KR102271955B1 - IoT 서비스 연동 기반 비접촉 가전기기 식별 방법 및 시스템 - Google Patents

IoT 서비스 연동 기반 비접촉 가전기기 식별 방법 및 시스템 Download PDF

Info

Publication number
KR102271955B1
KR102271955B1 KR1020170057225A KR20170057225A KR102271955B1 KR 102271955 B1 KR102271955 B1 KR 102271955B1 KR 1020170057225 A KR1020170057225 A KR 1020170057225A KR 20170057225 A KR20170057225 A KR 20170057225A KR 102271955 B1 KR102271955 B1 KR 102271955B1
Authority
KR
South Korea
Prior art keywords
state information
sensor data
sensors
sensor
iot service
Prior art date
Application number
KR1020170057225A
Other languages
English (en)
Other versions
KR20180123254A (ko
Inventor
박진희
Original Assignee
한국전자기술연구원
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 한국전자기술연구원 filed Critical 한국전자기술연구원
Priority to KR1020170057225A priority Critical patent/KR102271955B1/ko
Publication of KR20180123254A publication Critical patent/KR20180123254A/ko
Application granted granted Critical
Publication of KR102271955B1 publication Critical patent/KR102271955B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H04L67/16—
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/51—Discovery or management thereof, e.g. service location protocol [SLP] or web services

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

IoT 서비스 연동 기반 비접촉 가전기기 식별 방법 및 시스템이 제공된다. 본 발명의 실시예에 따른 기기 식별 방법은, 적어도 하나의 기기가 포함된 공간에 설치된 IoT 서비스 연동 센서들에 의해 감지된 측정값들을 이용하여 각 기기의 상태별 확률 및 전력사용 상태 정보를 예측한다. 이에 의해, IoT 서비스를 위한 센서들과 가전기기의 영향도를 이용하여, 센서의 별도 개발 등의 추가 비용 없이도 가전기기 식별율을 향상시킬 수 있다.

Description

IoT 서비스 연동 기반 비접촉 가전기기 식별 방법 및 시스템{Non-Intrusive Appliance Load Monitoring Method and System based on IoT Service Interworking}
본 발명은 에너지 관리 기술에 관한 것으로, 더욱 상세하게는 가전기기의 전력 사용현황을 식별하기 위한 방법 및 시스템에 관한 것이다.
BEMS(Building Energy Management System), FEMS(Facility Energy Management System) 그리고 HEMS(Home Energy Management System) 등의 형태로 에너지 관리 시스템이 구현되고 있다.
이러한 에너지 관리 시스템은 불필요하게 전기 에너지를 사용하고 있는 기기를 제어함으로써 에너지 절감을 꾀하고 있으며, 이의 효과를 극대화하기 위해서는 전력 사용 기기의 식별이 우선되어야 한다.
이를 위해 기존에는 스마트 플러그를 사용하는 접촉식 방식과 전력 총량 기반의 가전기기를 식별하는 비접촉식 방법이 있으나, 전자는 비용 문제로 인한 비효율성을 가지고 있으며, 후자의 경우는 기기 인식률 저하의 문제점을 가지고 있다.
후자의 경우, 기기 인식률 제고를 위해 센서의 보완을 상정할 수 있으나, 센서의 별도 개발 등의 추가 비용 문제가 발생한다.
본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로서, 본 발명의 목적은, IoT 서비스와 연동/연계되는 센서를 이용하여 가전기기의 사용을 식별하는 방법 및 시스템를 제공함에 있다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른, 기기 식별 방법은, 적어도 하나의 기기가 포함된 공간에 설치된 복수 개의 센서들에 의해 감지된 측정값들인 센서 데이터들을 이용하여, 각 기기의 상태별 확률을 예측한 정보인 센서 데이터 기반 상태 정보를 산출하는 제1 산출단계; 및 산출된 센서 데이터 기반 상태 정보를 이용하여 적어도 하나의 기기의 전력사용 상태 정보를 예측하는 단계;를 포함하고, 복수 개의 센서들은, IoT 서비스 연동 센서들을 포함한다.
그리고, IoT 서비스 연동 센서들은, IoT 서비스 플랫폼과 오픈 API를 통해 센서 값을 제공할 수 있다.
또한, IoT 서비스는, 상용 IoT 서비스 및 표준 IoT 서비스 중 적어도 하나를 포함할 수 있다.
그리고, IoT 서비스는, 스마트 기기를 통해 복수 개의 센서들의 센서 값들을 제공하는 서비스를 포함할 수 있다.
또한, 복수 개의 센서들은, IoT 서비스 연동 없이 개별적으로 설치된 센서들을 더 포함할 수 있다.
그리고, 예측단계는, 산출된 센서 데이터 기반 상태 정보와 이전에 산출된 기기 상태 정보를 함께 이용하여 적어도 하나의 기기의 전력사용 상태 정보를 예측할 수 있다.
또한, 제1 산출단계는, 각 기기의 상태 예측에 각각의 센서의 측정값이 미치는 정도를 각 기기별 각 센서별 각 상태별로 나타낸 영향도 행렬을 이용하여, 센서데이터기반 상태정보를 산출할 수 있다.
그리고, 제1 산출단계는, 적어도 하나의 기기가 포함된 공간에 설치된 복수개의 센서들에 의해 감지된 측정값들 중 특정 임계값을 넘는 측정값들만을 유효한 센서데이터로 이용하여, 각 기기의 상태별 확률을 예측한 정보인 센서데이터기반 상태정보를 산출할 수 있다.
한편, 본 발명의 다른 실시예에 따른, 에너지 관리 시스템은, 적어도 하나의 기기가 포함된 공간에 설치된 복수 개의 센서들에 의해 감지된 측정값들인 센서 데이터들을 수신하는 수신부; 및 센서 데이터들을 이용하여, 각 기기의 상태별 확률을 예측한 정보인 센서 데이터 기반 상태 정보를 산출하고, 산출된 센서 데이터 기반 상태 정보를 이용하여 적어도 하나의 기기의 전력사용 상태 정보를 예측하는 프로세서;를 포함하고, 복수 개의 센서들은, IoT 서비스 연동 센서들을 포함한다.
본 발명의 다양한 실시예에 따르면, 상용 IoT 서비스를 위한 센서들과 가전기기의 영향도를 이용하여, 센서의 별도 개발 등의 추가 비용 없이도 가전기기 식별율을 향상시킬 수 있다.
또한, 본 발명의 다양한 실시예에 따르면, 이동 통신사 등의 IoT 서비스와 연계되어, 이로부터 수집한 센서 데이터를 기반으로 가전기기를 식별하므로, 센서와의 독립성이 확보되고, 향후 공급이 확대될 것으로 예상되는 IoT 센서와의 연계연동이 가능함에 따라 연동 비용이 절감되며, 더 많은 센서의 활용을 기대할 수 있다.
도 1은 IoT 서비스 연동 센서 기반의 비접촉 댁내 가전기기 상태 식별 방법의 개념 설명에 제공되는 도면,
도 2는 HEMS에 구현되는 기기 상태 식별 모듈의 구조를 나타낸 도면,
도 3은 본 발명의 일 실시예에 따른 가전기기 식별 방법의 개념도,
도 4는 본 발명의 일 실시예에 따른 HEMS의 블럭도,
도 5는 본 발명의 일 실시예에 따른 가전기기 식별 방법을 설명하기 위해 제공되는 흐름도,
도 6은 본 발명의 일 실시예에 따른 가전기기와 센서 간의 영향도 그래프를 도시한 도면,
도 7은 본 발명의 일 실시예에 따른 가전기기와 센서 간의 영향도 행렬을 구하는 과정을 개략적으로 도시한 도면,
도 8은 본 발명의 일 실시예에 따른 센서 측정값에 임계값을 적용하는 과정을 도시한 도면, 및
도 9는 본 발명의 일 실시예에 따른 가전기기의 상태유지확률의 개념을 도시한 도면이다.
이하에서는 도면을 참조하여 본 발명을 보다 상세하게 설명한다.
도 1은 IoT 서비스 연동 센서들로부터 수집한 데이터 기반의 비접촉 댁내 가전기기 상태 식별 방법의 개념 설명에 제공되는 도면이다. 도 1에 도시된 바와 같이, HEMS(Home Energy Management System)는 상용 IoT 서비스 플랫폼과 오픈 API를 통해서 연결되어 있는 센서들의 값을 수집한다.
이를 통해 가전기기의 ON 및 OFF 상태를 확률 기반으로 감지하고, 현재 댁내 사용자의 유무 또는 행동 패턴을 통해 불필요한 가전기기를 OFF 시키는 등의 제어를 한다.
한편, 사용자는 스마트폰을 이용하여 이러한 정보들을 HEMS를 통해 수신하거나 상용 IoT 서비스 홈페이지에 접속하여 센서의 값들을 모니터링할 수 있다. 향후 이동 통신사에 연결되는 IoT 센서들을 댁내에 설치할 경우, 센서, HEMS 그리고 사용자는 서비스 플랫폼을 통하여 상호 연결되며 센서 데이터를 활용하는 것이 매우 용이해진다.
도 2는 HEMS에 구현되는 기기 상태 식별 모듈(Appliance Status Identification Module)의 구조를 나타낸 도면이다. 도 2에 도시된 바와 같이, 기기 식별 모듈은 전력 미터를 통해 획득한 댁내 총 소비 전력 정보와 각 기기의 소비 전력 특성값을 이용한 매트릭스(Appliance Consumption Power Matrix)와 IoT_IF_Agent들을 통하여 상용 및 표준 IoT 서비스 플랫폼으로부터 수신한 센서 값을 이용하여 센서-기기 연관 매트릭스(Sensor-Appliance Influence Matrix)를 생성하고, 이를 통해 최종 기기 상태 식별 결과를 도출한다.
여기서, IoT_IF_Agent들은 KT, SKT, LGU+ 등의 상용 IoT 서비스, 그리고 oneM2M, OCF, AllJoyn 등의 국외 또는 산업계 표준 IoT 서비스와 각각 연결되며, 이 에이전트들은 상시 동작을 통해 서비스를 통해 센서 값을 수집한다.
위 과정에 따른 가전기기 식별 방법의 개념을 도 3에 보다 상세히 나타내었다. 본 발명의 실시예에 따른 가전기기 식별 방법에 의하면, HEMS(100)는 스마트 콘센트나 스마트 플러그 등과 같은 접촉 장치들을 사용하지 않고, 총 전력 기반 상태 정보, 센서 데이터 기반 상태 정보 및 이전에 산출된 가전기기 상태 정보를 함께 이용하여 적어도 하나의 가전기기의 전력사용 상태 정보를 예측하게 된다.
이 때, 총 전력 기반 상태 정보는 소비 전력 총량으로부터 현재 사용중인 가전기기들이 무엇들인지 예측하는 방법을 나타내는 것으로, 소비 전력 총량기반의 비접촉 식별 방법(NIALM: Non-Intrusive Appliance Load Monitoring)을 예로 들 수 있다. HEMS(100)는 도 3에 도시된 분전반의 전력 미터를 통해 측정된 전력총량 기반 기기식별을 통해 기기 사용 여부 식별 알고리즘을 적용하여 총 전력 기반 상태 정보를 산출하게 된다.
또한, 센서 데이터 기반 상태 정보는 복합 센서의 다양한 센서들의 측정값을 이용하여 파악한 센서 데이터를 이용하여 각 가전기기의 상태별 확률을 예측한 정보이다. HEMS(100)는 도 3에 도시된 음향센서, 조도센서 및 온도센서를 포함하는 복합 센서를 통해 측정된 복합 센서 기반 기기 사용상황 감지(음향가전, 전열가전, 조명가전 등)를 통해 기기 사용 여부 식별 알고리즘을 적용하여 센서 데이터 기반 상태 정보를 산출하게 된다.
여기서, 복합 센서는 IoT 서비스 연동 기반 센서들 외에 개별적으로 IoT 서비스 연동이 아닌 목적을 위해 개별적으로 설치한 개별 센서들을 더 포함한다.
이를 통해, HEMS(100)는 총 전력 기반 상태 정보, 센서 데이터 기반 상태 정보 및 이전에 산출된 가전기기 상태 정보를 함께 이용하여, 가전기기들(오디오, 셋톱, 전열기, 조명 등) 각각의 상태(온, 오프, 강, 중, 약 등)를 예측하게 된다.
가전기기 식별 방법을 통한 가전기기별 소비 전력 예측은, 아래의 수학식을 통해 나타낸 바와 같이, 특정 시구간(t) 동안 분전반의 전력 미터로부터 수집되는 가전기기들의 총 소비 전력[P(t)]을 가전기기 별 소비 전력들(pi)로 분해하여, 현재 사용되고 있는 가전기기를 예측하는 것이다.
P(t) = p1(t) + p2(t) + p3(t) ... + pm(t)
위의 수식은 총 소비 전력[P(t)]을 m개의 가전기기의 개별 소비 전력으로 분해하여 더한 값으로 표현한 것이다.
HEMS(100)는 총 전력 기반 상태 정보를 산출하기 위해서는 가전기기들 각각의 소비 전력 패턴에 대한 학습 결과를 이용한다.
HEMS(100)는 가전기기가 포함된 공간에 설치된 복수 개의 센서들에 의해 감지된 측정값들인 센서 데이터들을 이용하여, 각 가전기기의 상태별 확률을 예측한 정보인 센서 데이터 기반 상태 정보를 산출한다. 센서 데이터는 음향 정보, 조도 정보 및 온도 정보의 조합으로 이루어지며, 도 3에 도시된 바와 같이 이 정보들을 수집하기 위한 센서들(IoT 서비스 연동 센서들 + 개별 센서들)이 필요하다.
하지만, 센서 데이터를 구성하는 정보들에 대한 위 나열은 예시적인 것에 불과하다. 따라서, 이들 중 적어도 하나를 배제, 적어도 하나를 다른 정보로 대체 또는 적어도 하나의 다른 정보를 포함하여 센서 데이터를 구현할 수 있음은 물론이다.
이하에서는, HEMS(100)의 가전기기 식별 방법에 대해 상세히 설명한다. 도 4는 본 발명의 일 실시예에 따른 HEMS(100)의 블럭도이다.
본 발명의 실시예에 따른 HEMS(100)는, 도 4에 도시된 바와 같이, 수신부(110), 프로세서(120), 저장부(130) 및 출력부(140)를 포함한다.
전력 미터(10)는 적어도 하나의 가전기기가 포함된 공간의 총 소비 전력을 측정한다. 그리고, 복합 센서(20)는 IoT 서비스 연동 센서 및/또는 개별 센서로 구현되는 음향 센서, 조도 센서 및 온도 센서 중 적어도 둘을 포함하며, 적어도 하나의 가전기기가 포함된 공간에 설치되어 센서 데이터 기반 상태 정보의 기초가 되는 센서 데이터들을 생성한다.
수신부(110)는 전력 미터(10)로부터 총 소비 전력값을 수신하고 복합 센서(20)로부터 센서 데이터들을 수신한다. 수신부(110)는 유선으로 또는 무선으로 총 소비 전력값 및 센서 데이터를 수신할 수 있다.
프로세서(230)는 도 5에 도시된 가전기기 식별 방법을 실행한다. 그리고, 프로세서(230)는 그 실행 결과를 출력부(250)를 통해 출력할 수도 있다.
저장부(240)에는 소비 전력 패턴 학습 결과 DB, 과거 센서 데이터가 저장되고, 총 소비 전력이 저장되며, 후술될 영향도 행렬 및 이전에 산출된 가전기기 상태 정보 등이 누적 저장되는 저장매체이다.
도 4에 기재된 HEMS(100)는 그 자체로 물리적으로 독립된 장치로 구현될 수 있을 뿐만 아니라, 어떤 장치나 시스템의 일부로 포함되어 있는 형태로 구현될 수도 있으며, 컴퓨터나 서버 등에 설치된 프로그램 또는 프레임워크 또는 애플리케이션 등의 소프트웨어 형태로 구현될 수도 있음은 물론이다. 또한, HEMS(100)의 각 구성요소는 물리적 구성요소로 구현될 수도 있고 소프트웨어의 기능 형태의 구성요소로 구현될 수도 있다.
이하에서는, 도 5를 참고하여, 상술한 HEMS(100)에 의한 가전기기 식별 방법에 대해 상세히 설명한다. 도 5는 본 발명의 일 실시예에 따른 가전기기 식별 방법을 설명하기 위해 제공되는 흐름도이다.
HEMS(100)는 적어도 하나의 가전기기가 포함된 공간에 설치된 복수 개의 센서들에 의해 감지된 측정값들인 센서 데이터들을 이용하여, 각 가전기기의 상태별 확률을 예측한 정보인 센서 데이터 기반 상태 정보를 산출한다(S210).
이 때, HEMS(100)는 각 가전기기의 상태 예측에 각각의 센서의 측정값이 미치는 정도를 각 가전기기별 각 센서별 각 상태별로 나타낸 영향도 행렬을 이용하여, 센서 데이터 기반 상태 정보를 산출하게 된다.
영향도 행렬에 대해서는 도 6 및 도 7을 참고하여 설명한다.
도 6은 본 발명의 일 실시예에 따른 가전기기와 센서 간의 영향도 그래프를 도시한 도면이다.
HEMS(100)는 가전기기와 복합 센서의 영향도 그래프를 먼저 생성한다. 가전기기의 상태의 변화는 주변 공간의 환경에 영향을 준다. 예를 들어, 조명기기는 켜지면 밝아지고 꺼지면 어두워지므로 조도센서에 의해 상태의 감지가 가능할 수 있다. 또한, TV나 음향기기는 켜지면 소리가 나고 꺼지면 소리가 나지 않기 때문에 음향센서에 의해 상태의 감지가 가능할 수 있다. 이와 같이, 복합 센서(20)는 이러한 환경 변화를 측정한 센서 데이터를 수집한다. 그리고, HEMS(100)는 수집된 센서 데이터를 기반으로 학습된 결과를 도 6에 도시된 영향도 그래프(influence graph) 형태로 표현하여 저장부(130)에 저장한다. 여기에서 영향도 그래프는 사용자의 행동에 대응되는 기기의 상태로 정의하여, 주변 환경 변화에 대응되는 기기 상태의 변화 정도를 표현한 정보이다.
영향도 그래프는 가전기기의 상태와 주변 환경 변화를 감지한 센서 데이터와의 관계를 표현한다. 각 가전기기 별로 독립적인 하나의 영향도 그래프가 생성된다. 각 센서 값이 기기 상태 변화에 영향을 주지 않을 경우(e=0인 서브그래프)는 생성하지 않는다.
영향도 그래프는 가전기기(도 6의 굵은 사각형)의 상태(도 6의 일반 사각형)에 따라 그 상태 변화에 영향을 주는 센서(도 6의 원형)를 표현한다. 센서를 통해 측정된 값(value)이 특정 기기 상태에 영향을 줄 경우, 그 정도를 e로 정의한다. HEMS(100)는 모든 가전기기에 대해서 독립적인 영향도 그래프를 생성하여 저장부(130)에 저장하게 된다.
그리고, HEMS(100)는 영향도 그래프를 이용하여 영향도 행렬을 생성하게 되며, 이에 대해서는 도 7을 참고하여 설명한다. 도 7은 본 발명의 일 실시예에 따른 가전기기와 센서 간의 영향도 행렬을 구하는 과정을 개략적으로 도시한 도면이다.
도 7에 도시된 바와 같이, HEMS(100)는 주어진 영향도 그래프를 degree=1인 서브그래프로 분리한다. 분리된 서브그래프는 가전기기 상태에 대응되는 하나의 센서로 구성된다. 이후, HEMS(100)는 서브그래프에 해당하는 가전기기 및 센서의 인덱스 대응되는 i번째 행 및 j번째 열의 원소에 K개의 상태에 대응되는 영향도 값을 벡터 형태로 입력한다. 여기에서, i는 i번째 가전기기를 나타내고, j는 j번째 센서를 나타내며, K는 가전기기의 총 상태 종류 개수를 나타낸다. 서브그래프가 존재하지 않는 인덱스의 원소에 대해서는 0을 입력한다. HEMS(100)는 모든 가전기기로부터 생성된 영향도 그래프에 대한 생성을 완료하면 영향도 행렬 E를 생성하게 된다. 그리고, HEMS(100)는 각 가전기기의 상태 예측에 각각의 센서의 측정값이 미치는 정도를 각 가전기기별 각 센서별 각 상태별로 나타낸 영향도 행렬 E를 이용하여, 센서 데이터 기반 상태 정보 A(t)를 산출하게 된다. 이 과정을 구체적인 식으로 표현하면 아래와 같다.
Figure 112017043593017-pat00001
센서 데이터 기반 상태 정보 A(t)는 상술한 바와 같이 영향도 그래프에 의해 생성된 영향도 행렬 E와 측정된 수식(4)의 센서 데이터 x를 이용하여, 수식 (1) 및 수식 (2)에 따라 계산된다. 수식 (3)이 영향도 행렬 E의 각 원소값을 나타내고 있다. 여기에서, 가전기기의 상태 종류의 개수는 총 K개이고, m은 가전기기의 수, n은 센서의 수를 나타낸다. 그리고, 영향도 행렬 E는 m×n의 행렬이며, 각각의 원소는 K개의 영향도 값을 포함하는 벡터이다.
구체적으로, 시간 t에 각 복합 센서(20)에서 측정된 센서 데이터 값은 수식 (4)의 x(t) 벡터에 저장된다. 따라서, 각 복합 센서(20)에 포함된 모든 센서 모듈의 집합을 Si 라고 했을 때, 측정된 센서 데이터의 벡터는
Figure 112017043593017-pat00002
가 된다.
또한, HEMS(100)는 적어도 하나의 가전기기가 포함된 공간에 설치된 복수 개의 센서모듈들에 의해 감지된 측정값들 중 특정 임계값을 넘는 측정값들만을 유효한 센서 데이터로 이용한다. 구체적으로, HEMS(100)는 센서 모듈에서 측정된 값이 해당 가전기기 상태에 영향을 주기 위한 임계값(threshold)을 초과할 경우에만 센서 값을 유효하게 활성화하기 위해 활성화 함수(activation function)를 정의하여 사용할 수도 있다. 센서 데이터에 활성화 함수를 적용하는 것은 수식 (5)에 해당되며, 수식 (5)의 y는 센서 데이터에 활성화 함수인 f를 적용한 결과값을 나타낸다.
또한, 각 센서 모듈에서 측정된 센서 값은 각기 다른 센서 모듈의 특성(온도: °C, sound: ㏈)을 포함하고 있기 때문에, HEMS(100)는 이 값을 정규화하는 과정도 수행하며, 이는 수식(5)에 포함되어 있다.
즉, 수식 (5)에 표현된 바와 같이, HEMS(100)는 측정된 각 센서의 값(xi(t))에 주어진 임계값에 따라 활성화 함수를 적용하고. 그 결과를 센서 측정 최대값(
Figure 112017043593017-pat00003
)으로 정규화하여 최종 결과 벡터 y를 산출하게 된다.
도 8은 본 발명의 일 실시예에 따른 센서 측정값에 임계값을 적용하는 과정을 도시한 도면이다. 도 8에 도시된 바와 같이, HEMS(100)는 활성화함수인 f를 이용하여 적어도 하나의 가전기기가 포함된 공간에 설치된 복수 개의 센서모듈들에 의해 감지된 측정값들 중 특정 임계값을 넘는 측정값들만을 유효한 센서 데이터로 이용한다. 구체적으로, 도 8은 측정된 센서 데이터 x(t)를 이용하여 최종 결과 벡터 y를 추출하는 과정을 도시하고 있다. 도 8에서 활성화 함수는 max 함수로 정의되어 있다. 활성화 함수는 센서와 가전기기의 특성에 따라 다르게 정의할 수 있다. 이렇게 추출된 y 벡터에 가전기기 상태에 영향을 미치는 정도 e를 적용하여 A(t)를 수식 (1)과 같이 계산할 수 있게 된다.
하지만, 활성화 함수로 max함수를 이용하는 것은 일 예에 불과하며, HEMS(100)는 이외에도 다양한 함수(예를 들어, 계단 함수 등)을 이용하여 센서 데이터에 대한 임계값을 적용할 수 있음은 물론이다.
이와 같은 과정을 통해, HEMS(100)는 적어도 하나의 가전기기가 포함된 공간에 설치된 복수 개의 센서들에 의해 감지된 측정값들인 센서 데이터들을 이용하여, 각 가전기기의 상태별 확률을 예측한 정보인 센서 데이터 기반 상태 정보를 산출하게 된다.
다시 도 5로 돌아가서, HEMS(100)는 소비 전력 총량의 변화 패턴을 이용하여 적어도 하나의 가전기기의 상태별 확률을 예측하는 정보인 총 전력 기반 상태 정보를 산출한다(S220).
앞서 설명한 바와 같이, 총 전력 기반 상태 정보는 소비 전력 총량으로부터 현재 사용중인 가전기기들이 무엇들인지 예측하는 방법을 이용해 산출된 상태 정보를 나타내는 것으로, 소비 전력 총량기반의 비접촉 식별 방법 (NIALM : Non-Intrusive Appliance Load Monitoring)을 예로 들 수 있다. HEMS(100)는 분전반의 전력 미터(10)를 통해 측정된 총 전력량을 기반으로 소비 전력 총량기반의 비접촉 식별 방법을 적용하여 총 전력 기반 상태 정보를 산출할 수 있다. 이때, 산출된 총 전력 기반 상태 정보는 D(t)로 표현한다.
그 다음, HEMS(100)는 산출된 총 전력 기반 상태 정보 D(t)에 제1 가중치 ω1를 곱한 값과, 산출된 센서 데이터 기반 상태 정보 A(t)에 제2 가중치 ω2를 곱한 값과, 이전에 산출된 가전기기 상태 정보 S(t-1)에 제3 가중치 ω3와 상태유지확률 π을 곱한 값을 모두 더하여, 가전기기의 상태별 확률값을 나타내는 가전기기 상태 정보 S(t)를 산출한다(S230). 여기에서, 가전기기 상태 정보 S(t)는 가전기기가 해당될 수 있는 모든 상태들 각각에 대한 확률을 모두 포함하는 값으로, 아래와 같은 수식(6)으로 표현되는 행렬에 해당된다.
Figure 112017043593017-pat00004
(6)
Figure 112017043593017-pat00005
(7)
여기에서, S(t), D(t), A(t) 및 S(t-1)은 모두 m×K의 행렬이며, i행 k열의 원소는 i번째 가전기기가 k번째 상태에 해당될 확률값을 나타낸다. 그리고, 가전기기의 상태 종류의 개수는 총 K개이고, m은 가전기기의 수, n은 센서의 수를 나타낸다.
그리고, 제1 가중치 ω1과 제2 가중치 ω2과 제3 가중치 ω3는 적어도 하나의 가전기기가 포함된 공간의 종류, 센서의 개수, 센서의 분포에 따라 달라질 수 있다. 예를 들어, HEMS(100)는 제1 가중치 ω1과 제2 가중치 ω2과 제3 가중치 ω3를 가전기기가 포함된 공간이 회사 공간인지 아파트 공간인지 주택 공간인지 등에 따라 달라지게 설정할 수 있다. 또한, HEMS(100)는 센서의 개수가 많거나 센서의 분포 밀도가 높을수록 제2 가중치 ω2가 더 큰 값이 되도록 설정할 수 있다. 센서의 개수가 많거나 센서의 분포 밀도가 높으면 센서에 의한 정보가 정확도가 상대적으로 높아지므로, HEMS(100)는 제1 가중치 ω1과 제2 가중치 ω2과 제3 가중치 ω3 중 센서에 관련된 가중치인 제2 가중치 ω2를 더 높게 설정하는 것이다.
상태유지확률 π은 이전 가전기기 상태 정보 S(t-1)의 상태를 현재도 그대로 유지하고 있을 확률을 나타낸다. 즉, 상태유지확률 π가 높아질수록 이전 가전기기 상태 정보 S(t-1)가 그대로 유지될 확률이 높아지므로, 이전 가전기기 상태 정보 S(t-1)에 상태유지확률 π을 곱하여, 해당 가전기기가 한 상태를 계속 유지하여 사용되는 종류의 가전기기라면 상태유지확률 π을 이전 가전기기 상태 정보 S(t-1)에 곱해줌으로써 이전 가전기기 상태 정보의 비중을 높혀줄 수 있게 된다. 따라서, 상태유지확률 π은 가전기기별 상태별로 달라지며, HEMS(100)는 상태유지확률 π을 가전기기별로 상태별로 구하게 된다.
도 9는 본 발명의 일 실시예에 따른 가전기기의 상태유지확률의 개념을 도시한 도면이다.
이전 가전기기의 상태가 현재 가전기기의 상태에 영향을 주는 정도를 표현하기 위해 도 9에 도시된 방식으로 가전기기의 상태유지확률 π를 정의할 수 있다. 가전기기의 상태가 변경되지 않을 확률인 상태유지확률 π는
Figure 112017043593017-pat00006
이다. 이전 가전기기의 상태에 상태 변경 확률을 적용하여 현재 가전기기 상태 식별 예측값에 반영한다.
다시 도 2로 돌아가서, HEMS(100)는 가전기기의 모든 상태에 대해 각 상태별로 해당될 확률값들을 포함하는 가전기기 상태 정보를 산출하고, 산출된 가전기기 상태 정보의 각 상태별 확률값들 중 가장 높은 확률값에 해당되는 상태가 해당 가전기기의 현재 상태인 것으로 예측한다(S240).
구체적으로, HEMS(100)는 최종적으로 시간 t에서의 가전기기 상태 정보 S(t)가 산출되면, 아래의 수식 (8)과 같이 각 기기 별로 가장 확률값이 큰 상태가 해당 가전기기의 현재 상태인 것으로 결정하게 된다.
Figure 112017043593017-pat00007
(8)
그리고, HEMS(100)는 예측된 현재 상태에 대응되는 소비 전력값을 적용하여 해당 가전기기의 현재 소비 전력을 산출함으로써, 적어도 하나의 가전기기의 전력사용 상태 정보를 예측할 수 있게 된다. 여기에서 전력사용 상태 정보는 가전기기별 전력 소모량을 나타내는 정보로, 가전기기 상태 정보를 통해 예측된 가전기기의 현재 상태에 대응되는 소비 전력량을 추출하여 산출되어지는 정보이다. HEMS(100)는 매 주기별로 모든 가전기기 각각의 전력사용 상태 정보를 산출하게 되며, 사용자는 HEMS(100)에 의해 산출된 전력사용 상태 정보를 확인하여 어떤 가전기기가 전력소모가 심한지를 한눈에 확인할 수 있게 된다. 또한, HEMS(100)는 총 전력 기반 상태 정보, 센서 데이터 기반 상태 정보 및 이전에 산출된 가전기기 상태 정보를 모두 이용하여 전력사용 상태 정보를 예측하기 때문에, 더욱 정확도가 높은 가전기기별 전력소모량을 확인할 수 있게 된다.
한편 본 실시예에서는, HEMS(100)가 산출된 총 전력 기반 상태 정보, 산출된 센서 데이터 기반 상태 정보 및 이전에 산출된 가전기기 상태 정보를 함께 이용하여 적어도 하나의 가전기기의 전력사용 상태 정보를 예측하는 것으로 설명하였으나, 이외에도, 산출된 센서 데이터 기반 상태 정보만을 이용하여 적어도 하나의 가전기기의 전력사용 상태 정보를 예측할 수도 있고, 산출된 센서 데이터 기반 상태 정보와 이전에 산출된 전력사용 상태 정보를 함께 이용하여 적어도 하나의 가전기기의 전력사용 상태 정보를 예측할 수도 있으며, 산출된 총 전력 기반 상태 정보와 산출된 센서 데이터 기반 상태 정보를 이용하여 적어도 하나의 가전기기의 전력사용 상태 정보를 예측할 수도 있음은 물론이다.
한편, 본 실시예에 따른 HEMS(100)의 기능 및 가전기기 식별 방법을 수행하게 하는 컴퓨터 프로그램을 수록한 컴퓨터로 읽을 수 있는 기록매체에도 본 발명의 기술적 사상이 적용될 수 있음은 물론이다. 또한, 본 발명의 다양한 실시예에 따른 기술적 사상은 컴퓨터로 읽을 수 있는 기록매체에 기록된 컴퓨터로 읽을 수 있는 프로그래밍 언어 코드 형태로 구현될 수도 있다. 컴퓨터로 읽을 수 있는 기록매체는 컴퓨터에 의해 읽을 수 있고 데이터를 저장할 수 있는 어떤 데이터 저장 장치이더라도 가능하다. 예를 들어, 컴퓨터로 읽을 수 있는 기록매체는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광디스크, 하드 디스크 드라이브, 플래시 메모리, 솔리드 스테이트 디스크(SSD) 등이 될 수 있음은 물론이다. 또한, 컴퓨터로 읽을 수 있는 기록매체에 저장된 컴퓨터로 읽을 수 있는 코드 또는 프로그램은 컴퓨터간에 연결된 네트워크를 통해 전송될 수도 있다.
또한, 이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.
10 : 전력 미터
20 : 복합 센서(IoT 서비스 연동 센서 + 개별 센서)
100 : HEMS(Home Energy Management System)
110 : 수신부 120 : 프로세서
130 : 저장부 140 : 출력부

Claims (8)

  1. 적어도 하나의 기기가 포함된 공간에 설치된 복수 개의 센서들에 의해 감지된 측정값들인 센서 데이터들을 이용하여, 각 기기의 상태별 확률을 예측한 정보인 센서 데이터 기반 상태 정보를 산출하는 제1 산출단계; 및
    산출된 센서 데이터 기반 상태 정보를 이용하여 적어도 하나의 기기의 전력사용 상태 정보를 예측하는 단계;를 포함하고,
    복수 개의 센서들은,
    IoT 서비스 연동 센서들을 포함하고,
    예측단계는,
    산출된 센서 데이터 기반 상태 정보와 이전에 산출된 기기 상태 정보를 함께 이용하여 적어도 하나의 기기의 전력사용 상태 정보를 예측하는 것을 특징으로 하는 기기 식별 방법.
  2. 청구항 1에 있어서,
    IoT 서비스 연동 센서들은,
    IoT 서비스 플랫폼과 오픈 API를 통해 센서 값을 제공하는 것을 특징으로 하는 기기 식별 방법.
  3. 청구항 2에 있어서,
    IoT 서비스는,
    상용 IoT 서비스 및 표준 IoT 서비스 중 적어도 하나를 포함하는 것을 특징으로 하는 기기 식별 방법.
  4. 청구항 2에 있어서,
    IoT 서비스는,
    스마트 기기를 통해 복수 개의 센서들의 센서 값들을 제공하는 서비스를 포함하는 것을 특징으로 하는 기기 식별 방법.
  5. 청구항 2에 있어서,
    복수 개의 센서들은,
    IoT 서비스 연동 없이 개별적으로 설치된 센서들을 더 포함하는 것을 특징으로 하는 기기 식별 방법.
  6. 삭제
  7. 적어도 하나의 기기가 포함된 공간에 설치된 복수 개의 센서들에 의해 감지된 측정값들인 센서 데이터들을 이용하여, 각 기기의 상태별 확률을 예측한 정보인 센서 데이터 기반 상태 정보를 산출하는 제1 산출단계; 및
    산출된 센서 데이터 기반 상태 정보를 이용하여 적어도 하나의 기기의 전력사용 상태 정보를 예측하는 단계;를 포함하고,
    복수 개의 센서들은,
    IoT 서비스 연동 센서들을 포함하고,
    제1 산출단계는,
    각 기기의 상태 예측에 각각의 센서의 측정값이 미치는 정도를 각 기기별 각 센서별 각 상태별로 나타낸 영향도 행렬을 이용하여, 센서데이터기반 상태정보를 산출하는 것을 특징으로 하는 기기 식별 방법.
  8. 적어도 하나의 기기가 포함된 공간에 설치된 복수 개의 센서들에 의해 감지된 측정값들인 센서 데이터들을 수신하는 수신부; 및
    센서 데이터들을 이용하여, 각 기기의 상태별 확률을 예측한 정보인 센서 데이터 기반 상태 정보를 산출하고, 산출된 센서 데이터 기반 상태 정보를 이용하여 적어도 하나의 기기의 전력사용 상태 정보를 예측하는 프로세서;를 포함하고,
    복수 개의 센서들은,
    IoT 서비스 연동 센서들을 포함하며,
    프로세서는,
    산출된 센서 데이터 기반 상태 정보와 이전에 산출된 기기 상태 정보를 함께 이용하여 적어도 하나의 기기의 전력사용 상태 정보를 예측하는 것을 특징으로 하는 에너지 관리 시스템.
KR1020170057225A 2017-05-08 2017-05-08 IoT 서비스 연동 기반 비접촉 가전기기 식별 방법 및 시스템 KR102271955B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170057225A KR102271955B1 (ko) 2017-05-08 2017-05-08 IoT 서비스 연동 기반 비접촉 가전기기 식별 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170057225A KR102271955B1 (ko) 2017-05-08 2017-05-08 IoT 서비스 연동 기반 비접촉 가전기기 식별 방법 및 시스템

Publications (2)

Publication Number Publication Date
KR20180123254A KR20180123254A (ko) 2018-11-16
KR102271955B1 true KR102271955B1 (ko) 2021-07-02

Family

ID=64565238

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170057225A KR102271955B1 (ko) 2017-05-08 2017-05-08 IoT 서비스 연동 기반 비접촉 가전기기 식별 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR102271955B1 (ko)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101397471B1 (ko) * 2012-10-16 2014-05-20 전자부품연구원 디바이스 플랫폼이 설치된 ＩｏＴ 장치 및 ＩｏＴ 어댑터
KR101557115B1 (ko) * 2013-12-23 2015-10-02 주식회사 케이티 홈 네트워크 시스템에서의 전력 사용량 분석 방법 및 이를 위한 장치
KR20160141032A (ko) * 2015-05-27 2016-12-08 전자부품연구원 S-fhmm을 이용한 비접촉식 기기 부하 식별 방법 및 시스템

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
박진희 외, "복합 센서 데이터 처리 알고리즘을 이용한 비접촉 가전 기기 식별 알고리즘 연구", 한국인터넷방송통신학회 논문지(2017.04)*

Also Published As

Publication number Publication date
KR20180123254A (ko) 2018-11-16

Similar Documents

Publication Publication Date Title
US10545517B2 (en) Generating and implementing thermodynamic models of a structure
US10433032B2 (en) Dynamic distributed-sensor network for crowdsourced event detection
Kleiminger et al. Occupancy detection from electricity consumption data
CN108337358B (zh) 应用清理方法、装置、存储介质及电子设备
US20190347577A1 (en) Localizing energy consumption anomalies in buildings
US20140052304A1 (en) Dynamic enforcement of power management policy and methods thereof
US20150355246A1 (en) Apparatus, server, system and method for energy measuring
US10473702B2 (en) Estimating operation state of individual load
US20150355247A1 (en) Apparatus, server, system and method for energy measuring
US9952570B2 (en) Electric power management
Srinivasarengan et al. A framework for non intrusive load monitoring using bayesian inference
Tornai et al. Classification for consumption data in smart grid based on forecasting time series
CN104954528A (zh) 终端设备的耗电信息的检测方法和装置
WO2014035432A2 (en) Dynamic distributed-sensor network for forecasting external events
CA2809538A1 (en) Energy consumption evaluation system having reduced energy consumption
KR102271955B1 (ko) IoT 서비스 연동 기반 비접촉 가전기기 식별 방법 및 시스템
Miyasawa et al. Energy disaggregation based on semi-supervised matrix factorization using feedback information from consumers
Englert et al. Electricity-metering in a connected world: Virtual sensors for estimating the electricity consumption of iot appliances
KR101867222B1 (ko) 복합 센서의 기기상태 영향도 기반 비접촉 가전기기 식별방법 및 장치
Martinez-Gil et al. Modeling user behavior through electricity consumption patterns
KR20230089652A (ko) 전자기기의 비침식 부하 모니터링 시스템 및 그 방법
JP7352385B2 (ja) 電力管理システム、電力管理方法及び電力管理プログラム
ul Islam et al. A low complexity binary-weighted energy disaggregation framework for residential electricity consumption
KR20210076781A (ko) 로라 통신 기반의 태양광 발전 계측 및 관리를 위한 장치 및 이를 위한 방법
KR20210076779A (ko) 인공신경망을 이용한 ess를 관리하기 위한 ems 장치 및 이를 위한 방법

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
GRNT Written decision to grant