KR102060301B1 - 전력데이터 기반 생활 행동 패턴 분석 장치 및 방법 - Google Patents

전력데이터 기반 생활 행동 패턴 분석 장치 및 방법 Download PDF

Info

Publication number
KR102060301B1
KR102060301B1 KR1020190045854A KR20190045854A KR102060301B1 KR 102060301 B1 KR102060301 B1 KR 102060301B1 KR 1020190045854 A KR1020190045854 A KR 1020190045854A KR 20190045854 A KR20190045854 A KR 20190045854A KR 102060301 B1 KR102060301 B1 KR 102060301B1
Authority
KR
South Korea
Prior art keywords
behavior
life
power
data
life behavior
Prior art date
Application number
KR1020190045854A
Other languages
English (en)
Inventor
명노길
임용훈
주성호
강명모
서인용
Original Assignee
한국전력공사
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 한국전력공사 filed Critical 한국전력공사
Priority to KR1020190045854A priority Critical patent/KR102060301B1/ko
Application granted granted Critical
Publication of KR102060301B1 publication Critical patent/KR102060301B1/ko

Links

Images

Classifications

    • 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
    • G06Q50/10—Services
    • G06Q50/22—Social work
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R21/00—Arrangements for measuring electric power or power factor
    • G01R21/001—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
    • G01R22/10—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods using digital techniques
    • 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
    • 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
    • G06Q50/10—Services
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Power Engineering (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Educational Administration (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Security & Cryptography (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Child & Adolescent Psychology (AREA)
  • Alarm Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

본 발명은 전력데이터를 기반으로 하여 독거노인의 무구속 일상 생활 행동 패턴을 분석하는 장치 및 방법에 관한 것이다.
본 발명의 일 실시 예에 따른 전력데이터 기반 생활 행동 패턴 분석 장치는, 디지털 전력량계로부터 독거노인의 가구별 전력사용량을 수집하여 가전기기 제품군을 분류하고, 이를 이용하여 전력데이터 데이터셋을 생성하는 전력사용 분석부와, 독거노인 표본으로부터 생성한 정규화된 표본 데이터셋과 전력데이터 데이터셋을 비교하여 전력데이터 수집 시점에서 독거노인의 1차 생활 행동 패턴을 판단하는 행위 분석부와, 시간, 기온, 날씨, 요일 중 하나 이상을 포함하는 생활 환경 조건에 따라 부여된 생활 행동 가중치를 기반으로 전력데이터 수집 시점의 추천 생활 행동 목록을 생성하여 제공하는 생활행동 추천부와, 행위 분석가 판단한 1차 생활 행동 패턴과 생활행동 추천부가 제공하는 추천 생활 행동 목록을 이용하여 전력데이터 수집 시점에서 독거노인의 2차 생활 행동 패턴을 판단하여 저장하는 행위 판단부를 포함한다.

Description

전력데이터 기반 생활 행동 패턴 분석 장치 및 방법{APPARATUS AND METHOD FOR ANALYSING LIVING PATTERN BASED ON POWER DATA}
본 발명은 전력데이터를 기반으로 하여 독거노인의 무구속 일상 생활 행동 패턴을 분석하는 장치 및 방법에 관한 것이다.
기존 행동인식 기술은 스마트폰 또는 스마트폰과 연결된 다수의 센서에서 수집되는 기능 데이터를 활용하거나 사람의 행동을 통하여 건강 상태를 유추할 수 있는 온바디 센서 기반의 행동인식 기술을 사용하였다. 그리고 전력센서로부터 임피던스를 분석하여 사용중인 가전기기를 분류하는 방법인 NILM(non-intrusive load monitoring)을 통해 정확한 가전기기 판단을 위한 방법이나 이를 활용한 부하 모니터링 또 외부 환경(계절, 온도)에 따른 가전기기 사용량과 독거노인의 병력 등에 기반한 독거노인의 위험도를 분석하는 방식이 있다.
사용자의 행동 정보나 위치 정보를 파악하기 위한 종래의 기술은 별도의 센서를 공간에 설치하는 기반 시설에 의존하는 센서나 가전기기 사용 패턴 분석 방법인 NILM 알고리즘이 탑재된 별도의 전력센서 기기를 사용하는 방법은 많은 센서들을 장착하여야 하기 때문에 비용과 설치, 그리고 항상 정상상태로 동작하여야 센싱이 가능하다는 등 실용적인 문제가 있다. 둘째 스마트폰을 이용하는 방식은 현재 널리 사용되고 있으나 사용자가 가정 내에 있을 때에는 사용에 제약이 있다. 일례로 사용자가 스마트폰을 충전하거나 소지하고 있지 않아 사용자로부터 직접 행동 인지 정보를 획득하지 못할 수도 있다. 마지막으로 온바디 센서는 신호 수집으로 인해 전력소모가 심하다는 문제가 있다. 배터리 용량이 상대적으로 작기 때문에 크기의 제한으로 충분한 능력을 발휘하기 힘들다.
전술한 배경기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.
국내 등록특허공보 제10-1155864호
본 발명은 전술한 문제점 및/또는 한계를 해결하기 위해 안출된 것으로, 일 측면에 따른 본 발명의 목적은 디지털 전력량계로부터 수집 가능한 정보를 기반으로 별도의 센서 없이 독거노인의 생활 행동 패턴을 무구속 방식(별도의 온바디 센서나 행동 센서 없이) 분석하는데 있다.
또한 디지털 전력량계에서 제공 가능한 데이터로부터 가전기기의 클래스(class)를 부하의 종류(R,L,C)에 따라 휴리스틱(heuristic)하게 분류하여 고객들의 표본 모집군과 딥러닝 기반의 액티비티를 추가하여 분류된 가전기기 제품군의 사용량에 따른 독거노인의 일상 행동 생활 행동 패턴을 정의하는데 있다.
본 발명의 일 실시 예에 따른 전력데이터 기반 생활 행동 패턴 분석 장치는, 디지털 전력량계로부터 독거노인의 가구별 전력사용량을 수집하여 가전기기 제품군을 분류하고, 이를 이용하여 전력데이터 데이터셋을 생성하는 전력사용 분석부; 독거노인 표본으로부터 생성한 정규화된 표본 데이터셋과 상기 전력데이터 데이터셋을 비교하여 전력데이터 수집 시점에서 독거노인의 1차 생활 행동 패턴을 판단하는 행위 분석부; 시간, 기온, 날씨, 요일 중 하나 이상을 포함하는 생활 환경 조건에 따라 부여된 생활 행동 가중치를 기반으로 상기 전력데이터 수집 시점의 추천 생활 행동 목록을 생성하여 제공하는 생활행동 추천부; 및 상기 행위 분석가 판단한 상기 1차 생활 행동 패턴과 상기 생활행동 추천부가 제공하는 상기 추천 생활 행동 목록을 이용하여 상기 전력데이터 수집 시점에서 독거노인의 2차 생활 행동 패턴을 판단하여 저장하는 행위 판단부;를 포함할 수 있다.
상기 전력사용 분석부는, 상기 디지털 전력량계로부터 수집한 유효전력량과 지상 및 진상 무효전력량을 이용하여, 상기 독거노인의 가구별 가전기기의 저항성 부하, 유도성 부하 및 용량성 부하를 포함하는 부하 특성을 고려하여, 상기 가전기기 제품군을 분류할 수 있다.
상기 행위 분석부는, 독거노인 표본으로부터 주거형태와 가전기기 보유 및 사용 현황에 대한 자료와, 기조사된 독거노인의 주거형태와 가전기기 보유 및 사용 현황정보 공개 자료를 수집하고, 상기 주거형태와 상기 가전기기를 그룹핑하여 주거환경 그룹을 정의하고, 상기 독거노인의 댁내 일상 생활 행동 패턴을 휴리스틱하게 규정하고, n개의 상기 주거환경 그룹과 휴리스틱하게 규정한 m개의 일상 생활 행동 패턴을 매핑한 n×m개의 가전기기 이용과 연관된 생활 환경 및 상기 주거환경 그룹과 상기 일상 생활 행동 패턴을 이용하여 상기 디지털 전력량계로부터 수집된 상기 전력데이터에 대해 일상 생활 행동을 기준으로 전력데이터 데이터셋을 매핑한 표본 데이터셋을 생성할 수 있다.
상기 행위 분석부는, 상기 표본 데이터셋을 일상 생활 행동을 기준으로, 동일한 일상 행동에 매핑되는 상기 전력데이터 데이터셋에 K-평균 알고리즘을 적용하여 X개의 그룹을 생성하고, 상기 동일한 일상 행동과 매핑된 상기 X개의 그룹 내의 상기 전력데이터 데이터셋의 각 데이터 항목별로 산술평균 및 표본오차를 계산하여 정규화 처리할 수 있다.
상기 행위 판단부는, 상기 생활행동 추천부로부터 수신한 상기 추천 생활 행동 목록이 기설정된 범위 내에 해당하는 경우 상기 행위 분석부가 판단한 상기 1차 생활 행동 패턴을 상기 2차 생활 행동 패턴으로 판단하여 저장하고, 상기 생활행동 추천부로부터 수신한 상기 추천 생활 행동 목록이 기설정된 범위 내에 해당하지 않는 경우 상기 생활행동 추천부로부터 수신한 상기 추천 생활 행동 목록의 최상위 행동 패턴을 상기 2차 생활 행동 패턴으로 판단하여 저장할 수 있다.
본 발명의 일 실시 예에 따른 전력데이터 기반 생활 행동 패턴 분석 방법은, 전력사용 분석부에 의해, 디지털 전력량계로부터 독거노인의 가구별 전력사용량을 수집하여 가전기기 제품군을 분류하고, 이를 이용하여 전력데이터 데이터셋을 생성하는 단계; 행위 분석부에 의해, 독거노인 표본으로부터 생성한 정규화된 표본 데이터셋과 상기 전력데이터 데이터셋을 비교하여 전력데이터 수집 시점에서 독거노인의 1차 생활 행동 패턴을 판단하는 단계; 생활행동 추천부에 의해, 시간, 기온, 날씨, 요일 중 하나 이상을 포함하는 생활 환경 조건에 따라 부여된 생활 행동 가중치를 기반으로 상기 전력데이터 수집 시점의 추천 생활 행동 목록을 생성하여 제공하는 단계; 및 행위 판단부에 의해, 상기 행위 분석부가 판단한 상기 1차 생활 행동 패턴과 상기 생활행동 추천부가 제공하는 상기 추천 생활 행동 목록을 이용하여 상기 전력데이터 수집 시점에서 독거노인의 2차 생활 행동 패턴을 판단하여 저장하는 단계;를 포함할 수 있다.
상기 생성하는 단계는, 상기 디지털 전력량계로부터 수집한 유효전력량과 지상 및 진상 무효전력량을 이용하여, 상기 독거노인의 가구별 가전기기의 저항성 부하, 유도성 부하 및 용량성 부하를 포함하는 부하 특성을 고려하여, 상기 가전기기 제품군을 분류하는 단계;를 포함할 수 있다.
상기 판단하는 단계는, 독거노인 표본으로부터 주거형태와 가전기기 보유 및 사용 현황에 대한 자료와, 기조사된 독거노인의 주거형태와 가전기기 보유 및 사용 현황정보 공개 자료를 수집하는 단계; 상기 주거형태와 상기 가전기기를 그룹핑하여 주거환경 그룹을 정의하고, 상기 독거노인의 댁내 일상 생활 행동 패턴을 휴리스틱하게 규정하는 단계; n개의 상기 주거환경 그룹과 휴리스틱하게 규정한 m개의 일상 생활 행동 패턴을 매핑한 n×m개의 가전기기 이용과 연관된 생활 환경 및 상기 주거환경 그룹과 상기 일상 생활 행동 패턴을 이용하여 생성한 행동 테스트 셋에 대해 각각 재현 실험 진행 결과를 수신하는 단계; 및 상기 디지털 전력량계로부터 수집된 상기 전력데이터에 대해 일상 생활 행동을 기준으로 재현된 실험 전력데이터 데이터셋을 매핑한 표본 데이터셋을 생성하는 단계;를 포함할 수 있다.
상기 판단하는 단계는, 상기 표본 데이터셋을 일상 생활 행동을 기준으로, 동일한 일상 행동에 매핑되는 상기 전력데이터 데이터셋에 K-평균 알고리즘을 적용하여 X개의 그룹을 생성하는 단계; 및 상기 동일한 일상 행동과 매핑된 상기 X개의 그룹 내의 상기 전력데이터 데이터셋의 각 데이터 항목별로 산술평균 및 표본오차를 계산하여 정규화 처리하는 단계;를 더 포함할 수 있다.
상기 저장하는 단계는, 상기 생활행동 추천부로부터 수신한 상기 추천 생활 행동 목록이 기설정된 범위 내에 해당하는 경우 상기 행위 분석가 판단한 상기 1차 생활 행동 패턴을 상기 2차 생활 행동 패턴으로 판단하여 저장하는 단계; 및 상기 생활행동 추천부로부터 수신한 상기 추천 생활 행동 목록이 기설정된 범위 내에 해당하지 않는 경우 상기 생활행동 추천부로부터 수신한 상기 추천 생활 행동 목록의 최상위 행동 패턴을 상기 2차 생활 행동 패턴으로 판단하여 저장하는 단계;를 포함할 수 있다.
이 외에도, 본 발명을 구현하기 위한 다른 방법, 다른 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램이 더 제공될 수 있다.
전술한 것 외의 다른 측면, 특징, 이점이 이하의 도면, 특허청구범위 및 발명의 상세한 설명으로부터 명확해질 것이다.
인구 고령화에 따른 전국 독거노인은 해마다 증가하는 추세로 향후 10년 내 전체 인구의 20%가 넘을 것을 예상되며 이에 따라 정부(지자체)에서는 독거노인 관리를 위해 케어서비스 담당자를 늘리고 있으나 한계가 있다. 이와 같은 문제를 해결하기 위해 다양한 연구가 진행되고 있으나 고비용에 따른 예산의 지속적인 투입이 곤란하고 또 신체부위 센서 부착에 따른 불편과 카메라 등 사생활 노출 거부감으로 확산에 어려움을 느끼고 있다.
국내 전력회사는 2021년까지 각 가정에 전력사용량을 원격으로 취득할 수 있는 AMI(advanced metering infrastructure) 시스템을 구축 완료할 예정으로 있어 공공데이터 수집에 대한 거부감이 적고 수집이 용이한 장점을 이용하여 이를 활용한 독거노인 응급상황 모니터링이 가능한 생활 행동 패턴 기술을 적용한 서비스를 제공할 수 있다.
최근 정부 규제 샌드박스 정책으로 한국전력의 전력사용데이터를 이용한 민간인 서비스가 가능해져 독거노인뿐만 아니라 사용자 가구의 행동 분석을 위한 데이터셋을 민간 사업 분야로 확대 적용이 가능할 수 있다.
본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시 예에 따른 생활 행동 패턴 분석 장치를 포함하는 전력데이터 기반 생활 행동 패턴 분석 시스템을 개략적으로 설명하기 위하여 도시한 도면이다.
도 2는 도 1의 생활 행동 패턴 분석 장치 중 전력사용 분석부에서 전력사용량 분석을 포함한 disaggregation 수행용 데이터셋(단상 기준)을 도시한 도면이다.
도 3은 도 1의 생활 행동 패턴 분석 장치에 포함된 전력사용 분석부가 디지털 전력량계로 수집한 전력사용데이터를 이용하여 가전기기 제품군을 분류하는 내용을 설명하기 위하여 도시한 도면이다.
도 4는 독거노인 표본 모집군으로부터 수집한 주거환경 자료를 레코드셋 형태로 분류하고 그룹핑하여 정의한 En(environment n)개의 주거환경 그룹을 도시한 도면이다.
도 5는 도 1의 전력데이터 기반 생활 행동 패턴 분석 시스템에서 특정 가전기기와 연관된 일상 생활 행동(Activity) 비교 판단용 독거노인 표본 데이터셋 생성을 설명하기 위하여 도시한 도면이다.
도 6은 도 5에서 생성한 독거노인 표본 데이터셋을 정규화를 설명하기 위하여 도시한 도면이다.
도 7은 도 1의 전력데이터 기반 생활 행동 패턴 분석 장치에서 딥러닝 기반 생활행동 추천부의 활용을 설명하기 위하여 도시한 도면이다.
도 8은 본 발명의 일 실시 예에 따른 전력데이터 기반 생활 행동 패턴 분석 방법을 설명하기 위한 흐름도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 설명되는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 아래에서 제시되는 실시 예들로 한정되는 것이 아니라, 서로 다른 다양한 형태로 구현될 수 있고, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 아래에 제시되는 실시 예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다. 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
이하, 본 발명에 따른 실시 예들을 첨부된 도면을 참조하여 상세히 설명하기로 하며, 첨부 도면을 참조하여 설명함에 있어, 동일하거나 대응하는 구성 요소는 동일한 도면번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 본 발명의 일 실시 예에 따른 생활 행동 패턴 분석 장치를 포함하는 전력데이터 기반 생활 행동 패턴 분석 시스템을 개략적으로 설명하기 위하여 도시한 도면이다. 도 1을 참조하면, 전력데이터 기반 생활 행동 패턴 분석 시스템은 독거노인 가구에 구비된 디지털 전력량계(100), 생활 행동 패턴 분석 장치(200), 독거노인 생활패턴 분석 전문가 시스템(300), 기상청(400), 케이웨더(500), 중계서버(600) 및 지자체(700)를 포함할 수 있다. 본 실시 예에서 생활 행동 패턴 분석 장치(200)는 전력사용 분석부(210), 행위 분석부(220), 생활행동 추천부(230), 행위 판단부(240) 및 데이터베이스(250)를 포함할 수 있다.
디지털 전력량계(스마트미터)(100)는 계량 데이터의 정확도를 형식인증 시험을 통해서 국가가 보정하는 장치로, 전력 센서에 비해서 정확도가 매우 우수하다(일반 고객용 전력량의 정확도는 1.0이며, 이 경우에는 정확도 오차가 ±1% 이내임). 디지털 전력량계(100)에 센싱된 전류, 전압 데이터를 디지털화하여 연산 가공한 후 필요한 전력 사용량(유효전력, 무효전력, 고조파, 에너지, 역률 등)을 생성하고, 생성한 데이터를 디지털 전력량계(100)가 사용하고 있는 프로토콜(예를 들면, 국제표준 IEC62056 시리즈인 DLMS/COSEM 프로토콜)로 변환한 후 통신장치(미도시)를 통해서 전력회사에 있는 상위 시스템으로 전송한다. 상위 시스템으로부터 정확한 시간을 전송 받아 시간을 주기적으로 보정함으로써 전력사용량 생성 시 정확한 타임 스탬핑(time stamping)을 수행할 수 있다. 정확하게 타임 스탬핑된 전력 사용량을 통해 일정 과거기간으로부터 특정 주기 별로 전력사용 총량 분석 및 개별 가전기기 별로 사용하는 전력량을 계산하거나 생성할 때 정확성을 높일 수 있다.
본 실시 예에서는 전력회사가 고객의 가정에 설치한 디지털 전력량계(100)의 계량 데이터를 이용하여 고객의 일상 행위 인지 기술을 통해, 고객의 생활 패턴을 도출하기 위한 디지털 전력량계(100) 전송 데이터셋을 정의한다. DLMS/COSEM 프로토콜을 사용할 경우에는 프로파일 생성용 IC(interface class)인 profile generic IC를 사용하여 다수의 오브젝트 항목을 하나의 프로파일로 구성할 수 있으며, 해당 오브젝트는 도 2와 같다. 가전기기군 특성값을 추출하기 위해 전력사용 분석부(210)에서 도 2의 항목 중 일부만 사용하고자 할 경우에는 해당하는 항목들로 별도의 프로파일링을 수행하여 사용할 수 있다.
전력사용 분석부(210)는 디지털 전력량계(100)로부터 독거노인의 가구별 전력사용량을 수집하여 가전기기 제품군을 분류하고, 이를 이용하여 전력데이터 데이터셋을 생성한다.
본 실시 예에서는 전력사용자 고객 중 독거노인의 일상 행위 인지에 기반한 생활 패턴 도출 방안을 설명한다. 기준 NILM 디바이스를 이용한 독거노인 돌봄 서비스나 수요관리 또는 가전기기의 전력 소비 패턴 분석에 이용할 목적으로 매 초당 전력사용 데이터를 센싱하여 가전기기의 고유값을 추출, 가전기기를 분류하여 해당 목적에 맞는 서비스를 제공하여 왔다. 그러나 생활 행동 패턴 분석을 목적으로 가전기기의 특성값을 도출하는 NILM 방식은 초당 고속 샘플링할 필요가 없다. 본 실시 예에 따른 NILM 기술은 최대 15분 주기 또는 최소 1분 주기로 생성되는 디지털 전력량계(100)의 전력사용량 데이터만으로도 충분히 생활 패턴 분석에 필요한 가전기기의 특성군 데이터셋을 만들 수 있다.
즉, 전력사용 분석부(210)는 상위 생활 패턴 분석 시스템과 시간 동기화된 디지털 전력량계(100)로부터 15분 주기마다 생성하는 누적 사용량(누적 시 현재 수집한 전력량에서 15분전 수집한 전력량을 차감하여 15분간 전력사용량을 계산) 또는 15분간 사용한 전력사용량(유효전력, 지상 무효전력, 진상 무효전력 등)을 이용하여 고객에서 사용하고 있는 가전기기군 데이터셋을 만들기 위한 특징값을 추출한다. 본 실시 예는 매초당 샘플링을 통해 가전기기 고유값을 추출하는 NILM 기술이 아니라 가전기기 군에 대한 특징값을 추출하는 기술을 사용한다. 실시 예로 현재 전력사의 수집주기인 15분을 기준으로 하고 있지만 향 후 수집 주기가 1분 또는 5분으로 단축될 예정이며, 상기와 같은 경우에도 동일하게 적용 가능하다.
도 3은 전력사용 분석부(210)가 디지털 전력량계(100)로 수집한 전력사용데이터를 이용하여 가전기기 제품군을 분류하는 내용을 설명하기 위하여 도시한 도면이다.
도 3a는 IEC 62053-23에서 정의한 사분면(quadrant)을 도시하고 있으며 import는 전력사에서 고객측으로 전력을 공급한다는 의미이며, export는 고객측에서 전력을 발전하여 전력사측으로 공급한다는 의미이다. 전력사용 분석부(210)가 고객의 전력사용량을 분석한다는 의미에서는 도 3a에서 오른쪽 박스 부분만 고려하면 된다.
도 3b는 저항성(resistive) 부하, 유도성(inductive) 부하, 용량성(capacitive) 부하가 존재할 경우, 도 3a의 IEC 62053-23에서 정의한 사분면(quadrant)에 고객의 전력 사용량을 표시한 것으로, 본 실시 예에서 정의한 전력데이터 수집 데이터셋을 통해 수집한 유효전력량, 지상/진상 무효전력량을 이용하여 1/4분면 또는 4/4 분면에 도식화 할 수 있다는 것을 보여준다. 순수한 유효전력량만 존재할 경우에는 저항성(resistive) 부하만 존재한다는 의미이며, 유효전력량 크기에 따라서 +방향의 X축 상에 명시할 수 있다. 순수한 지상무효전력량만 존재하면 유도성(inductive) 부하를 의미하며, 지상무효전력량 크기에 다라서 +Y축 상에 명시할 수 있다. 동일하게 순수한 진상무효전력량만 존재하면 용량성(capacitive) 부하를 의미하며, 진상무효전력량 크기에 따라 -Y축 상에 명시할 수 있다.
도 3c는 저항성(resistive) 부하, 유도성(inductive) 부하, 용량성(capacitive) 부하가 혼합되어 있는 경우, 도 3a의 IEC 62053-23에서 정의한 사분면(quadrant)에 고객의 전력 사용량을 표시한 것으로, 수집한 유효전력량, 지상무효전력량의 크기를 이용하여 1/4분면에 도식화한 일 예를 보여주고 있으며, 유효전력량과 진상무효전력량의 크기를 이용하여 4/4분면에서도 동일하게 도식화할 수 있다. 도 3c는 편의상 4개의 그룹으로 분류를 하였으나, 필요에 따라서 또는 머신러닝 또는 딥러닝 기술을 이용하여 가전기기 제품군에 대한 특성값을 도출한다면 그룹의 수를 확장하여 세밀화 할 수 있다. 도 3c에서 가전기기 그룹 F1은 지상무효전력량이 크지만 유효전력량이 작은 경우이며, 가전기기 그룹 F2는 지상무효전력량과 유효전력량이 큰 경우이며, 가전기기 그룹 F3은 지상무효전력량과 유효전력량이 작은 경우이며, 가전기기 그룹 F4는 지상무효전력량이 작고 유효전력량이 큰 경우이다. 따라서 디지털 전력량계(100)로부터 수집한 유효전력량과 지상/진상 무효전력량을 이용하여 1차적으로 고객의 전체 부하 특성을 고려하여 가전기기 제품을 군집(clustering) 형태로 분류할 수 있다.
본 실시 예에서는 상술한 분석방법과 함께 더욱 다양한 가전기기 제품군을 추출할 수 있는 방법으로, 전력사용 분석부(210)가 디지털 전력량계(100)가 생성한 고조파 데이터를 통한 고조파 성분의 크기와 위상각 분석을 시행(disaggregation)하는 경우, 전압, 전류 또는 전력 정보를 대상으로 별도의 FFT(fast fourier transform)를 수행하여 주파수별로 가전기기의 특징을 더 자세히 분류할 수 있다. 단, 디지털 전력량계(100)가 생성한 고조파 데이터를 이용할 경우, 본 실시 예에서 전력사용 분석부(210)에서 FFT를 수행할 필요는 없다.
도 3d는 디지털 전력량계(100)로부터 취득한 고조파 성분 분석을 통해 일 고객 단위 기준으로 가전기기별 군집 패턴분석의 예시를 보이는 도면으로, 도 3d와 같이 일 고객 단위 기준으로 고조파를 분석하면, 가전기기별 군집 패턴을 보다 세밀하게 분석할 수 있다. 일 예로, 가전기기 그룹 F1과 가전기기 그룹 F2는 유도성 부하 특성을 갖는 가전기기 집합군이며, 가전기기 그룹 F1은 모터류 군으로, 가전기기 그룹 F2는 기동장치류 군으로 구분할 수 있다. 가전기기 그룹 F3과 가전기기 그룹 F4는 저항성 부하 특성을 갖는 가전기기 집합군이며, 가전기기 그룹 F3은 전구류 군으로, 가전기기 그룹 F4는 다리미류 군으로 구분할 수 있다. 마지막으로 가전기기 그룹 F5는 용량성 부하를 갖는 가전기기 집합군이며, 콘덴서류 군으로 구분할 수 있다.
본 실시 예에서 전력데이터 데이터셋이라 함은, 디지털 전력량계(100)로부터 수집한 각종 자료(전력량 등)를 이용하여 도 3a 내지 도 3d와 같은 사분면(quadrant) 상에 저항성 부하, 유도성 부하, 용량성 부하와 같이 1차적으로 분류한 후 추가적인 작업을 통해 각각의 부하에 대해서 세분화하여 분류한 데이터셋을 포함할 수 있다.
이와 같이 본 실시 예에서는 디지털 전력량계(100)로부터의 전력사용량 데이터를 수집하여, 고객 즉, 독거노인의 특성 일상 생활 행동(Activity)을 추정할 수 있는 독거 노인 가구의 가전기기 제품에 대한 전력데이터 데이터셋을 생성하고, 이를 해당 일상 생활 행동(Activity)과 1:1 매핑된 독거노인 댁내 일상 행활 행동 패턴 분석을 위한 표본 데이터셋 [Am(Activity), 전력데이터 데이터셋{D1,D2,…..,Dk}](도 3 참조)을 생성하고, 정규화 작업을 거쳐 데이터베이스화 함으로써 전력사용량 데이터 분석을 통해 거부감 없이 무구속으로 독거노인의 일상 행활 행동 패턴을 추정 판단할 수 있다.
행위 분석부(220)는 독거노인 표본으로부터 생성한 정규화된 표본 데이터셋과 전력데이터 데이터셋을 비교하여 전력데이터 수집 시점에서 독거노인의 1차 생활 행동 패턴을 판단한다.
도 5를 참조하면, 행위 분석부(220)는 디지털 전력량계(100)를 통해 수집된 전력데이터로부터 독거노인의 일상 생활 행동 패턴을 비교판단하기 위한 표본 데이터셋을 생성하기 위해 독거노인 생활패턴 분석 전문가 시스템(300)을 활용할 수 있다. 이를 위해, 생활패턴 분석 전문가 시스템(300)은 독거노인 표본 모집군을 통한 주거형태(원룸, 투룸 등)와 가전기기 보유/사용 현황에 대한 조사와, 기조사된 정보공개 자료(중계 서버(600)를 통해 지자체로부터 수신하거나, 통계청, 사회복지과 등 유관부처 조사 자료)를 통해 수집한다.
행위 분석부(220)는 독거노인 생활패턴 분석 전문가 시스템(300)으로부터 수집된 정규화된 표본 데이터 셋과 주거환경 자료를 바탕으로 행위 분석을 위한 레코드셋(주거형태, 가전기기1, 가전기기2,…,가전기기i) 형태로 분류하고 이를 그룹핑하여 도 4와 같은 En(environment n)개의 주거환경 그룹을 정의한다.
또한, 행위 분석부(220)는 독거노인 댁내 일상 생활 행동 패턴에 따라 휴리스틱하게 Am(Activity m) 개로 규정한다. 예를 들어 A(Activity)1은 "방 전등을 켠다", A2는 "방 전등을 끈다", A3은 "욕실 등을 켠다", A4는 "욕실 등을 끈다",…, Am은 "세탁기를 가동시킨다"를 포함할 수 있다.
행위 분석부(220)는 독거노인 표본 모집군으로부터 산출된 n개의 주거환경 그룹(En: 모집군 중에서 유사/동일한 주거환경 집합군)과 휴리스틱하게 규정된 m개의 일상 생활 행동(Activity)을 매핑한 {n×m}개의 가전기기 이용과 연관된 생활 환경 및 행동 테스트 셋{En ∩ Am}에 대해 전력회사의 디지털 전력량계(100)로부터 수집된 각각의 전력데이터에 대해 도 5의 예시와 같이 독거노인 생활 분석 전문가 시스템(300)을 통해 일상 생활 행동(Activity)을 기준으로 전력데이터 데이터셋을 매핑한 표본 데이터셋 "Am(Activity), 전력데이터 데이터셋{D1,D2,…..,Dk}]을 생성 결과를 수신하여 데이터베이스(250)에 저장한다. 본 실시 예에서 표본 데이터셋은 독거노인 생활패턴 분석 전문가 시스템(300)이 데이터베이스(250)에 다이렉트로 저장할 수 있고, 또한 행위 분석부(220)가 독거노인 생활패턴 분석 전문가 시스템(300)로부터 표본 데이터 셋을 수신하여 데이터베이스(250)에 저장할 수도 있다.
행위 분석부(220)는 표본 데이터 셋을 데이터베이스(250)에 저장하기 전에 독거노인 표본 데이터셋을 정규화한다. 도 6을 참조하면, 행위 분석부(220)는 표본 데이터셋들을 일상 생활 행동(Activity) "Am"을 기준으로 동일한 "Am"에 매핑되는 전력데이터 데이터셋들에 대해 K-평균 알고리즘(k-means algorithm)을 이용하여 x개의 클러스터 즉, X개의 그룹을 생성한다. 행위 분석부(220)는 생성한 동일 {Am(Activity) & X개의 그룹} 내의 전력데이터 데이터셋들의 각 데이터 항목별로 산술평균 및 표본오차를 계산하여 정규화 처리하고, 이를 데이터베이스(250)에 저장한다.
즉 행위 분석부(220)는 전력사용 분석부(210)로부터 수신한 전력데이터 데이터셋을 독거노인 생활 패턴 분석 전문가 시스템(300)을 통해 데이터베이스화된 일상 생활 행동 패턴과 비교 판단을 하기 위한 정규화된 표본 데이터셋으로부터 각 전력데이터 데이터 항목별 평균값 및 표준편차를 이용하여 비교 분석하여 해당 전력데이터 데이터셋의 수집 시점에서 독거노인 댁내 일상 생활 행동 패턴을 1차 판단한 결과와 함께 전력데이터 데이터셋을 행위 판단부(240)로 전송한다.
행위 판단부(240)는 행위 분석부(220)로부터 수신한 전력데이터 중 수집 일시(년, 월, 일, 시)와 지역 정보를 생활행동 추천부(230)에 전달하여 해당 일시, 지역에서의 가중치 기반 생활 행동 추천 목록을 요청한다.
생활행동 추천부(230)는 행위 판단부(240)로부터 생활 행동 추천 목록 요청에 따라 전달 받은, 지역, 일시 정보를 이용하여 기상청(400), 케이웨더(500) 등의 날씨 정보를 제공하고, 웹사이트를 통해 해당 지역, 일시의 날씨 정보를 확인하고, 이를 기반으로 전력데이터 수집 시점의 생활 행동 추천 목록을 생성하여 행위 판단부(240)로 회신한다. 일 예로 전기장판의 사용과 전기밥솥의 사용은 디지털 전력량계(100)를 통해 15분 주기로 수집된 전력데이터 데이터셋에서는 같은 전열기기의 전기적 특성으로 인해 매우 유사한 가전기기 제품군으로 나타날 수 있어, 정규화된 전력데이터 데이터셋을 통한 비교 시에 같은 가전기기 제품군 데이터셋 그룹으로 판단될 가능성이 매우 높지만, 전력데이터 데이터셋과 매핑된 일상 생활 행동(Activity)의 범주는 매우 다르므로 다른 생활 행동 범주로서 그룹화 할 수 있다.
이를 해결하기 위해 도 7에 도시된 바와 같이, 시간, 날씨, 기온, 요일 등 일상 생활 환경 조건에 따른 일상 생활 행동(Activity) 가중치를 포함한 트레이닝 데이터를 딥러닝 기반으로 학습시킨 생활행동 추천부(230)를 이용하여 디지털 전력량계(100)를 통해 수집된 독거노인 가구의 가전기기 제품군과 연관된 최종적인 일상 생활 행동을 추천 받고, 이를 반영하여 최종 판단할 할 수 있도록 한다.
행위 판단부(240)는 생활행동 추천부(AI)(230)로부터 회신 받은 생활 행동 추천 목록 중에서 임의의 설정된 범위(예를 들어 상위 50% 이내)에 해당하는 경우 1차 판단된 일상 생활 행동 패턴을 최종 생활 행동 패턴으로서 2차 생활 행동 패턴으로 판단하여 저장하고, 행위 판단부(240)에서 생활행동 추천부(AI)(230)로부터 회신 받은 생활 행동 추천 목록 중에서 임의의 설정된 범위에 해당하지 않는 경우 추천 목록의 최상위 행동 패턴을 최종 생활 행동 패턴으로서 2차 생활 행동 패턴으로 판단하여 데이터베이스(250)에 저장한다.
여기서 설정된 범위는 절대적인 기준값은 아니며, 독거노인의 댁내에서 발생되는 일상 생활 행동에 대한 경우의 수는 제한적이기 때문에 기본적으로 중간 이상의 상위 추천 목록 중의 생활 행동으로 판단되면 현실적인 타당성이 매우 높다고 판단할 수 있는데 따른 기준값으로 예를 든 것이며, 운영상 축적된 시행착오를 통해 관리자에 의해 조정될 수 있는 가변적인 값이다.
도 8은 본 발명의 일 실시 예에 따른 전력데이터 기반 생활 행동 패턴 분석 방법을 설명하기 위한 흐름도이다. 이하의 설명에서 도 1 내지 도 7에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다.
도 8을 참조하면, S810단계에서, 생활 행동 패턴 분석 장치(200)는 디지털 전력량계(100)로부터 독거노인의 가구별 전력사용량을 수집하여 가전기기 제품군을 분류하고, 이를 이용하여 전력데이터 데이터셋을 생성한다. 생활 행동 패턴 분석 장치(200)는 디지털 전력량계(100)로부터 수집한 유효전력량과 지상 및 진상 무효전력량을 이용하여, 독거노인의 가구별 가전기기의 저항성 부하, 유도성 부하 및 용량성 부하를 포함하는 부하 특성을 고려하여, 가전기기 제품군을 분류한다.
S820단계에서, 생활 행동 패턴 분석 장치(200)는 수신한 독거노인 표본으로부터 생성한 정규화된 표본 데이터셋과 전력데이터 데이터셋을 비교하여 전력데이터 수집 시점에서 독거노인의 1차 생활 행동 패턴을 판단한다. 생활 행동 패턴 분석 장치(200)는 수신한 독거노인 표본으로부터 주거형태와 가전기기 보유 및 사용 현황에 대한 자료와, 기조사된 독거노인의 주거형태와 가전기기 보유 및 사용 현황정보 공개 자료를 수집한다. 생활 행동 패턴 분석 장치(200)는 주거형태와 가전기기를 그룹핑하여 주거환경 그룹을 정의하고, 독거노인의 댁내 일상 생활 행동 패턴을 휴리스틱하게 규정한다. 생활 행동 패턴 분석 장치(200)는 n개의 주거환경 그룹과 휴리스틱하게 규정한 m개의 일상 생활 행동 패턴을 매핑한 n×m개의 가전기기 이용과 연관된 생활 환경 및 주거환경 그룹과 일상 생활 행동 패턴을 이용하여 생성한 다. 생활 행동 패턴 분석 장치(200)는 디지털 전력량계(100)로부터 수집된 전력데이터로부터 일상 생활 행동을 기준으로 전력데이터 데이터셋을 매핑한 표본 데이터셋을 생성한다. 생활 행동 패턴 분석 장치(200)는 표본 데이터셋을 일상 생활 행동을 기준으로, 동일한 일상 행동에 매핑되는 전력데이터 데이터셋에 K-평균 알고리즘을 적용하여 X개의 그룹을 생성한다. 생활 행동 패턴 분석 장치(200)는 동일한 일상 행동과 매핑된 X개의 그룹 내의 전력데이터 데이터셋의 각 데이터 항목별로 산술평균 및 표본오차를 계산하여 정규화 처리한다.
S830단계에서, 생활 행동 패턴 분석 장치(200)는 시간, 기온, 날씨, 요일 중 하나 이상을 포함하는 생활 환경 조건에 따라 부여된 생활 행동 가중치를 기반으로 전력데이터 수집 시점의 추천 생활 행동 목록을 생성하여 제공한다.
S840단계에서, 생활 행동 패턴 분석 장치(200)는 1차 생활 행동 패턴과 추천 생활 행동 목록을 이용하여 전력데이터 수집 시점에서 독거노인의 2차 생활 행동 패턴을 판단하여 저장한다. 생활 행동 패턴 분석 장치(200)는 추천 생활 행동 목록이 기설정된 범위 내에 해당하는 경우 1차 생활 행동 패턴을 2차 생활 행동 패턴으로 판단하여 저장하고, 추천 생활 행동 목록이 기설정된 범위 내에 해당하지 않는 경우 추천 생활 행동 목록의 최상위 행동 패턴을 제2차 생활 행동 패턴으로 판단하여 저장한다.
이상 설명된 본 발명에 따른 실시 예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다.
한편, 상기 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.
본 발명의명세서(특히 특허청구범위에서)에서 "상기"의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. 또한, 본 발명에서 범위(range)를 기재한 경우 상기 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 상세한 설명에 상기 범위를 구성하는 각 개별적인 값을 기재한 것과 같다.
본 발명에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 상기 단계들은 적당한 순서로 행해질 수 있다. 반드시상기 단계들의 기재 순서에 따라 본 발명이 한정되는 것은 아니다. 본 발명에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 발명을 상세히 설명하기 위한 것으로서 특허청구 범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 본 발명의 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터에 따라 구성될 수 있음을 알 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시 예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구 범위뿐만 아니라 이 특허청구 범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.
100: 디지털 전력량계
200: 생활 행동 패턴 분석 장치
300: 독거노인 생활패턴 분석 전문가 시스템
400: 기상청
500: 케이웨더
600: 중계서버
700: 지자체

Claims (10)

  1. 디지털 전력량계로부터 독거노인의 가구별 전력사용량을 수집하여 가전기기 제품군을 분류하고, 이를 이용하여 전력데이터 데이터셋을 생성하는 전력사용 분석부;
    독거노인 표본으로부터 생성한 정규화된 표본 데이터셋과 상기 전력데이터 데이터셋을 비교하여 전력데이터 수집 시점에서 독거노인의 1차 생활 행동 패턴을 판단하는 행위 분석부;
    시간, 기온, 날씨, 요일 중 하나 이상을 포함하는 생활 환경 조건에 따라 부여된 생활 행동 가중치를 기반으로 상기 전력데이터 수집 시점의 추천 생활 행동 목록을 생성하여 제공하는 생활행동 추천부; 및
    상기 행위 분석부가 판단한 상기 1차 생활 행동 패턴과 상기 생활행동 추천부가 제공하는 상기 추천 생활 행동 목록을 이용하여 상기 전력데이터 수집 시점에서 독거노인의 2차 생활 행동 패턴을 판단하여 저장하는 행위 판단부;를 포함하고,
    상기 행위 분석부는, 독거노인 표본으로부터 주거형태와 가전기기 보유 및 사용 현황에 대한 자료와, 기조사된 독거노인의 주거형태와 가전기기 보유 및 사용 현황정보 공개 자료를 수집하고, 상기 주거형태와 상기 가전기기를 그룹핑하여 주거환경 그룹을 정의하고, 상기 독거노인의 댁내 일상 생활 행동 패턴을 휴리스틱하게 규정하고, n개의 상기 주거환경 그룹과 휴리스틱하게 규정한 m개의 일상 생활 행동 패턴을 매핑한 n×m개의 가전기기 이용과 연관된 생활 환경 및 일상 생활 행동 패턴을 규정하고, 상기 디지털 전력량계로부터 수집된 상기 전력데이터에 대해 일상 생활 행동을 기준으로 전력데이터 데이터셋을 매핑한 표본 데이터셋을 생성하는, 전력데이터 기반 생활 행동 패턴 분석 장치.
  2. 제 1항에 있어서, 상기 전력사용 분석부는,
    상기 디지털 전력량계로부터 수집한 유효전력량과 지상 및 진상 무효전력량을 이용하여, 상기 독거노인의 가구별 가전기기의 저항성 부하, 유도성 부하 및 용량성 부하를 포함하는 부하 특성을 고려하여, 상기 가전기기 제품군을 분류하는, 전력데이터 기반 생활 행동 패턴 분석 장치.
  3. 삭제
  4. 제 1항에 있어서, 상기 행위 분석부는,
    상기 표본 데이터셋을 일상 생활 행동을 기준으로, 동일한 일상 행동에 매핑되는 상기 전력데이터 데이터셋에 K-평균 알고리즘을 적용하여 X개의 그룹을 생성하고,
    상기 동일한 일상 행동과 매핑된 상기 X개의 그룹 내의 상기 전력데이터 데이터셋의 각 데이터 항목별로 산술평균 및 표본오차를 계산하여 정규화 처리하는, 전력데이터 기반 생활 행동 패턴 분석 장치.
  5. 제 1항에 있어서, 상기 행위 판단부는,
    상기 생활행동 추천부로부터 수신한 상기 추천 생활 행동 목록이 기설정된 범위 내에 해당하는 경우 상기 행위 분석가 판단한 상기 1차 생활 행동 패턴을 상기 2차 생활 행동 패턴으로 판단하여 저장하고, 상기 생활행동 추천부로부터 수신한 상기 추천 생활 행동 목록이 기설정된 범위 내에 해당하지 않는 경우 상기 생활행동 추천부로부터 수신한 상기 추천 생활 행동 목록의 최상위 행동 패턴을 상기 2차 생활 행동 패턴으로 판단하여 저장하는, 전력데이터 기반 생활 행동 패턴 분석 장치.
  6. 전력사용 분석부에 의해, 디지털 전력량계로부터 독거노인의 가구별 전력사용량을 수집하여 가전기기 제품군을 분류하고, 이를 이용하여 전력데이터 데이터셋을 생성하는 단계;
    행위 분석부에 의해, 독거노인 표본으로부터 생성한 정규화된 표본 데이터셋과 상기 전력데이터 데이터셋을 비교하여 전력데이터 수집 시점에서 독거노인의 1차 생활 행동 패턴을 판단하는 단계;
    생활행동 추천부에 의해, 시간, 기온, 날씨, 요일 중 하나 이상을 포함하는 생활 환경 조건에 따라 부여된 생활 행동 가중치를 기반으로 상기 전력데이터 수집 시점의 추천 생활 행동 목록을 생성하여 제공하는 단계; 및
    행위 판단부에 의해, 상기 행위 분석가 판단한 상기 1차 생활 행동 패턴과 상기 생활행동 추천부가 제공하는 상기 추천 생활 행동 목록을 이용하여 상기 전력데이터 수집 시점에서 독거노인의 2차 생활 행동 패턴을 판단하여 저장하는 단계;를 포함하며,
    상기 독거노인의 1차 생활 행동 패턴을 판단하는 단계는,
    독거노인 표본으로부터 주거형태와 가전기기 보유 및 사용 현황에 대한 자료와, 기조사된 독거노인의 주거형태와 가전기기 보유 및 사용 현황정보 공개 자료를 수집하는 단계;
    상기 주거형태와 상기 가전기기를 그룹핑하여 주거환경 그룹을 정의하고, 상기 독거노인의 댁내 일상 생활 행동 패턴을 휴리스틱하게 규정하는 단계;
    n개의 상기 주거환경 그룹과 휴리스틱하게 규정한 m개의 일상 생활 행동 패턴을 매핑한 n×m개의 가전기기 이용과 연관된 생활 환경 및 상기 주거환경 그룹과 상기 일상 생활 행동 패턴을 규정하는 단계; 및
    상기 디지털 전력량계로부터 수집된 상기 전력데이터에 대해 일상 생활 행동을 기준으로 전력데이터 데이터셋을 매핑한 표본 데이터셋을 생성하는 단계;를 포함하는, 전력데이터 기반 생활 행동 패턴 분석 방법.
  7. 제 6항에 있어서, 상기 생성하는 단계는,
    상기 디지털 전력량계로부터 수집한 유효전력량과 지상 및 진상 무효전력량을 이용하여, 상기 독거노인의 가구별 가전기기의 저항성 부하, 유도성 부하 및 용량성 부하를 포함하는 부하 특성을 고려하여, 상기 가전기기 제품군을 분류하는 단계;를 포함하는, 전력데이터 기반 생활 행동 패턴 분석 방법.
  8. 삭제
  9. 제 6항에 있어서, 상기 판단하는 단계는,
    상기 표본 데이터셋을 일상 생활 행동을 기준으로, 동일한 일상 행동에 매핑되는 상기 전력데이터 데이터셋에 K-평균 알고리`즘을 적용하여 X개의 그룹을 생성하는 단계; 및
    상기 동일한 일상 행동과 매핑된 상기 X개의 그룹 내의 상기 전력데이터 데이터셋의 각 데이터 항목별로 산술평균 및 표본오차를 계산하여 정규화 처리하는 단계;를 더 포함하는, 전력데이터 기반 생활 행동 패턴 분석 방법.
  10. 제 6항에 있어서, 상기 저장하는 단계는,
    상기 생활행동 추천부로부터 수신한 상기 추천 생활 행동 목록이 기설정된 범위 내에 해당하는 경우 상기 행위 분석가 판단한 상기 1차 생활 행동 패턴을 상기 2차 생활 행동 패턴으로 판단하여 저장하는 단계; 및
    상기 생활행동 추천부로부터 수신한 상기 추천 생활 행동 목록이 기설정된 범위 내에 해당하지 않는 경우 상기 생활행동 추천부로부터 수신한 상기 추천 생활 행동 목록의 최상위 행동 패턴을 상기 2차 생활 행동 패턴으로 판단하여 저장하는 단계;를 포함하는, 전력데이터 기반 생활 행동 패턴 분석 방법.
KR1020190045854A 2019-04-19 2019-04-19 전력데이터 기반 생활 행동 패턴 분석 장치 및 방법 KR102060301B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190045854A KR102060301B1 (ko) 2019-04-19 2019-04-19 전력데이터 기반 생활 행동 패턴 분석 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190045854A KR102060301B1 (ko) 2019-04-19 2019-04-19 전력데이터 기반 생활 행동 패턴 분석 장치 및 방법

Publications (1)

Publication Number Publication Date
KR102060301B1 true KR102060301B1 (ko) 2020-02-11

Family

ID=69568854

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190045854A KR102060301B1 (ko) 2019-04-19 2019-04-19 전력데이터 기반 생활 행동 패턴 분석 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102060301B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112906790A (zh) * 2021-02-20 2021-06-04 国网江苏省电力有限公司营销服务中心 一种基于用电数据的独居老人识别方法和系统
CN113447711A (zh) * 2021-08-02 2021-09-28 宁夏隆基宁光仪表股份有限公司 具有老人用电异常报警功能的智能电表及其报警方法
WO2023113196A1 (ko) * 2021-12-16 2023-06-22 삼성전자 주식회사 지능형 영상 분석 방법을 제공하기 위한 장치 및 방법
CN117113211A (zh) * 2023-01-16 2023-11-24 杭州市水务集团有限公司 用于独居老人的智能化用水监测系统及其方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100122029A (ko) * 2009-05-11 2010-11-19 엘지전자 주식회사 에어콘을 제어하는 휴대 단말기 및 그 동작 방법
KR101155864B1 (ko) 2010-12-23 2012-06-12 한전케이디엔주식회사 전력소비 관리 시스템 및 방법
KR20140132523A (ko) * 2013-05-08 2014-11-18 삼성전자주식회사 전력 부하 모니터링 장치 및 방법
KR20160112736A (ko) * 2015-03-20 2016-09-28 부산대학교 산학협력단 가전기기 소비전력 패턴과 소셜 정보를 이용한 독거노인 안전관리 시스템 및 방법
KR20180053452A (ko) * 2016-11-11 2018-05-23 한국에너지기술연구원 에너지 수요 예측 방법, 분산 에너지 관리 방법 및 시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100122029A (ko) * 2009-05-11 2010-11-19 엘지전자 주식회사 에어콘을 제어하는 휴대 단말기 및 그 동작 방법
KR101155864B1 (ko) 2010-12-23 2012-06-12 한전케이디엔주식회사 전력소비 관리 시스템 및 방법
KR20140132523A (ko) * 2013-05-08 2014-11-18 삼성전자주식회사 전력 부하 모니터링 장치 및 방법
KR20160112736A (ko) * 2015-03-20 2016-09-28 부산대학교 산학협력단 가전기기 소비전력 패턴과 소셜 정보를 이용한 독거노인 안전관리 시스템 및 방법
KR20180053452A (ko) * 2016-11-11 2018-05-23 한국에너지기술연구원 에너지 수요 예측 방법, 분산 에너지 관리 방법 및 시스템

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112906790A (zh) * 2021-02-20 2021-06-04 国网江苏省电力有限公司营销服务中心 一种基于用电数据的独居老人识别方法和系统
CN112906790B (zh) * 2021-02-20 2023-08-18 国网江苏省电力有限公司营销服务中心 一种基于用电数据的独居老人识别方法和系统
CN113447711A (zh) * 2021-08-02 2021-09-28 宁夏隆基宁光仪表股份有限公司 具有老人用电异常报警功能的智能电表及其报警方法
WO2023113196A1 (ko) * 2021-12-16 2023-06-22 삼성전자 주식회사 지능형 영상 분석 방법을 제공하기 위한 장치 및 방법
CN117113211A (zh) * 2023-01-16 2023-11-24 杭州市水务集团有限公司 用于独居老人的智能化用水监测系统及其方法
CN117113211B (zh) * 2023-01-16 2024-03-12 杭州市水务集团有限公司 用于独居老人的智能化用水监测系统及其方法

Similar Documents

Publication Publication Date Title
KR102060301B1 (ko) 전력데이터 기반 생활 행동 패턴 분석 장치 및 방법
Devlin et al. Non-intrusive load monitoring and classification of activities of daily living using residential smart meter data
US11036189B2 (en) Energy disaggregation techniques for low resolution whole-house energy consumption data
Proedrou A comprehensive review of residential electricity load profile models
Reinhardt et al. On the accuracy of appliance identification based on distributed load metering data
Egarter et al. Load hiding of household's power demand
JP2012526281A (ja) 電力の公共使用、監視および管理のためのシステムおよび方法
Batra et al. Indic: Improved non-intrusive load monitoring using load division and calibration
Rodrigues Junior et al. A methodology for detection and classification of power quality disturbances using a real‐time operating system in the context of home energy management systems
Chalmers et al. Smart meter profiling for health applications
Solatidehkordi et al. An IoT deep learning-based home appliances management and classification system
KR20220050843A (ko) 클러스터링 기법에 의한 부하 전력 분석 장치 및 부하 전력 분석 방법
Stankovic et al. Understanding domestic appliance use through their linkages to common activities
Jafary et al. Modeling the determinants of residential appliance electricity use single-family homes, homes with electric vehicles and apartments
Kelati et al. Iot based appliances identification techniques with fog computing for e-health
Adabi et al. Seads: A modifiable platform for real time monitoring of residential appliance energy consumption
Tang et al. A data-driven approach for online aggregated load modeling through intelligent terminals
US9889759B1 (en) Market-adaptive detection of plug-in electric vehicle charging using whole house energy metering data
Sun et al. Non-intrusive sensing based multi-model collaborative load identification in cyber-physical energy systems
Benyoucef et al. Planning of energy production and management of energy resources with Smart Meters
Rayudu et al. Towards a tool for non-intrusive individual load measurement and identification
Chin et al. Household electricity load disaggregation based on low resolution smart meter data
Fergus et al. BMI: A Behavior Measurement Indicator for Fuel Poverty Using Aggregated Load Readings from Smart Meters
Srivastava et al. Energy Disaggregation for Small and Medium Businesses and their Operational Characteristics
Rajkumarsingh et al. Electrical Load Identification for Household Appliances

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant