KR102619581B1 - 심층 강화학습 기반 에너지 인터넷에서 에너지 절도 검출 방법 및 장치 - Google Patents
심층 강화학습 기반 에너지 인터넷에서 에너지 절도 검출 방법 및 장치 Download PDFInfo
- Publication number
- KR102619581B1 KR102619581B1 KR1020210130327A KR20210130327A KR102619581B1 KR 102619581 B1 KR102619581 B1 KR 102619581B1 KR 1020210130327 A KR1020210130327 A KR 1020210130327A KR 20210130327 A KR20210130327 A KR 20210130327A KR 102619581 B1 KR102619581 B1 KR 102619581B1
- Authority
- KR
- South Korea
- Prior art keywords
- processing unit
- data
- energy
- missing value
- outlier
- Prior art date
Links
- 230000002787 reinforcement Effects 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 title claims description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 62
- 238000001514 detection method Methods 0.000 claims abstract description 48
- 238000012545 processing Methods 0.000 claims description 170
- 238000010606 normalization Methods 0.000 claims description 41
- 230000009471 action Effects 0.000 claims description 28
- 238000013145 classification model Methods 0.000 claims description 21
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000007635 classification algorithm Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003334 potential effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
- G01R22/06—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods
- G01R22/061—Details of electronic electricity meters
- G01R22/066—Arrangements for avoiding or indicating fraudulent use
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R11/00—Electromechanical arrangements for measuring time integral of electric power or current, e.g. of consumption
- G01R11/02—Constructional details
- G01R11/24—Arrangements for avoiding or indicating fraudulent use
-
- 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
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Burglar Alarm Systems (AREA)
Abstract
본 실시예들은 데이터 기반 에너지 절도 검출 방식에 에너지 사용 데이터의 전처리 및 심층 강화학습 기반 고성능 분류 알고리즘을 적용하여, 데이터 기반 에너지 분류 효율을 개선할 수 있는 에너지 절도 검출 방법 및 장치를 제공한다.
Description
본 발명이 속하는 기술 분야는 심층 강화학습 기반 에너지 인터넷에서 에너지 절도 검출 방법 및 장치에 관한 것이다.
이 부분에 기술된 내용은 단순히 본 실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.
에너지 인터넷(Internet of Energy, IoE)은 사물 인터넷에 에너지 개념을 반영한 것이며, 표준화를 통해 상호 운영이 가능한 통신 장비, 통신 프로토콜 등을 기반으로 발전과 에너지 저장 용량을 실시간으로 파악하고 에너지 수요에 맞게 균형을 이룰 수 있는 에너지와 데이터가 통합된 네트워크 인프라로 정의된다.
통신 기술과 전력 네트워크의 결합을 통해 발생한 에너지 인터넷 환경의 발달로 실시간 에너지 사용자의 에너지 사용량 패턴을 기록하고 분석하는 것이 에너지 절도 검출 연구 분야 중 하나이다. 실질적으로 사용자의 데이터를 저장하는 과정에서의 데이터 오차 문제 및 정상 사용자보다 비정상 사용자가 많은 불균형한 데이터 분석의 어려움으로 인해 데이터 분류 효율이 감소하게 된다.
본 발명의 실시예들은 데이터 기반 에너지 절도 검출 방식에 에너지 사용 데이터의 전처리 및 심층 강화학습 기반 고성능 분류 알고리즘을 적용하여, 데이터 기반 에너지 분류 효율을 개선하는데 주된 목적이 있다.
본 발명의 명시되지 않은 또 다른 목적들은 하기의 상세한 설명 및 그 효과로부터 용이하게 추론할 수 있는 범위 내에서 추가적으로 고려될 수 있다.
본 실시예의 일 측면에 의하면, 에너지 절도 검출 장치에 의한 에너지 절도 검출 방법에 있어서, 부하로부터 에너지 사용을 감지하고 에너지 사용 데이터를 측정하는 단계; 상기 에너지 사용 데이터를 전처리하는 단계; 상기 전처리된 에너지 사용 데이터로부터 에너지 절도 분류 모델을 통해 정상 사용자와 비정상 사용자를 분류하고 상기 비정상 사용자를 검출하는 단계를 포함하는 에너지 절도 검출 방법을 제공한다.
상기 전처리하는 단계는, 결측치 처리 동작, 이상치 처리 동작, 정규화 처리 동작을 조합하여 상기 에너지 사용 데이터를 전처리할 수 있다.
상기 결측치 처리 동작은 원본 데이터 중에서 기록된 데이터를 통해 결측된 데이터를 획득할 수 있다.
상기 이상치 처리 동작은 원본 데이터 중에서 기록된 다른 데이터의 통계적인 분포를 벗어나는 값을 통계적인 분포의 값으로 치환할 수 있다.
상기 정규화 처리 동작은 원본 데이터를 미리 설정된 데이터의 범위로 변환할 수 있다.
상기 에너지 절도 분류 모델은, 강화 학습 기반의 심층 Q 네트워크 모델을 적용하며, 상기 심층 Q 네트워크 모델의 네트워크에 심층 합성곱 신경 네트워크를 적용할 수 있다.
본 실시예의 다른 측면에 의하면, 에너지 절도 검출 장치에 있어서, 부하로부터 측정한 에너지 사용 데이터를 전처리하는 전처리부; 상기 전처리된 에너지 사용 데이터로부터 에너지 절도 분류 모델을 통해 정상 사용자와 비정상 사용자를 분류하고 상기 비정상 사용자를 검출하는 사용자 분류부를 포함하는 에너지 절도 검출 장치를 제공할 수 있다.
상기 전처리부는, 하나 이상의 결측치 처리부, 하나 이상의 이상치 처리부, 하나 이상의 정규화 처리부 간의 연결 구조 및 데이터 경로를 조합하여 상기 에너지 사용 데이터를 전처리할 수 있다.
상기 전처리부는 하나의 결측치 처리부, 하나의 이상치 처리부, 하나의 정규화 처리부가 연결된 단일 조합 모드로 동작할 수 있다.
상기 전처리부는 복수의 결측치 처리부, 복수의 이상치 처리부, 복수의 정규화 처리부가 연결된 복합 조합 모드로 동작할 수 있다.
이상에서 설명한 바와 같이 본 발명의 실시예들에 의하면, 데이터 기반 에너지 절도 검출 방식에 에너지 사용 데이터의 전처리 및 심층 강화학습 기반 고성능 분류 알고리즘을 적용하여, 데이터 기반 에너지 분류 효율을 개선할 수 있는 효과가 있다.
여기에서 명시적으로 언급되지 않은 효과라 하더라도, 본 발명의 기술적 특징에 의해 기대되는 이하의 명세서에서 기재된 효과 및 그 잠정적인 효과는 본 발명의 명세서에 기재된 것과 같이 취급된다.
도 1은 본 발명의 일 실시예에 따른 에너지 절도 검출 장치를 예시한 도면이다.
도 2 및 도 3은 본 발명의 일 실시예에 따른 에너지 절도 검출 장치의 전처리부를 예시한 도면이다.
도 4는 본 발명의 일 실시예에 따른 에너지 절도 검출 장치의 에너지 절도 분류 모델을 예시한 도면이다.
도 5는 본 발명의 일 실시예에 따른 에너지 절도 검출 장치를 구현한 컴퓨팅 디바이스를 예시한 도면이다.
도 6은 본 발명의 다른 실시예에 따른 에너지 절도 검출 방법을 예시한 흐름도이다.
도 2 및 도 3은 본 발명의 일 실시예에 따른 에너지 절도 검출 장치의 전처리부를 예시한 도면이다.
도 4는 본 발명의 일 실시예에 따른 에너지 절도 검출 장치의 에너지 절도 분류 모델을 예시한 도면이다.
도 5는 본 발명의 일 실시예에 따른 에너지 절도 검출 장치를 구현한 컴퓨팅 디바이스를 예시한 도면이다.
도 6은 본 발명의 다른 실시예에 따른 에너지 절도 검출 방법을 예시한 흐름도이다.
이하, 본 발명을 설명함에 있어서 관련된 공지기능에 대하여 이 분야의 기술자에게 자명한 사항으로서 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하고, 본 발명의 일부 실시예들을 예시적인 도면을 통해 상세하게 설명한다.
본 명세서에 기재된 실시예들은 다양한 에너지 분야에 적용될 수 있다. 지능형 검침 인프라(AMI), 스마트 미터기 기반 스마트 시티 서비스, 에너지 인터넷(Internet of Energy, IoE) 서비스, 실시간 전력 사용량 분석 기반 에너지 관리 시스템(EMS) 등에 적용될 수 있다.
도 1은 본 발명의 일 실시예에 따른 에너지 절도 검출 장치를 예시한 도면이다.
에너지 절도 검출 장치(10)는 부하(20)에 연결되며, 전처리부(100), 사용자 분류부(200)를 포함한다. 에너지 절도 검출 장치(10)는 도 1에서 예시적으로 도시한 다양한 구성요소들 중에서 일부 구성요소를 생략하거나 다른 구성요소를 추가로 포함할 수 있다. 예컨대, 에너지 절도 검출 장치는 표시부 등을 추가로 포함할 수 있다.
에너지 절도 검출 장치(10)는 에너지 사용 데이터의 전처리 및 심층 강화학습 기반 고성능 분류 알고리즘을 적용하여, 데이터 기반 에너지 분류 효율을 개선한다. 에너지 절도 검출 장치(10)에 연결되는 부하(20)는 전자기기에 해당한다.
전처리부(100)는 측정 장치에 의해 부하(20)로부터 에너지 사용을 감지하고 에너지 사용 데이터를 측정한다. 예컨대, 사용 전류를 감지하고 사용 에너지를 측정한다. 측정 장치는 비접촉식 전류 감지기를 통해 부하의 도선에 흐르는 전류를 감지할 수 있다.
전처리부(100)는 부하로부터 측정한 에너지 사용 데이터를 전처리한다.
사용자 분류부(200)는 전처리된 에너지 사용 데이터로부터 에너지 절도 분류 모델을 통해 정상 사용자와 비정상 사용자를 분류하고 비정상 사용자를 검출한다.
전처리부(100)는, 하나 이상의 결측치 처리부, 하나 이상의 이상치 처리부, 하나 이상의 정규화 처리부 간의 연결 구조 및 데이터 경로를 조합하여 에너지 사용 데이터를 전처리한다.
결측치 처리부는 원본 데이터 중에서 기록된 데이터를 통해 결측된 데이터를 획득한다.
이상치 처리부는 원본 데이터 중에서 기록된 다른 데이터의 통계적인 분포를 벗어나는 값을 통계적인 분포의 값으로 치환한다.
정규화 처리부는 원본 데이터를 미리 설정된 데이터의 범위로 변환한다.
도 2 및 도 3은 본 발명의 일 실시예에 따른 에너지 절도 검출 장치의 전처리부를 예시한 도면이다.
도 2를 참조하면, 전처리부는 하나의 결측치 처리부, 하나의 이상치 처리부, 하나의 정규화 처리부가 연결된 단일 조합 모드로 동작할 수 있다.
전처리부는 제1 결측치 처리부(111)를 거쳐 제1 이상치 처리부(112)를 거쳐 제1 정규화 처리부(113)에 이르는 제1 전처리 경로를 구성할 수 있다.
전처리부는 제2 결측치 처리부(121)를 거쳐 제2 정규화 처리부(122)를 거쳐 제2 이상치 처리부(123)에 이르는 제2 전처리 경로를 구성할 수 있다.
전처리부는 제3 이상치 처리부(131)를 거쳐 제3 결측치 처리부(132)를 거쳐 제3 정규화 처리부(133)에 이르는 제3 전처리 경로를 구성할 수 있다.
전처리부는 제4 이상치 처리부(141)를 거쳐 제4 정규화 처리부(142)를 거쳐 제4 결측치 처리부(143)에 이르는 제4 전처리 경로를 구성할 수 있다.
전처리부는 제5 정규화 처리부(151)를 거쳐 제5 결측치 처리부(152)를 거쳐 제5 이상치 처리부(153)에 이르는 제5 전처리 경로를 구성할 수 있다.
전처리부는 제6 정규화 처리부(161)를 거쳐 제6 이상치 처리부(162)를 거쳐 제6 결측치 처리부(163)에 이르는 제6 전처리 경로를 구성할 수 있다.
전처리부는 제1 전치리 경로, 제2 전처리 경로, 제3 전처리 경로, 제4 전처리 경로, 제5 전처리 경로, 제6 전처리 경로 중에서 에너지 사용 데이터의 패턴에 따라 적절한 전처리 경로를 선택한다. 패턴 유형이 미리 저장된 경로 테이블을 기반으로 전처리 경로를 선택할 수 있다.
도 3을 참조하면, 전처리부는 복수의 결측치 처리부, 복수의 이상치 처리부, 복수의 정규화 처리부가 연결된 복합 조합 모드로 동작할 수 있다.
제7-1 결측치 처리부(171)는 제7-1 이상치 처리부(172), 제8-1 이상치 처리부(181), 제8-1 결측치 처리부(182)에 연결된다.
제8-1 이상치 처리부(181)는 제7-1 결측치 처리부(171), 제7-2 이상치 처리부(172), 제8-1 결측치 처리부(182)에 연결된다.
제7-1 이상치 처리부(172)는 제7-2 결측치 처리부(173), 제8-1 결측치 처리부(182), 제8-2 이상치 처리부(183)에 연결된다.
제8-1 결측치 처리부(182)는 제7-1 이상치 처리부(172), 제7-2 결측치 처리부(173), 제8-2 이상치 처리부(183)에 연결된다.
제7-2 결측치 처리부(173)는 제7-3 이상치 처리부(174), 제8-2 이상치 처리부(183), 제8-2 결측치 처리부(184)에 연결된다.
제8-2 이상치 처리부(183)는 제7-2 결측치 처리부(173), 제7-2 이상치 처리부(174), 제8-2 결측치 처리부(184)에 연결된다.
제7-2 이상치 처리부(174)는 제7 정규화 처리부(175), 제8-2 결측치 처리부(184), 제8 정규화 처리부(185)에 연결된다.
제8-2 결측치 처리부(184)는 제7-2 이상치 처리부(174), 제7 정규화 처리부(175), 제8 정규화 처리부(185)에 연결된다.
전처리부는 에너지 사용 데이터의 규모와 처리 시간을 고려하여 동적으로 전처리 경로를 선택한다. 다양한 조합에 따라 다양한 경로 구성이 가능하다.
예컨대, 일부 데이터 결측치 처리 -> 일부 데이터 이상치 처리 -> 나머지 데이터 결측치 처리 -> 나머지 데이터 이상치 처리 -> 정규화 처리 순으로 전처리를 수행할 수 있다. 복수의 결측치 처리부의 조절 파라미터를 상이하게 설정하고, 일부 데이터 결측치 처리(제1 조절 파라미터 적용) -> 나머지 데이터 결측치 처리(제2 조절 파라미터 적용) -> 일부 데이터 이상치 처리(제3 조절 파라미터 적용) -> 나머지 데이터 이상치 처리(제4 조절 파라미터 적용) -> 정규화 처리 순으로 전처리를 수행할 수 있다.
도 4는 본 발명의 일 실시예에 따른 에너지 절도 검출 장치의 에너지 절도 분류 모델을 예시한 도면이다.
에너지 절도 분류 모델은 강화 학습 기반의 심층 Q 네트워크 모델을 적용하며, 심층 Q 네트워크(Deep Q Network) 모델의 네트워크에 심층 합성곱 신경 네트워크(deep convolutional neural network)를 적용한다. 심층 합성곱 신경 네트워크는 복수의 레이어가 연결된 네트워크이며 가중치 및 바이어스를 갖는 모델이다. 심층 합성곱 신경 네트워크는 입력된 데이터의 특징 정보를 추출하고 벡터 레벨에서 변환하고, 임베딩 공간을 구성할 수 있다.
에너지 절도 분류 모델은 강화학습 기반으로 입력된 특징을 선택하고 불균형한 데이터 세트를 이진 분류한다.
강화학습 기반 에너지 절도 분류 모델은 상태(210, 260), 보상(220, 270), 에이전트(230), 행동(240), 환경(250)으로 구성되어 있다.
주변 상태에 따라 어떤 행동을 할지 판단을 내리는 주체인 에이전트(230)이다. 에이전트가 속한 환경(250)이 있다. 에이전트가 취할 수 있는 행동, 그에 따른 보상 등의 모든 규칙이 환경이며, 환경은 상태 변화를 일으키고, 보상을 계산한다. 에이전트가 행동을 하면 그에 따라 상태가 바뀌게 되고, 보상을 받을 수다. 강화학습의 목표는 주어진 환경에서 보상을 최대한 많이 받을 수 있는 에이전트를 학습하는 것이다.
에이전트는 현재 상황에서 어떤 액션을 해야 할지 결정하고, 결정된 행동을 환경으로 보내고, 환경으로부터 그에 따른 보상과 다음 상태 정보를 수신한다.
상태는 입력된 데이터에서 사용한 특징(feature)의 위치와 그 위치에서의 데이터 값을 나타낸다. 행동은 특징의 위치를 선택하는 행동과 분류를 하는 행동이 있다.
보상은 행동에 따라 다른 값을 지닌다. 분류 정확도를 높이기 위해서 특징의 위치를 선택하는 행동의 보상은 1보다 작은 값으로 설정한다. 분류를 하는 행동의 보상은 이진 분류에서 소수의 데이터를 지닌 클래스를 올바르게 판별했을 경우 +1로 설정되고, 틀렸을 경우 -1로 설정된다. 다수의 데이터를 지닌 클래스를 올바르게 판별했을 경우 +기준 값으로 설정되고, 틀렸을 경우 -기준 값으로 설정한다. 여기서 기준 값은 (소수 클래스의 데이터 수)/(다수 클래스의 데이터 수)를 의미한다.
에이전트의 DQN 네트워크 구조는 심층 합성곱 신경망 구조로 되어 있어 심층 신경망 구조에 비해 이미지 데이터의 특징 추출에 유리하다.
에이전트가 현재 상태에서 현재 보상을 기반으로 환경으로부터 가장 큰 다음 보상을 얻을 수 있는 행동을 할 수 있도록 합성곱 신경망 네트워크를 학습시킨다.
환경은 선택된 행동 기반으로 다음 상태와 다음 보상을 전달한다.
다음 상태와 다음 보상은 다시 현재 상태와 현재 보상이 된다.
보상이 현재 상태, 행동에 대해서만 평가하는 즉각적인 값이며, 장기적으로 가장 좋은 결과를 얻을 수 있는 행동을 고르기 위해선 현재 보상이 제일 높은 행동이 아니라 누적 보상이 제일 높은 행동을 골라야 한다.
도 5는 본 발명의 일 실시예에 따른 에너지 절도 검출 장치를 구현한 컴퓨팅 디바이스를 예시한 도면이다.
에너지 절도 검출 장치(10)의 전처리부(100) 및 사용자 분류부(200)는 프로세서 등으로 구현될 수 있다.
에너지 절도 검출 장치(11)는 적어도 하나의 프로세서(12), 컴퓨터 판독 가능한 저장매체(13) 및 통신 버스(17)를 포함한다.
프로세서(12)는 에너지 절도 검출 장치(11)로 동작하도록 제어할 수 있다. 예컨대, 프로세서(12)는 컴퓨터 판독 가능한 저장 매체(13)에 저장된 하나 이상의 프로그램들을 실행할 수 있다. 하나 이상의 프로그램들은 하나 이상의 컴퓨터 실행 가능 명령어를 포함할 수 있으며, 컴퓨터 실행 가능 명령어는 프로세서(12)에 의해 실행되는 경우 에너지 절도 검출 장치(10)로 하여금 예시적인 실시예에 따른 동작들을 수행하도록 구성될 수 있다.
컴퓨터 판독 가능한 저장 매체(13)는 컴퓨터 실행 가능 명령어 내지 프로그램 코드, 프로그램 데이터 및/또는 다른 적합한 형태의 정보를 저장하도록 구성된다. 컴퓨터 판독 가능한 저장 매체(13)에 저장된 프로그램(14)은 프로세서(12)에 의해 실행 가능한 명령어의 집합을 포함한다. 일 실시예에서, 컴퓨터 판독한 가능 저장 매체(13)는 메모리(랜덤 액세스 메모리와 같은 휘발성 메모리, 비휘발성 메모리, 또는 이들의 적절한 조합), 하나 이상의 자기 디스크 저장 디바이스들, 광학 디스크 저장 디바이스들, 플래시 메모리 디바이스들, 그 밖에 에너지 절도 검출 장치(11)에 의해 액세스되고 원하는 정보를 저장할 수 있는 다른 형태의 저장 매체, 또는 이들의 적합한 조합일 수 있다.
통신 버스(17)는 프로세서(12), 컴퓨터 판독 가능한 저장 매체(14)를 포함하여 에너지 절도 검출 장치(11)의 다른 다양한 컴포넌트들을 상호 연결한다.
에너지 절도 검출 장치(11)는 또한 하나 이상의 입출력 장치를 위한 인터페이스를 제공하는 하나 이상의 입출력 인터페이스(15) 및 하나 이상의 통신 인터페이스(16)를 포함할 수 있다. 입출력 인터페이스(15) 및 통신 인터페이스(16)는 통신 버스(17)에 연결된다. 입출력 장치는 입출력 인터페이스(15)를 통해 에너지 절도 검출 장치(11)의 다른 컴포넌트들에 연결될 수 있다.
도 6은 본 발명의 다른 실시예에 따른 에너지 절도 검출 방법을 예시한 흐름도이다.
에너지 절도 검출 방법은 에너지 절도 검출 장치 등에 의해 동작을 수행할 수 있다.
에너지 절도 검출 방법은, 부하로부터 에너지 사용을 감지하고 에너지 사용 데이터를 측정하는 단계(S310), 에너지 사용 데이터를 전처리하는 단계(S320), 전처리된 에너지 사용 데이터로부터 에너지 절도 분류 모델을 통해 정상 사용자와 비정상 사용자를 분류하고 비정상 사용자를 검출하는 단계(S330)를 포함한다.
전처리하는 단계는, 결측치 처리 동작, 이상치 처리 동작, 정규화 처리 동작을 조합하여 에너지 사용 데이터를 전처리할 수 있다. 모델 학습을 위한 데이터의 가공 처리에 해당한다.
결측치 처리 동작은 원본 데이터 중에서 기록된 데이터를 통해 결측된 데이터를 획득할 수 있다.
이상치 처리 동작은 원본 데이터 중에서 기록된 다른 데이터의 통계적인 분포를 벗어나는 값을 통계적인 분포의 값으로 치환할 수 있다.
정규화 처리 동작은 원본 데이터를 미리 설정된 데이터의 범위로 변환할 수 있다.
에너지 절도 분류 모델은, 강화 학습 기반의 심층 Q 네트워크 모델을 적용하며, 심층 Q 네트워크 모델의 네트워크에 심층 합성곱 신경 네트워크를 적용할 수 있다.
심층 강화학습 기반 에너지 절도 검출 방법은 일부분의 데이터를 이용하여 정상 사용자 데이터와 비정상 사용자의 데이터 분류를 수행할 수 있고, 전처리 과정에서 데이터의 균형을 맞추기 위한 데이터 증강 과정을 생략할 수 있다.
에너지 절도 검출 장치는 하드웨어, 펌웨어, 소프트웨어 또는 이들의 조합에 의해 로직회로 내에서 구현될 수 있고, 범용 또는 특정 목적 컴퓨터를 이용하여 구현될 수도 있다. 장치는 고정배선형(Hardwired) 기기, 필드 프로그램 가능한 게이트 어레이(Field Programmable Gate Array, FPGA), 주문형 반도체(Application Specific Integrated Circuit, ASIC) 등을 이용하여 구현될 수 있다. 또한, 장치는 하나 이상의 프로세서 및 컨트롤러를 포함한 시스템온칩(System on Chip, SoC)으로 구현될 수 있다.
에너지 절도 검출 장치는 하드웨어적 요소가 마련된 컴퓨팅 디바이스 또는 서버에 소프트웨어, 하드웨어, 또는 이들의 조합하는 형태로 탑재될 수 있다. 컴퓨팅 디바이스 또는 서버는 각종 기기 또는 유무선 통신망과 통신을 수행하기 위한 통신 모뎀 등의 통신장치, 프로그램을 실행하기 위한 데이터를 저장하는 메모리, 프로그램을 실행하여 연산 및 명령하기 위한 마이크로프로세서 등을 전부 또는 일부 포함한 다양한 장치를 의미할 수 있다.
도 6에서는 각각의 과정을 순차적으로 실행하는 것으로 기재하고 있으나 이는 예시적으로 설명한 것에 불과하고, 이 분야의 기술자라면 본 발명의 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 도 6에 기재된 순서를 변경하여 실행하거나 또는 하나 이상의 과정을 병렬적으로 실행하거나 다른 과정을 추가하는 것으로 다양하게 수정 및 변형하여 적용 가능할 것이다.
본 실시예들에 따른 동작은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능한 매체에 기록될 수 있다. 컴퓨터 판독 가능한 매체는 실행을 위해 프로세서에 명령어를 제공하는 데 참여한 임의의 매체를 나타낸다. 컴퓨터 판독 가능한 매체는 프로그램 명령, 데이터 파일, 데이터 구조 또는 이들의 조합을 포함할 수 있다. 예를 들면, 자기 매체, 광기록 매체, 메모리 등이 있을 수 있다. 컴퓨터 프로그램은 네트워크로 연결된 컴퓨터 시스템 상에 분산되어 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수도 있다. 본 실시예를 구현하기 위한 기능적인(Functional) 프로그램, 코드, 및 코드 세그먼트들은 본 실시예가 속하는 기술분야의 프로그래머들에 의해 용이하게 추론될 수 있을 것이다.
본 실시예들은 본 실시예의 기술 사상을 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
Claims (14)
- 에너지 절도 검출 장치에 의한 에너지 절도 검출 방법에 있어서,
부하로부터 에너지 사용을 감지하고 에너지 사용 데이터를 측정하는 단계;
상기 에너지 사용 데이터를 전처리하는 단계; 및
상기 전처리된 에너지 사용 데이터로부터 에너지 절도 분류 모델을 통해 정상 사용자와 비정상 사용자를 분류하고 상기 비정상 사용자를 검출하는 단계;를 포함하고,
상기 전처리하는 단계는, 결측치 처리 동작, 이상치 처리 동작, 정규화 처리 동작을 조합하여 상기 에너지 사용 데이터를 전처리하고,
상기 에너지 절도 분류 모델의 에이전트(agent)는 환경에 따라 어떤 행동(action)을 할지 결정하고, 상기 결정된 행동을 상기 환경으로 보내고, 상기 환경으로부터 보상과 다음 상태에 대한 정보를 수신하고,
상기 에너지 절도 분류 모델의 상태는 상기 에너지 절도 분류 모델로 입력되는 입력 데이터인 상기 전처리된 에너지 사용 데이터에서 사용한 특징(Feature)의 위치와 상기 위치에서의 데이터 값을 나타내고,
상기 행동은, 상기 특징(Feature)의 위치를 선택하는 행동과 분류하는 행동으로 구분되고,
상기 전처리된 에너지 사용 데이터는, 다수의 데이터를 지닌 클래스 및 소수의 데이터를 지닌 클래스를 포함하고,
상기 분류하는 행동의 보상은, 상기 다수의 데이터를 지닌 클래스를 판별할 경우와 상기 소수의 데이터를 지닌 클래스를 판별할 경우가 서로 다른 방식으로 결정되고,
상기 특징(Feature)의 위치를 선택하는 행동의 보상은 상기 소수의 데이터를 지닌 클래스를 포함할 경우에 결정되는 보상보다 작은 값으로 설정되는 것을 특징으로 하는, 에너지 절도 검출 방법. - 삭제
- 제1항에 있어서,
상기 결측치 처리 동작은 원본 데이터 중에서 기록된 데이터를 통해 결측된 데이터를 획득하는 것을 특징으로 하는 에너지 절도 검출 방법. - 제1항에 있어서,
상기 이상치 처리 동작은 원본 데이터 중에서 기록된 다른 데이터의 통계적인 분포를 벗어나는 값을 통계적인 분포의 값으로 치환하는 것을 특징으로 하는 에너지 절도 검출 방법. - 제1항에 있어서,
상기 정규화 처리 동작은 원본 데이터를 미리 설정된 데이터의 범위로 변환하는 것을 특징으로 하는 에너지 절도 검출 방법. - 제1항에 있어서,
상기 에너지 절도 분류 모델은,
강화 학습 기반의 심층 Q 네트워크 모델을 적용하며, 상기 심층 Q 네트워크 모델의 네트워크에 심층 합성곱 신경 네트워크를 적용하는 것을 특징으로 하는 에너지 절도 검출 방법. - 에너지 절도 검출 장치에 있어서,
부하로부터 측정한 에너지 사용 데이터를 전처리하는 전처리부; 및
상기 전처리된 에너지 사용 데이터로부터 에너지 절도 분류 모델을 통해 정상 사용자와 비정상 사용자를 분류하고 상기 비정상 사용자를 검출하는 사용자 분류부;를 포함하고,
상기 전처리부는, 하나 이상의 결측치 처리부, 하나 이상의 이상치 처리부, 하나 이상의 정규화 처리부 간의 연결 구조 및 데이터 경로를 조합하여 상기 에너지 사용 데이터를 전처리하고,
상기 에너지 절도 분류 모델의 에이전트(agent)는 환경에 따라 어떤 행동(action)을 할지 결정하고, 상기 결정된 행동을 상기 환경으로 보내고, 상기 환경으로부터 보상과 다음 상태에 대한 정보를 수신하고,
상기 에너지 절도 분류 모델의 상태는 상기 에너지 절도 분류 모델로 입력되는 입력 데이터인 상기 전처리된 에너지 사용 데이터에서 사용한 특징(Feature)의 위치와 상기 위치에서의 데이터 값을 나타내고,
상기 행동은, 상기 특징(Feature)의 위치를 선택하는 행동과 분류하는 행동으로 구분되고,
상기 전처리된 에너지 사용 데이터는, 다수의 데이터를 지닌 클래스 및 소수의 데이터를 지닌 클래스를 포함하고,
상기 분류하는 행동의 보상은, 상기 다수의 데이터를 지닌 클래스를 판별할 경우와 상기 소수의 데이터를 지닌 클래스를 판별할 경우가 서로 다른 방식으로 결정되고,
상기 특징(Feature)의 위치를 선택하는 행동의 보상은 상기 소수의 데이터를 지닌 클래스를 포함할 경우에 결정되는 보상보다 작은 값으로 설정되는 것을 특징으로 하는, 에너지 절도 검출 장치. - 삭제
- 제7항에 있어서,
상기 결측치 처리부는 원본 데이터 중에서 기록된 데이터를 통해 결측된 데이터를 획득하는 것을 특징으로 하는 에너지 절도 검출 장치. - 제7항에 있어서,
상기 이상치 처리부는 원본 데이터 중에서 기록된 다른 데이터의 통계적인 분포를 벗어나는 값을 통계적인 분포의 값으로 치환하는 것을 특징으로 하는 에너지 절도 검출 장치. - 제7항에 있어서,
상기 정규화 처리부는 원본 데이터를 미리 설정된 데이터의 범위로 변환하는 것을 특징으로 하는 에너지 절도 검출 장치. - 제7항에 있어서,
상기 전처리부는, 제1 결측치 처리부를 거쳐 제1 이상치 처리부를 거쳐 제1 정규화 처리부에 이르는 제1 전처리 경로, 제2 결측치 처리부를 거쳐 제2 정규화 처리부를 거쳐 제2 이상치 처리부에 이르는 제2 전처리 경로, 제3 이상치 처리부를 거쳐 제3 결측치 처리부를 거쳐 제3 정규화 처리부에 이르는 제3 전처리 경로, 제4 이상치 처리부를 거쳐 제4 정규화 처리부를 거쳐 제4 결측치 처리부에 이르는 제4 전처리 경로, 제5 정규화 처리부를 거쳐 제5 결측치 처리부를 거쳐 제5 이상치 처리부에 이르는 제5 전처리 경로, 제6 정규화 처리부를 거쳐 제6 이상치 처리부를 거쳐 제6 결측치 처리부에 이르는 제6 전처리 경로를 포함하고,
상기 제1 전처리 경로, 상기 제2 전처리 경로, 상기 제3 전처리 경로, 상기 제4 전처리 경로, 상기 제5 전처리 경로, 상기 제6 전처리 경로 중에서 에너지 사용 데이터의 패턴에 따라 전처리 경로를 선택하거나, 패턴 유형이 미리 저장된 경로 테이블을 기반으로 전처리 경로를 선택하는 단일 조합 모드로 동작하는 것을 특징으로 하는, 에너지 절도 검출 장치. - 제7항에 있어서,
상기 전처리부는, 제7-1 결측치 처리부, 제7-2 결측치 처리부, 제7-1 이상치 처리부, 제7-2 이상치 처리부, 제7 정규화 처리부, 제8-1 결측치 처리부, 제8-2 결측치 처리부, 제8-1 이상치 처리부, 제8-2 이상치 처리부 및 제8 정규화 처리부를 포함하고,
상기 제7-1 결측치 처리부는, 상기 제7-1 이상치 처리부, 상기 제8-1 이상치 처리부, 상기 제8-1 결측치 처리부와 연결되고,
상기 제8-1 이상치 처리부는, 상기 제7-1 결측치 처리부, 상기 제7-1 이상치 처리부, 상기 제8-1 결측치 처리부에 연결되고,
상기 제7-1 이상치 처리부는, 상기 제7-2 결측치 처리부, 상기 제8-1 결측치 처리부, 상기 제8-2 이상치 처리부에 연결되고,
상기 제8-1 결측치 처리부는, 상기 제7-1 이상치 처리부, 상기 제7-2 결측치 처리부, 상기 제8-2 이상치 처리부에 연결되고,
상기 제7-2 결측치 처리부는, 상기 제7-2 이상치 처리부, 상기 제8-2 이상치 처리부, 상기 제8-2 결측치 처리부에 연결되고,
상기 제8-2 이상치 처리부는 상기 제7-2 결측치 처리부, 상기 제7-2 이상치 처리부, 상기 제8-2 결측치 처리부에 연결되고,
상기 제7-2 이상치 처리부는, 상기 제7 정규화 처리부, 상기 제8-2 결측치 처리부, 상기 제8 정규화 처리부에 연결되고,
상기 제8-2 결측치 처리부는 상기 제7-2 이상치 처리부, 상기 제7 정규화 처리부, 상기 제8 정규화 처리부에 연결되고,
상기 전처리부는, 상기 제7-1 결측치 처리부, 상기 제7-2 결측치 처리부, 상기 제7-1 이상치 처리부, 상기 제7-2 이상치 처리부, 상기 제7 정규화 처리부, 상기 제8-1 결측치 처리부, 상기 제8-2 결측치 처리부, 상기 제8-1 이상치 처리부, 상기 제8-2 이상치 처리부 및 상기 제8 정규화 처리부가 연결된 복합 조합 모드로 동작하는 것을 특징으로 하는, 에너지 절도 검출 장치. - 제7항에 있어서,
상기 에너지 절도 분류 모델은,
강화 학습 기반의 심층 Q 네트워크 모델을 적용하며, 상기 심층 Q 네트워크 모델의 네트워크에 심층 합성곱 신경 네트워크를 적용하는 것을 특징으로 하는 에너지 절도 검출 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210130327A KR102619581B1 (ko) | 2021-09-30 | 2021-09-30 | 심층 강화학습 기반 에너지 인터넷에서 에너지 절도 검출 방법 및 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210130327A KR102619581B1 (ko) | 2021-09-30 | 2021-09-30 | 심층 강화학습 기반 에너지 인터넷에서 에너지 절도 검출 방법 및 장치 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230046824A KR20230046824A (ko) | 2023-04-06 |
| KR102619581B1 true KR102619581B1 (ko) | 2023-12-28 |
Family
ID=85918230
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210130327A KR102619581B1 (ko) | 2021-09-30 | 2021-09-30 | 심층 강화학습 기반 에너지 인터넷에서 에너지 절도 검출 방법 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102619581B1 (ko) |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105519164A (zh) | 2013-03-14 | 2016-04-20 | 酷念有限公司 | 能源管理系统 |
| KR20180060317A (ko) | 2016-11-28 | 2018-06-07 | 한국전력공사 | 심층 신경망 기반 수용가 전력 수요 예측 장치 및 방법 |
| KR102356176B1 (ko) | 2019-12-20 | 2022-01-27 | 가톨릭대학교 산학협력단 | 에너지 절도 검출 시스템 및 방법 |
-
2021
- 2021-09-30 KR KR1020210130327A patent/KR102619581B1/ko active IP Right Grant
Non-Patent Citations (1)
| Title |
|---|
| (비특허) Wide and Deep Convolutional Neural Networks for Electricity-Theft Detection to Secure Smart Grids('18년 4월)* |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230046824A (ko) | 2023-04-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210056420A1 (en) | Neural network construction device, information processing device, neural network construction method, and recording medium | |
| CN113792825B (zh) | 一种用电信息采集设备故障分类模型训练方法及装置 | |
| CN111091278B (zh) | 机械设备异常检测的边缘检测模型构建方法及装置 | |
| CN111538869B (zh) | 一种交易异常群组的检测方法、装置及设备 | |
| KR102330423B1 (ko) | 이미지 인식 딥러닝 알고리즘을 이용한 온라인 부도 예측 시스템 | |
| CN111626360B (zh) | 用于检测锅炉故障类型的方法、装置、设备和存储介质 | |
| US20140279734A1 (en) | Performing Cross-Validation Using Non-Randomly Selected Cases | |
| CN112734106A (zh) | 用于预测能源负荷的方法及装置 | |
| CN111522736A (zh) | 一种软件缺陷预测方法、装置、电子设备及计算机存储介质 | |
| KR102619581B1 (ko) | 심층 강화학습 기반 에너지 인터넷에서 에너지 절도 검출 방법 및 장치 | |
| Kang et al. | GuidedMixup: an efficient mixup strategy guided by saliency maps | |
| CN109190757B (zh) | 任务处理方法、装置、设备及计算机可读存储介质 | |
| KR102570576B1 (ko) | 비지도 학습과 지도 학습을 이용한 고장 진단 방법 및 장치 | |
| CN117319091B (zh) | 基于深度学习的企业软件网络安全漏洞检测方法及系统 | |
| CN117611889A (zh) | 一种电力计量接线线路异常检测方法及系统 | |
| CN107292320A (zh) | 系统及其指标优化方法及装置 | |
| US20230385690A1 (en) | Computer-readable recording medium storing determination program, determination apparatus, and method of determining | |
| CN112287751A (zh) | 励磁涌流识别方法、装置、计算机设备和存储介质 | |
| US10436838B2 (en) | Automated semiconductor platform testing | |
| CN117971629B (zh) | 服务器的性能参数的测试方法和装置、存储介质 | |
| CN115545191B (zh) | 电流降噪网络模型训练方法及故障限流器电流降噪方法 | |
| Oinonen et al. | Non-Intrusive Load Monitoring Using Machine Learning Accelerator Hardware for Smart Meters | |
| CN117277422B (zh) | 一种直驱风电场稳定评估方法、系统、终端及介质 | |
| CN116155630B (zh) | 恶意流量识别方法及相关设备 | |
| US11836800B1 (en) | Method and system for controlling hardware performance for high frequency trading |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |