정하기 위해서는 전류 값뿐 아니라, 전압과 전류의 위상 차이를 전력분석기와 같은 정밀 장비를 이용하여 측정하여야 한다.
본 발명은 수용가의 소비전력을 분석하여 현재 사용 중인 가전기기를 알아내는 NILM 기술의 분류 정확도 및 다양한 머신러닝 기법에 활용 가능한 전력 데이터추출방법을 포함한다.
이하, 첨부된 도면을 참고하여 본 발명에 따른 전력 데이터 분석을 이용한 가전기기 분류를 위한 장치 및 방법을 구체적으로 설명하면 다음과 같다.
본 발명에 따른 전력 데이터 분석을 이용한 가전기기 분류를 위한 장치 및 방법은 전력의 임피던스 성분을 추출하는 것에 의해 전력데이터의 순간적인 변화를 감시할 수 있어 가전기기 개별의 전원 변화에 따른 순간적인 전력 분석과 기기 분류를 하는 구성을 포함한다.
본 발명은 고주파 분석을 통하여 내부 가전기기들의 변화와 RLC성분의 변화를 모델링 할 수 있어 개별 가전기기의 RLC성분 벡터를 추출 할 수 있고, 전체 전력데이터가 어떠한 RLC성분들의 조합으로 이루어져 있는지 분석하는 구성을 포함한다.
본 발명은 개별 가전기기의 RLC성분 벡터를 추출 할 수 있어 내부 성분의 구성에 따라 다른 2차원 구성으로 기전 기기를 더 세밀하게 분류하는 구성을 포함한다.
본 발명은 순간적인 ON/OFF 변화가 일어나는 TV, 헤어드라이기, 조명과 같은 가전기기의 변화는 순간적인 전력데이터의 변화를 이용하여 감시하고,　긴 시간 사용하며 상태의 변화가 일어나는 냉장고, 에어컨, 세탁기는 긴시간의 전력량 데이터 추이와 상태변화에 따른 RLC 회로의 조합으로 분류하는 구성을 포함한다.
본 발명에 따른 전력 데이터 분석을 이용한 가전기기 분류를 위한 장치는 도 1에서와 같이, 소비 전력 데이터를 검출하는 소비전력 데이터 검출부(10)와, 소비 전력 데이터를 스트림으로 입력받아 저주파 성분 및 고주파 성분을 분리 추출하는 주파수 성분 추출부(20)와, 저주파 성분으로부터 전력량 데이터를 출력하고, 해당 데이터의 추이를 이용한 전력 분석 데이터를 출력하는 저주파 성분 분석 데이터 출력부(30)와, 고주파 성분으로부터 위상각 데이터를 출력하고, 고주파 성분으로부터 주파수 분석 데이터를 출력하는 고주파 성분 분석 데이터 출력부(40)와, 전류량의 변화와 위상각의 변화를 기준으로 임피던스 모델링을 하고 이를 이용한 가전 기기 분류를 하는 임피던스 모델링부(50)를 포함한다.
이와 같은 본 발명에 따른 전력 데이터 분석을 이용한 가전기기 분류를 위한 장치는 고주파수 성분과 주기 내 Peak값을 이용한 주파수 분석을 통하여 가전기기 분류를 위한 정보를 획득하는 것에 의해 다음과 같은 효과를 갖는다.
이전의 전력센서는 전력센서의 출력값을 이용 RMS를 계산하여 주기 시간에 대한 전력데이터를 제공하는데, 해당 데이터를 이용한 가전기기 분류 시 긴 시간동안의 소비 전력 추이를 이용한 분류방법을 사용해야 함에 따라, 가전기기의 실시간 분석(1~2초 이내)이 불가능 하다는 문제가 있다.
본 발명은 고주파수 성분과 주기 내 Peak값을 이용한 분류를 하는 것에 의해 이러한 RMS를 이용한 평균 값이 아닌, 전력데이터의 순간적인 변화를 감시함에 따라, 가전기기 개별의 전원 변화(ON/OFF, 상태 변화) 등을 감지 할 수 있어 순간적인 전력 분석과 기기 분류를 가능하게 한다.
또한, 가전기기의 특성상 순수 저항성분으로 이루어져 있는 것이 아닌 코일과 축전기 등의 성분의 조합으로 이루어 져 있는데, 주기내 Peak값의 위치는 이러한 RLC 조합의 변화에 따라 변하는 특성을 가지므로, 이를 이용하여 빠르게 기기의 변화를 감시할 수 있도록 한다.
이와 같은 구성을 갖는 본 발명에 따른 전력 데이터 분석을 이용한 가전기기 분류를 위한 장치의 상세 구성은 다음과 같다.
도 2는 본 발명에 따른 전력 데이터 분석을 이용한 가전기기 분류를 위한 장치의 상세 구성도이고, 도 3은 본 발명에 따른 임피던스 모델링부의 상세 구성도이다.
도 2에서와 같이, 주파수 성분 추출부(20)는 소비전력 데이터 검출부(10)에서 소비 전력 데이터를 스트림으로 입력받아 저주파 성분을 추출하는 저주파 통과 필터(20a)와, 소비전력 데이터 검출부(10)에서 소비 전력 데이터를 스트림으로 입력받아 고주파 성분을 추출하는 고주파 통과 필터(20b)를 포함한다.
그리고 저주파 성분 분석 데이터 출력부(30)는 저주파 통과 필터(20a)의 저주파 성분으로부터 전력량 데이터를 출력하는 전력량 데이터 출력부(30a)와, 저주파 통과 필터(20a)의 저주파 성분으로부터 해당 데이터의 추이를 이용한 전력 분석 데이터를 출력하는 전력 분석 데이터 출력부(30b)를 포함한다.
그리고 고주파 성분 분석 데이터 출력부(40)는 고주파 통과 필터(20b)의 고주파 성분으로부터 위상각 데이터를 출력하는 위상각 데이터 출력부(40a)와, 고주파 통과 필터(20b)의 고주파 성분으로부터 주파수 분석 데이터를 출력하는 주파수 분석 데이터 출력부(40b)를 포함한다.
이와 같은 구성을 갖는 본 발명에 따른 전력 데이터 분석을 이용한 가전기기 분류를 위한 장치에서 생성 변환된 에너지 데이터 셋(전력량 데이터, 전력 분석 데이터, 위상각 데이터, 주파수 분석 데이터)의 전체 혹은 일부의 조합을 이용하여 NILM 시스템의 학습 및 분류 데이터로 이용한다.
이와 같은 방법으로 추출한 에너지 데이터 셋(전력량 데이터, 전력 분석 데이터, 위상각 데이터, 주파수 분석 데이터)은 상황에 따라 여러가지 NILM 시스템의 학습 및 분류 데이터로 이용될 수 있는데, 예를 들어, 순간적인 ON/OFF 변화가 일어나는 TV, 헤어드라이기, 조명과 같은 가전기기의 변화는 순간적인 전력데이터의 변화를 이용하여 감시하고,　긴 시간 사용하며 상태의 변화가 일어나는 냉장고, 에어컨, 세탁기는 긴시간의 전력량 데이터 추이와 상태변화에 따른 RLC 회로의 조합으로 분류할 수 있도록 한다.
도 3은 도 2의 변환 기법을 통해 추출된 데이터의 시간 변화를 이용하여 새로운 기기의 추가와, multi-state의 기기의 상태 감지에 활용 가능한 임피던스를 모델링 하는 구성을 나타낸 것이다.
임피던스 모델링부(50)는 소비전류, 전력의 전체량이 아닌 전류량의 변화와 위상각의 변화를 기준으로 가전 기기 분류를 위한 정보를 2차 추출하는 임피던스 분석부(50a) 및 이를 이용한 가전 기기 분류부(50b)를 포함한다.
이와 같은 임피던스 모델링부(50)에 의한 임피던스 모델링은 고주파 분석을 통하여 내부 가전기기들의 변화와 RLC성분(내부 저항 / 코일 / 축전기)의 변화를 모델링하는 것으로, 이를 이용하여 개별 가전기기의 RLC성분 벡터를 추출 할 수 있고, 전체 전력데이터가 어떠한 RLC성분들의 조합으로 이루어져 있는지 분석을 가능하게 한다.
이와 같은 임피던스 모델링으로 이전의 전체 전력데이터를 이용한 1차원 분석에 비해 더욱 더 세밀한 조합이 가능하도록 한다.
예를 들어, 같은 10W 를 사용하는 기기일 지라도, 내부 성분의 구성에 따라 다른 2차원 구성으로 분류할 수 있음에 따라 더욱더 세밀한 기기분류를 가능하게 할 수 있다.
이와 같이 본 발명은 소비전류, 전력의 전체량이 아닌 전류량의 변화와 위상각의 변화를 기준으로 2차 추출한 임피던스 모델은 단일 변수로 SVM과 같은 간단한 머신러닝 기법뿐 아니라 딥러닝을 활용한 복잡한 분류기법에서의 추가 입력 변수로 활용 가능하여 기기분류의 정확도를 높일 수 있다.
또한, 상태의 변화에 따라 분류한 TV의 ON/OFF 상태의 변화가, 긴시간 추이에서는 나타나지 않을때, 데이터를 다시 학습하여 정확도를 올리거나, 새로운 기기의 추가 혹은 TV의 고장 상태를 알려 주는 등의 서비스에 이용할 수도 있다.
이와 같은 구성을 갖는 본 발명에 따른 전력 데이터 분석을 이용한 가전기기 분류를 위한 장치에서의 가전 기기 분류 과정을 구체적으로 설명하면 다음과 같다.
도 4는 본 발명에 따른 전력 데이터 분석을 이용한 가전기기 분류를 위한 방법을 나타낸 플로우 차트이다.
먼저, 전력센서에서 소비 전력 데이터를 스트림으로 입력받아 저주파 성분 및 고주파 성분의 주파수 성분을 추출한다.(S401)
이어, 저주파 성분으로부터 전력량 데이터를 출력하고, 저주파 성분으로부터 해당 데이터의 추이를 이용한 전력 분석 데이터를 출력한다.(S402)
그리고 고주파 성분으로부터 위상각 데이터를 출력하고, 고주파 성분으로부터 주파수 분석 데이터를 출력한다.(S403)
이어, 가전기기 분류 모델에 사용될 에너지 데이터 셋을 추출하고(S404), 전력량 데이터, 전력 분석 데이터, 위상각 데이터, 주파수 분석 데이터의 전체 혹은 일부의 조합을 NILM 시스템의 학습 및 분류 데이터로 이용한다.(S405)
이와 같은 본 발명에 따른 전력 데이터 분석을 이용한 가전기기 분류를 위한 장치 및 방법은 수용가에서 수집되는 전력 데이터를 분석하여 사용 중인 가전기기를 분류하는 방법인 NILM(Non-Intrusive Load Monitoring)에 머신러닝과 최신 기술인 딥러닝(Deep Learning)을 적용하기 전에 필터를 이용하여 전력의 임피던스 성분을 추출하여 가전기기를 분류하는 것이다.
이상에서의 설명에서와 같이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 본 발명이 구현되어 있음을 이해할 수 있을 것이다.
그러므로 명시된 실시 예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 하고, 본 발명의 범위는 전술한 설명이 아니라 특허청구 범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.
10. 소비전력 데이터 검출부 20. 주파수 성분 추출부
30. 저주파 성분 분석 데이터 출력부 40. 고주파 성분 분석 데이터 출력부
50. 임피던스 모델링부

Claims (14)

  1. 소비 전력 데이터를 검출하는 소비전력 데이터 검출부;
    소비 전력 데이터를 스트림으로 입력받아 저주파 성분 및 고주파 성분을 분리 추출하는 주파수 성분 추출부;
    저주파 성분으로부터 전력량 데이터를 출력하고, 해당 데이터의 추이를 이용한 전력 분석 데이터를 출력하는 저주파 성분 분석 데이터 출력부;
    고주파 성분으로부터 위상각 데이터를 출력하고, 고주파 성분으로부터 주파수 분석 데이터를 출력하는 고주파 성분 분석 데이터 출력부;
    상기 저주파 성분 분석 데이터 출력부 및 상기 고주파 성분 분석 데이터 출력부에서 출력되는 저주파 성분 분석 데이터 및 고주파 성분 분석 데이터에 따른 전류량의 변화와 위상각의 변화를 기준으로 임피던스 모델링을 하고 이를 이용한 가전 기기 분류를 하는 임피던스 모델링부;를 포함하고,
    상기 임피던스 모델링부는,전류량의 변화와 위상각의 변화를 기준으로 가전 기기 분류를 위한 정보를 2차 추출하는 임피던스 분석부와,임피던스 분석부의 분석 결과를 이용하여 가전 기기를 분류하는 가전 기기 분류부를 포함하고, 임피던스 모델링에 의해 전력량 데이터, 전력 분석 데이터, 위상각 데이터, 주파수 분석 데이터의 전체 혹은 일부의 조합을 NILM 시스템의 학습 및 분류 데이터로 이용하는 것을 특징으로 하는 전력 데이터 분석을 이용한 가전기기 분류를 위한 장치.
  2. 제 1 항에 있어서, 상기 주파수 성분 추출부는,
    소비전력 데이터 검출부에서 소비 전력 데이터를 스트림으로 입력받아 저주파 성분을 추출하는 저주파 통과 필터와,
    소비전력 데이터 검출부에서 소비 전력 데이터를 스트림으로 입력받아 고주파 성분을 추출하는 고주파 통과 필터를 포함하는 것을 특징으로 하는 전력 데이터 분석을 이용한 가전기기 분류를 위한 장치.
  3. 제 1 항에 있어서, 상기 저주파 성분 분석 데이터 출력부는,
    저주파 통과 필터의 저주파 성분으로부터 전력량 데이터를 출력하는 전력량 데이터 출력부와,
    저주파 통과 필터의 저주파 성분으로부터 해당 데이터의 추이를 이용한 전력 분석 데이터를 출력하는 전력 분석 데이터 출력부를 포함하는 것을 특징으로 하는 전력 데이터 분석을 이용한 가전기기 분류를 위한 장치.
  4. 제 1 항에 있어서, 상기 고주파 성분 분석 데이터 출력부는,
    고주파 통과 필터의 고주파 성분으로부터 위상각 데이터를 출력하는 위상각 데이터 출력부와,
    고주파 통과 필터의 고주파 성분으로부터 주파수 분석 데이터를 출력하는 주파수 분석 데이터 출력부를 포함하는 것을 특징으로 하는 전력 데이터 분석을 이용한 가전기기 분류를 위한 장치.
  5. 삭제
  6. 제 1 항에 있어서, 임피던스 모델링부에 의한 임피던스 모델링은,
    고주파 분석을 통하여 내부 가전기기들의 변화와 RLC 성분의 변화를 모델링하여 개별 가전기기의 RLC 성분 벡터를 추출하고,
    전체 전력데이터가 어떤 RLC 성분들의 조합으로 이루어져 있는지 분석할 수 있도록 하는 것을 특징으로 하는 전력 데이터 분석을 이용한 가전기기 분류를 위한 장치.
  7. 삭제
  8. 제 1 항에 있어서, 임피던스 모델링부의 임피던스 모델링을 통하여 임피던스 성분을 추출하는 것에 의해 전력데이터의 순간적인 변화를 감시하고, 가전기기 개별의 전원 변화에 따른 순간적인 전력 분석과 기기 분류를 하는 것을 특징으로 하는 전력 데이터 분석을 이용한 가전기기 분류를 위한 장치.
  9. 제 1 항에 있어서, 임피던스 모델링부의 임피던스 모델링을 통하여,
    순간적인 ON/OFF 변화가 일어나는 TV, 헤어드라이기, 조명과 같은 가전기기의 변화는 순간적인 전력데이터의 변화를 이용하여 감시하고,
    긴 시간 사용하며 상태의 변화가 일어나는 냉장고, 에어컨, 세탁기는 긴시간의 전력량 데이터 추이와 상태변화에 따른 RLC 회로의 조합으로 분류하는 것을 특징으로 하는 전력 데이터 분석을 이용한 가전기기 분류를 위한 장치.
  10. 소비전력 데이터 검출부에서 소비 전력 데이터를 스트림으로 입력받아 저주파 성분 및 고주파 성분의 주파수 성분을 추출하는 단계;
    저주파 성분 분석 데이터 출력부에서 저주파 성분으로부터 전력량 데이터를 출력하고, 저주파 성분으로부터 해당 데이터의 추이를 이용한 전력 분석 데이터를 출력하는 단계;
    고주파 성분 분석 데이터 출력부에서 고주파 성분으로부터 위상각 데이터를 출력하고, 고주파 성분으로부터 주파수 분석 데이터를 출력하는 단계;
    가전기기 분류 모델에 사용될 에너지 데이터 셋을 추출하고, 전력량 데이터, 전력 분석 데이터, 위상각 데이터, 주파수 분석 데이터의 전체 혹은 일부의 조합을 NILM 시스템의 학습 및 분류 데이터로 제공하는 단계;를 포함하고,
    상기 저주파 성분 분석 데이터 출력부 및 상기 고주파 성분 분석 데이터 출력부에서 출력되는 저주파 성분 분석 데이터 및 고주파 성분 분석 데이터에 따른 전류량의 변화와 위상각의 변화를 기준으로 임피던스 모델링을 하는 단계를 더 포함하는 것을 특징으로 하는 전력 데이터 분석을 이용한 가전기기 분류를 위한 방법.
  11. 삭제
  12. 삭제
  13. 제 10 항에 있어서, 임피던스 모델링에 의해,
    고주파 분석을 통하여 내부 가전기기들의 변화와 RLC 성분의 변화를 모델링하여 개별 가전기기의 RLC 성분 벡터를 추출하고,
    전체 전력데이터가 어떤 RLC 성분들의 조합으로 이루어져 있는지 분석할 수 있도록 하는 것을 특징으로 하는 전력 데이터 분석을 이용한 가전기기 분류를 위한 방법.
  14. 제 10 항에 있어서, 임피던스 모델링을 통하여 임피던스 성분을 추출하는 것에 의해 전력데이터의 순간적인 변화를 감시하고, 가전기기 개별의 전원 변화에 따른 순간적인 전력 분석과 기기 분류를 하는 것을 특징으로 하는 전력 데이터 분석을 이용한 가전기기 분류를 위한 방법.
KR1020170170687A 2017-12-12 2017-12-12 전력 데이터 분석을 이용한 가전기기 분류를 위한 장치 및 방법 KR102049453B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020170170687A KR102049453B1 (ko) 2017-12-12 2017-12-12 전력 데이터 분석을 이용한 가전기기 분류를 위한 장치 및 방법
PCT/KR2017/014595 WO2019117337A1 (ko) 2017-12-12 2017-12-13 전력 데이터 분석을 이용한 가전기기 분류를 위한 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170170687A KR102049453B1 (ko) 2017-12-12 2017-12-12 전력 데이터 분석을 이용한 가전기기 분류를 위한 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20190070147A KR20190070147A (ko) 2019-06-20
KR102049453B1 true KR102049453B1 (ko) 2019-11-28

Family

ID=66820739

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170170687A KR102049453B1 (ko) 2017-12-12 2017-12-12 전력 데이터 분석을 이용한 가전기기 분류를 위한 장치 및 방법

Country Status (2)

Country Link
KR (1) KR102049453B1 (ko)
WO (1) WO2019117337A1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10983496B1 (en) 2020-10-13 2021-04-20 King Abdulaziz University Apparatus and method for non-intrusive load monitoring aided hybrid high and low frequency approaches
KR20210106180A (ko) 2020-02-20 2021-08-30 세종대학교산학협력단 다중상태 에너지 분류에 따른 비침입부하모니터링 성능 평가 시스템 및 방법
KR20220008511A (ko) 2020-07-14 2022-01-21 세종대학교산학협력단 스마트미터 데이터를 사용한 건물 에너지 소비 프로파일링 장치 및 방법

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102324103B1 (ko) * 2020-12-30 2021-11-10 주식회사 트위니 전력데이터와 운영데이터의 수집분석 시스템
KR102446901B1 (ko) * 2020-12-30 2022-09-26 주식회사 아이캡틴 가전기기 전력 분석 장치 및 방법
KR102642500B1 (ko) * 2021-12-21 2024-02-29 국립목포대학교 산학협력단 공간 매칭을 이용한 배터리 Near-Field 무선 셀 밸런싱

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013238523A (ja) * 2012-05-16 2013-11-28 Nippon Telegr & Teleph Corp <Ntt> 電気機器検出および電力消費量モニタリングシステム
JP2014017994A (ja) * 2012-07-10 2014-01-30 Nippon Telegr & Teleph Corp <Ntt> 電気機器識別方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101172602B1 (ko) 2010-08-24 2012-08-08 강릉원주대학교산학협력단 가전기기별 전력 관리를 위한 방법, 시스템 및 컴퓨터 판독 가능한 기록 매체
JP2012222976A (ja) * 2011-04-11 2012-11-12 Panasonic Corp 電力管理装置及びその方法
KR20140065897A (ko) * 2012-11-22 2014-05-30 삼성전자주식회사 전력 부하 모니터링 장치 및 방법
KR101411254B1 (ko) 2012-11-22 2014-07-01 아주대학교산학협력단 전력 소모 패턴 학습을 이용한 가전기기 판단 시스템 및 방법
KR101793991B1 (ko) * 2015-11-12 2017-11-06 한국에너지기술연구원 가전기기 전력 사용량 측정 장치, 시스템 및 방법
KR101714698B1 (ko) * 2015-11-25 2017-03-09 고려대학교 산학협력단 전력신호를 이용한 가전기기 식별 장치 및 식별 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013238523A (ja) * 2012-05-16 2013-11-28 Nippon Telegr & Teleph Corp <Ntt> 電気機器検出および電力消費量モニタリングシステム
JP2014017994A (ja) * 2012-07-10 2014-01-30 Nippon Telegr & Teleph Corp <Ntt> 電気機器識別方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210106180A (ko) 2020-02-20 2021-08-30 세종대학교산학협력단 다중상태 에너지 분류에 따른 비침입부하모니터링 성능 평가 시스템 및 방법
KR20220008511A (ko) 2020-07-14 2022-01-21 세종대학교산학협력단 스마트미터 데이터를 사용한 건물 에너지 소비 프로파일링 장치 및 방법
US10983496B1 (en) 2020-10-13 2021-04-20 King Abdulaziz University Apparatus and method for non-intrusive load monitoring aided hybrid high and low frequency approaches

Also Published As

Publication number Publication date
KR20190070147A (ko) 2019-06-20
WO2019117337A1 (ko) 2019-06-20

Similar Documents

Publication Publication Date Title
KR102049453B1 (ko) 전력 데이터 분석을 이용한 가전기기 분류를 위한 장치 및 방법
US9558404B2 (en) Method and device for filtering electrical consumption curves and allocating consumption to classes of appliances
Himeur et al. Effective non-intrusive load monitoring of buildings based on a novel multi-descriptor fusion with dimensionality reduction
JP6144408B2 (ja) エネルギー計測情報ラベリングシステムおよびエネルギー計測情報ラベリングサーバ
KR20180058113A (ko) 가전기기 고유값 추출을 이용한 가전기기 분류 시스템 및 방법
CN111242391B (zh) 用于电力负荷识别的机器学习模型训练方法及系统
CN108021736A (zh) 一种基于滑动窗残差模型的负荷投切动作监测方法
Yu et al. Nonintrusive appliance load monitoring for smart homes: Recent advances and future issues
JP5520338B2 (ja) 電気機器検出および電力消費量モニタリングシステム
JP5729162B2 (ja) 電力管理装置
KR20110084898A (ko) 장치에 의하여 소비되는 전력을, 부하 과도현상을 분석함으로써, 비침습적으로 결정하는 방법 및 장치
JP5492148B2 (ja) 電気機器識別装置、電気機器識別方法及び電気機器識別プログラム
Nguyen et al. A novel feature extraction and classification algorithm based on power components using single-point monitoring for NILM
CN103292989A (zh) 断路器机械特性性能测试方法和系统
CN102566555A (zh) 基于模式识别的白色家电工作状态监测方法
US20160109492A1 (en) Method and system for analysing electricity consumption
Barsocchi et al. Smart meter led probe for real-time appliance load monitoring
US10942205B2 (en) Method and system for analyzing electricity consumption
Anderson Non-intrusive load monitoring: Disaggregation of energy by unsupervised power consumption clustering
Hernandez et al. Development of a non-intrusive load monitoring (nilm) with unknown loads using support vector machine
Dinesh et al. Individual power profile estimation of residential appliances using low frequency smart meter data
Wagenitz et al. Lifetime evaluation of IGBT power modules applying a nonlinear saturation voltage observer
Akselrad et al. Making home energy usage transparent for households using smart meters
Massidda et al. Non-intrusive load disaggregation via a fully convolutional neural network: improving the accuracy on unseen household
Jonetzko et al. High frequency non-intrusive electric device detection and diagnosis

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right