KR102622634B1 - System for non-intrusive load monitoring of electronic device and method thereof - Google Patents

System for non-intrusive load monitoring of electronic device and method thereof Download PDF

Info

Publication number
KR102622634B1
KR102622634B1 KR1020210178206A KR20210178206A KR102622634B1 KR 102622634 B1 KR102622634 B1 KR 102622634B1 KR 1020210178206 A KR1020210178206 A KR 1020210178206A KR 20210178206 A KR20210178206 A KR 20210178206A KR 102622634 B1 KR102622634 B1 KR 102622634B1
Authority
KR
South Korea
Prior art keywords
data
power
electronic device
load monitoring
module
Prior art date
Application number
KR1020210178206A
Other languages
Korean (ko)
Other versions
KR20230089652A (en
Inventor
김민국
문정민
김용현
Original Assignee
한국광기술원
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 한국광기술원 filed Critical 한국광기술원
Priority to KR1020210178206A priority Critical patent/KR102622634B1/en
Publication of KR20230089652A publication Critical patent/KR20230089652A/en
Application granted granted Critical
Publication of KR102622634B1 publication Critical patent/KR102622634B1/en

Links

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
    • G01R22/10—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
    • G01R21/00—Arrangements for measuring electric power or power factor
    • G01R21/006—Measuring power factor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R21/00—Arrangements for measuring electric power or power factor
    • G01R21/06—Arrangements for measuring electric power or power factor by measuring current and voltage
    • 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
    • G01R21/1331—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
    • 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
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

본 발명은 인공 지능 모델을 이용한 전자기기의 비침식 부하 모니터링 시스템 및 그 방법에 관한 것으로서, 전자기기의 비침식 부하 모니터링 시스템에 있어서, 기 설정된 공간 내 전자기기별 측정한 전류, 전압, 전력 특성값을 포함한 전력 데이터를 수집하는 데이터 수집 모듈; 상기 데이터 수집 모듈에서 수집된 전력 데이터에 대한 결측치 보상 및 데이터 라벨링을 포함한 데이터 전처리를 수행하는 데이터 전처리 모듈; 상기 데이터 전처리 모듈에서 전처리된 전력데이터를 이용하여 시계열 회귀분석 알고리즘과 분류 알고리즘을 이용하는 인공지능 모델을 학습하는 데이터 학습 모듈; 및 학습된 인공지능 모델을 이용하여 전자기기별 동작 상태를 분류하고, 전자기기에 대한 소비 전력량을 예측하여, 분류 및 예측된 결과를 사용자에게 제공하는 부하 모니터링 모듈을 포함하는 시스템 일 수 있다.The present invention relates to a non-erosive load monitoring system and method for electronic devices using an artificial intelligence model. In the non-erosive load monitoring system for electronic devices, the current, voltage, and power characteristic values measured for each electronic device in a preset space A data acquisition module that collects power data, including: a data pre-processing module that performs data pre-processing including missing value compensation and data labeling on the power data collected in the data collection module; a data learning module that learns an artificial intelligence model using a time series regression analysis algorithm and a classification algorithm using the power data preprocessed in the data preprocessing module; And it may be a system that includes a load monitoring module that classifies the operating state of each electronic device using a learned artificial intelligence model, predicts the amount of power consumption for the electronic device, and provides the classification and predicted results to the user.

Description

전자기기의 비침식 부하 모니터링 시스템 및 그 방법{System for non-intrusive load monitoring of electronic device and method thereof}System for non-intrusive load monitoring of electronic device and method thereof}

본 발명은 각 부하별 동작 상태와 전력 소비량을 모닝터링하고, 모니터링 결과를 알려줄 수 있는 전자기기의 비침식 부하 모니터링 시스템 및 그 방법에 관한 것이다.The present invention relates to a non-eroding load monitoring system and method for electronic devices that can monitor the operating status and power consumption of each load and provide monitoring results.

이 부분에 기술된 내용은 단순히 본 발명의 일 실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.The content described in this part simply provides background information on an embodiment of the present invention and does not constitute prior art.

스마트 그리드에 대한 관심이 지속적으로 증가함에 따라 전력 소비 최적화 방법도 많이 활용되고 있다. 전력소비 최적화 방법에는 침입 부하 모니터링(intrusive load monitoring, ILM) 기술은 가전기기들의 전력 소비량을 읽고 사용자의 사용 패턴을 인식하는 것이다. 침입 부하 모니터링 기술은 각 가전기기들마다 전력 소비량을 알아낼 수 있는 장치를 필요로 하기 때문에, 비용 문제로 인해 현실적으로 적용하기가 어렵다.As interest in smart grid continues to increase, power consumption optimization methods are also being widely used. A way to optimize power consumption is intrusive load monitoring (ILM) technology, which reads the power consumption of home appliances and recognizes the user's usage patterns. Since intrusive load monitoring technology requires a device that can determine the power consumption of each home appliance, it is difficult to apply realistically due to cost issues.

이러한 침입 부하 모니터링 기술의 문제점을 해결하기 위해, 가전기기들의 전력 소비량이 모두 집계된 총 전력 소비량으로 각 가전기기들의 종류들을 알아내는 기술로서, 비침입 부하 모니터링(NILM, non-intrusive load monitoring) 기술을 사용하고 있다. In order to solve the problems of this intrusive load monitoring technology, non-intrusive load monitoring (NILM) technology is a technology that determines the type of each home appliance based on the total power consumption of all home appliances. is using .

비침입 부하 모니터링 기술은 전체적인 전압과 전류 공급을 측정하여 건물 내의 개별 부하(가전기기)에 대한 전력 소모량 및 전기 발전 운전 스케줄을 예측하는 기술이다. Non-intrusive load monitoring technology is a technology that measures overall voltage and current supply and predicts power consumption and electricity generation operation schedules for individual loads (home appliances) within a building.

구체적으로, 비침입 부하 모니터링 기술은 샘플링 장치를 통해 수행될 수 있다. 샘플링 장치는 전력 소비 형태를 모니터링 하면서, 각 부하별 전력 소모시 나타내는 특정 패턴을 분석할 수 있다. 구체적으로, 샘플링 장치는 각 부하마다 전력 소모간 특정 패턴을 매칭하는 정보를 가지고, 해당 패턴이 모니터링되는 경우 매칭되는 가전기기가 전력을 소비하고 있음을 모니터링할 수 있다.Specifically, non-intrusive load monitoring techniques can be performed through sampling devices. The sampling device can monitor power consumption patterns and analyze specific patterns in power consumption for each load. Specifically, the sampling device has information matching a specific pattern between power consumption for each load, and when the pattern is monitored, it can monitor that the matched home appliance is consuming power.

이러한 비침입 부하 모니터링 기술은 집계된 전력에서 전력 소비 패턴을 분석하여, 사용자에게 전력 사용에 대한 정보를 제공함으로써 에너지 관리를 통해 경제적으로 최대 12%를 절약할 수 있다고 알려져 있다. It is known that this non-intrusive load monitoring technology can economically save up to 12% through energy management by analyzing power consumption patterns from aggregated power and providing users with information about power use.

그러나, 기존의 비침입 부하 모니터링 기술은 샘플링 장치만으로 각 부하가 소비하는 전력을 알 수 있으나, 외부에서 전력이 공급되는 경우(예를 들면, 태양광 발전장치가 가정에 마련되어 있는 경우, 또는 에너지 관리 시스템이 구비된 가정 또는 건물인 경우), 공급되는 전력까지 고려된 전력 소비량을 알 수 없다는 문제가 있다.However, existing non-intrusive load monitoring technology can know the power consumed by each load with only a sampling device, but when power is supplied from outside (for example, when a solar power generation device is installed at home, or when energy management (in the case of a home or building equipped with a system), there is a problem that the power consumption considering the supplied power cannot be known.

또한, 기존의 비침입 부하 모니터링 기술은 집계된 전력만 가지고 가전기기들을 분류하는 것이 사실상 어렵기 때문에, 가전기기 분류의 정확도를 높이기 위하여 전력 데이터 뿐만 아니라 주파수를 측정하는 장치를 이용하여 푸리에 변환을 통해 전력 사용량을 예측하는 방법이 있다. 그러나 주파수를 이용하여 전력 사용량을 예측하는 방법은 높은 정확도를 보여주지만, 인프라 구축 비용과 연산 복잡도로 인해 구현이 어렵다는 문제점이 있다. In addition, since it is virtually difficult for existing non-intrusive load monitoring technology to classify home appliances based only on aggregated power, in order to improve the accuracy of home appliance classification, a device that measures frequency as well as power data is used to perform Fourier transformation. There are ways to predict power usage. However, although the method of predicting power usage using frequency shows high accuracy, it has the problem of being difficult to implement due to infrastructure construction costs and computational complexity.

본 발명은 전술한 문제점을 해결하기 위하여, 본 발명의 일 실시예에 따라 인공 지능 모델을 이용하여 전력 데이터 분석을 통해 각 전자기기의 사용 여부 및 전력 소비량을 예측할 수 있는 전자기기의 비침식 부하 모니터링 시스템 및 그 방법을 제공하는 것에 목적이 있다.In order to solve the above-mentioned problems, the present invention provides non-erosive load monitoring of electronic devices that can predict the use and power consumption of each electronic device through power data analysis using an artificial intelligence model according to an embodiment of the present invention. The purpose is to provide a system and method.

다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.However, the technical challenge that this embodiment aims to achieve is not limited to the technical challenges described above, and other technical challenges may exist.

상기한 기술적 과제를 달성하기 위한 기술적 수단으로서 본 발명의 일 실시예에 따른 인공 지능 모델을 이용한 전자기기의 비침식 부하 모니터링 시스템은, 전자기기의 비침식 부하 모니터링 시스템에 있어서, 기 설정된 공간 내 전자기기별 측정한 전류, 전압, 전력 특성값을 포함한 전력 데이터를 수집하는 데이터 수집 모듈; 상기 데이터 수집 모듈에서 수집된 전력 데이터에 대한 결측치 보상 및 데이터 라벨링을 포함한 데이터 전처리를 수행하는 데이터 전처리 모듈; 상기 데이터 전처리 모듈에서 전처리된 전력데이터를 이용하여 시계열 회귀분석 알고리즘과 분류 알고리즘을 이용하는 인공지능 모델을 학습하는 데이터 학습 모듈; 및 학습된 인공지능 모델을 이용하여 전자기기별 동작 상태를 분류하고, 전자기기에 대한 소비 전력량을 예측하여, 분류 및 예측된 결과를 사용자에게 제공하는 부하 모니터링 모듈을 포함하는 것이다.As a technical means for achieving the above-mentioned technical problem, a non-erosive load monitoring system for electronic devices using an artificial intelligence model according to an embodiment of the present invention is a non-erosive load monitoring system for electronic devices, wherein the electronic device within a preset space A data collection module that collects power data including current, voltage, and power characteristic values measured for each device; a data pre-processing module that performs data pre-processing including missing value compensation and data labeling on the power data collected in the data collection module; a data learning module that learns an artificial intelligence model using a time series regression analysis algorithm and a classification algorithm using the power data preprocessed in the data preprocessing module; and a load monitoring module that classifies the operating state of each electronic device using a learned artificial intelligence model, predicts the amount of power consumption for the electronic device, and provides the classification and predicted results to the user.

상기 전력 특성값은 유효 전력, 무효 전력, 피상 전력, 역률, 주파수를 포함하는 것이다. The power characteristic values include active power, reactive power, apparent power, power factor, and frequency.

상기 전력 데이터는 파워 오프 시간(Power Off Time)과 파워 온 시간(Power On Time)에서 측정한 값을 포함하는 것이다.The power data includes values measured at Power Off Time and Power On Time.

상기 데이터 전처리 모듈은, 상기 전자기기별 전력데이터마다 파워 온 상태와 파워 오프 상태를 라벨링 표시하는 라벨링부; 및 상기 전력 데이터의 수집시 데이터 누락이 발생된 결측치에 대해, 결측치 이전의 데이터와 결측치 이후의 데이터를 이용하여 평균화 기법을 통해 결측치 값을 보상하는 결측치 보상부를 포함하는 것이다.The data pre-processing module includes a labeling unit that labels and displays a power-on state and a power-off state for each power data for each electronic device; and a missing value compensation unit that compensates for missing values in which data omission occurs when collecting the power data through an averaging technique using data before the missing value and data after the missing value.

상기 인공 지능 모델은, CNN(Convolutional Neural Network)과 RNN(Recurrent Neural Network)이 순차적으로 하이브리드 결합된 CRNN(Convolutional Recurrent Neural Network)을 사용하는 것이다. The artificial intelligence model uses a Convolutional Recurrent Neural Network (CRNN), which is a sequential hybrid combination of a Convolutional Neural Network (CNN) and a Recurrent Neural Network (RNN).

상기 데이터 학습 모듈은, 기 설정된 공간 내에서 n개의 전자기기를 사용하는 경우에, 전자기기별 단독 사용시 수집된 전력 데이터, 적어도 하나 이상의 전자기기의 동시 사용시 동작중인 전자기기의 수만큼 수집된 전력 데이터, 적어도 하나 이상의 전자기기의 동시 사용시 전자기기의 동작 순서에 따라 수집된 전력 데이터들을 학습 데이터로 이용하는 것이다. When using n electronic devices within a preset space, the data learning module provides power data collected when each electronic device is used alone, and power data collected as many as the number of electronic devices in operation when at least one electronic device is used simultaneously. , When using at least one or more electronic devices simultaneously, the power data collected according to the operation sequence of the electronic devices is used as learning data.

상기 데이터 학습 모듈은, 상기 전력 데이터를 시간 도메인에서 주파수 도메인으로 변환하여 이미지 데이터로 변환하는 데이터 변환부; 및 상기 데이터 변환부에서 변환된 이미지 데이터를 상기 인공지능 모델의 학습 데이터로 제공하는 데이터 입력부를 포함하는 것이다. The data learning module includes a data conversion unit that converts the power data from the time domain to the frequency domain and converts it into image data; and a data input unit that provides image data converted by the data conversion unit as training data for the artificial intelligence model.

상기 데이터 변환부는, 상기 이미지 데이터를 구현하기 위해, STFT(Short Time Fourier Transform)를 기반으로 하는 스펙트로그램(Spectrogram)을 사용하는 것이다. The data conversion unit uses a spectrogram based on STFT (Short Time Fourier Transform) to implement the image data.

상기 부하 모니터링 모듈은, 상기 전력 데이터를 시간 도메인에서 주파수 도메인으로 변환하여 이미지 데이터로 변환하는 데이터 변환부; 상기 데이터 변환부에서 변환된 이미지 데이터를 학습된 인공지능 모델의 입력 데이터로 제공하는 데이터 입력부; 학습된 인공 지능 모델을 이용하여 동작중인 전자 기기를 분류하고, 전자기기별 전력 소비량에 대한 예측 결과를 제공하는 예측 및 분류부; 및 상기 예측 및 분류부에서 예측 및 분류된 결과를 제공하는 정보 제공부를 포함하는 것이다. The load monitoring module includes a data conversion unit that converts the power data from the time domain to the frequency domain and converts it into image data; a data input unit that provides image data converted by the data conversion unit as input data for a learned artificial intelligence model; a prediction and classification unit that classifies electronic devices in operation using a learned artificial intelligence model and provides prediction results for power consumption for each electronic device; and an information provision unit that provides results predicted and classified by the prediction and classification unit.

상기 부하 모니터링 모듈은, 상기 예측 및 분류부를 통해 각 전자기기의 파워 온 상태와 파워 오프 상태를 예측하여 데이터 후처리를 통해 각 전자기기의 예측 상태를 구분하고, 데이터 후처리된 전자기기의 예측 상태와 실제 상태를 비교하여 정확도를 측정하는 모델 검증부를 더 포함하는 것이다.The load monitoring module predicts the power-on state and power-off state of each electronic device through the prediction and classification unit, classifies the predicted state of each electronic device through data post-processing, and predicts the predicted state of the electronic device after data post-processing. It further includes a model verification unit that measures accuracy by comparing the and actual state.

본 발명의 일 실시예에 따른 인공 지능 모델을 이용한 전자기기의 비침식 부하 모니터링 방법은, 전자기기의 비침식 부하 모니터링 시스템에 의해 수행되는 전자기기의 비침식 부하 모니터링 방법에 있어서, 기 설정된 공간 내 전자기기별 측정한 전류, 전압, 전력 특성값을 포함한 전력 데이터를 수집하는 데이터 수집 과정; 수집된 전력 데이터에 대한 결측치 보상 및 데이터 라벨링을 포함한 데이터 전처리를 수행하는 데이터 전처리 과정; 상기 데이터 전처리 과정에서 전처리된 전력 데이터를 이용하여 시계열 회귀분석 알고리즘과 분류 알고리즘을 이용하는 인공지능 모델을 학습하는 데이터 학습 과정; 및 학습된 인공지능 모델을 이용하여 전자기기별 동작 상태를 분류하고, 전자기기에 대한 소비 전력량을 예측하여, 분류 및 예측된 결과를 제공하는 부하 모니터링 과정을 포함하는 것이다. The non-erosive load monitoring method of an electronic device using an artificial intelligence model according to an embodiment of the present invention is a non-erosive load monitoring method of an electronic device performed by a non-erosive load monitoring system of an electronic device, within a preset space. A data collection process that collects power data including current, voltage, and power characteristic values measured for each electronic device; A data preprocessing process that performs data preprocessing, including missing value compensation and data labeling, on the collected power data; A data learning process of learning an artificial intelligence model using a time series regression analysis algorithm and a classification algorithm using the power data preprocessed in the data preprocessing process; And it includes a load monitoring process that classifies the operating state of each electronic device using a learned artificial intelligence model, predicts the amount of power consumption for the electronic device, and provides classification and predicted results.

상기 인공 지능 모델은, CNN(Convolutional Neural Network)과 RNN(Recurrent Neural Network)이 순차적으로 하이브리드 결합된 CRNN(Convolutional Recurrent Neural Network)을 사용하는 것이다.The artificial intelligence model uses a Convolutional Recurrent Neural Network (CRNN), which is a sequential hybrid combination of a Convolutional Neural Network (CNN) and a Recurrent Neural Network (RNN).

전술한 본 발명의 과제 해결 수단에 의하면, 본 발명은 전자기기 동작 시의 전류, 전압 및 전력 특성값을 포함한 전력 데이터를 이용하여 인공지능 모델을 학습하고, 학습된 인공지능 모델을 이용하여 가정 또는 사무실, 공장 등에서 사용 중인 전자기기의 동작 여부 및 전력 소비량을 파악함으로써 전력 사용 저감을 위한 방안을 제시할 수 있고, 전력 소비량이 많은 전자기기에 대한 교체 권고, 고장 예측, 에너지 감시 및 수요 관리 등을 수행할 수 있는 효과가 있다.According to the means for solving the problem of the present invention described above, the present invention learns an artificial intelligence model using power data including current, voltage, and power characteristic values when operating an electronic device, and uses the learned artificial intelligence model to make assumptions or By identifying the operation and power consumption of electronic devices in use in offices, factories, etc., measures to reduce power use can be suggested, and recommendations for replacement of electronic devices with high power consumption, failure prediction, energy monitoring, and demand management are provided. There is an effect that can be achieved.

도 1은 본 발명의 일 실시예에 따른 인공 지능 모델을 이용한 전자기기의 비침식 부하 모니터링 시스템의 구성을 설명하는 블록도이다.
도 2는 본 발명의 일 실시예에 따른 인공 지능 모델을 이용한 전자기기의 비침식 부하 모니터링 시스템의 구성을 설명하는 도면이다.
도 3은 본 발명의 일 실시예에 따른 데이터 전처리 모듈의 데이터 라벨링 과정을 설명하는 예시도이다.
도 4는 본 발명의 일 실시예에 따른 예측 및 분류 모델에서 사용하는 인공지능 모델을 설명하는 예시도이다.
도 5는 본 발명의 일 실시예에 따른 전력 데이터화의 이미지화 과정을 설명하는 도면이다.
도 6은 본 발명의 일 실시예에 따른 CRNN의 RNN의 은닉 상태 값의 결정하는 과정을 설명하는 예시도이다.
도 7은 본 발명의 일실시예에 따른 전자기기의 비침식 부하 모니터링 방법을 설명하는 순서도이다.Figure 1 is a block diagram illustrating the configuration of a non-erosion load monitoring system for electronic devices using an artificial intelligence model according to an embodiment of the present invention.
Figure 2 is a diagram illustrating the configuration of a non-erosion load monitoring system for electronic devices using an artificial intelligence model according to an embodiment of the present invention.
Figure 3 is an exemplary diagram explaining the data labeling process of the data pre-processing module according to an embodiment of the present invention.
Figure 4 is an example diagram illustrating an artificial intelligence model used in a prediction and classification model according to an embodiment of the present invention.
Figure 5 is a diagram explaining the imaging process of power data conversion according to an embodiment of the present invention.
Figure 6 is an example diagram explaining the process of determining the hidden state value of the RNN of the CRNN according to an embodiment of the present invention.
Figure 7 is a flowchart explaining a method for monitoring non-erosion load of an electronic device according to an embodiment of the present invention.

아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.Below, with reference to the attached drawings, embodiments of the present invention will be described in detail so that those skilled in the art can easily implement the present invention. However, the present invention may be implemented in many different forms and is not limited to the embodiments described herein. In order to clearly explain the present invention in the drawings, parts that are not related to the description are omitted, and similar parts are given similar reference numerals throughout the specification.

명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미하며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.Throughout the specification, when a part is said to be "connected" to another part, this includes not only the case where it is "directly connected," but also the case where it is "electrically connected" with another element in between. . In addition, when a part is said to "include" a certain component, this does not mean excluding other components unless specifically stated to the contrary, but may further include other components, and one or more other features. It should be understood that it does not exclude in advance the presence or addition of numbers, steps, operations, components, parts, or combinations thereof.

본 명세서에서 ‘단말’은 휴대성 및 이동성이 보장된 무선 통신 장치일 수 있으며, 예를 들어 스마트 폰, 태블릿 PC 또는 노트북 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치일 수 있다. 또한, ‘단말’은 네트워크를 통해 다른 단말 또는 서버 등에 접속할 수 있는 PC 등의 유선 통신 장치인 것도 가능하다. 또한, 네트워크는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 근거리 통신망(LAN: Local Area Network), 광역 통신망(WAN: Wide Area Network), 인터넷 (WWW: World Wide Web), 유무선 데이터 통신망, 전화망, 유무선 텔레비전 통신망 등을 포함한다. In this specification, a ‘terminal’ may be a wireless communication device that guarantees portability and mobility, and may be any type of handheld-based wireless communication device such as a smart phone, tablet PC, or laptop, for example. Additionally, the ‘terminal’ may be a wired communication device such as a PC that can connect to another terminal or server through a network. In addition, a network refers to a connection structure that allows information exchange between nodes such as terminals and servers, including a local area network (LAN), a wide area network (WAN), and the Internet (WWW). : World Wide Web), wired and wireless data communication networks, telephone networks, and wired and wireless television communication networks.

무선 데이터 통신망의 일례에는 3G, 4G, 5G, 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), 와이파이(Wi-Fi), 블루투스 통신, 적외선 통신, 초음파 통신, 가시광 통신(VLC: Visible Light Communication), 라이파이(LiFi) 등이 포함되나 이에 한정되지는 않는다.Examples of wireless data communication networks include 3G, 4G, 5G, 3GPP (3rd Generation Partnership Project), LTE (Long Term Evolution), WIMAX (World Interoperability for Microwave Access), Wi-Fi, Bluetooth communication, infrared communication, and ultrasound. This includes, but is not limited to, communication, Visible Light Communication (VLC), LiFi, etc.

이하의 실시예는 본 발명의 이해를 돕기 위한 상세한 설명이며, 본 발명의 권리 범위를 제한하는 것이 아니다. 따라서 본 발명과 동일한 기능을 수행하는 동일 범위의 발명 역시 본 발명의 권리 범위에 속할 것이다.The following examples are detailed descriptions to aid understanding of the present invention and do not limit the scope of the present invention. Accordingly, inventions of the same scope and performing the same function as the present invention will also fall within the scope of rights of the present invention.

또한, 본 발명의 각 실시예에 포함된 각 구성, 과정, 공정 또는 방법 등은 기술적으로 상호간 모순되지 않는 범위 내에서 공유될 수 있다.Additionally, each configuration, process, process, or method included in each embodiment of the present invention may be shared within the scope of not being technically contradictory to each other.

이하 첨부된 도면을 참고하여 본 발명의 일 실시예를 상세히 설명하기로 다.Hereinafter, an embodiment of the present invention will be described in detail with reference to the attached drawings.

도 1은 본 발명의 일 실시예에 따른 인공 지능 모델을 이용한 전자기기의 비침식 부하 모니터링 시스템의 구성을 설명하는 블록도이고, 도 2는 본 발명의 일 실시예에 따른 인공 지능 모델을 이용한 전자기기의 비침식 부하 모니터링 시스템의 구성을 설명하는 도면이다. 또한, 도 3은 본 발명의 일 실시예에 따른 데이터 전처리 모듈의 데이터 라벨링 과정을 설명하는 예시도이며, 도 4는 본 발명의 일 실시예에 따른 예측 및 분류 모델에서 사용하는 인공지능 모델을 설명하는 예시도이다. Figure 1 is a block diagram illustrating the configuration of a non-erosion load monitoring system for electronic devices using an artificial intelligence model according to an embodiment of the present invention, and Figure 2 is a block diagram illustrating the configuration of an electronic device using an artificial intelligence model according to an embodiment of the present invention. This is a diagram explaining the configuration of the device's non-erosion load monitoring system. In addition, Figure 3 is an example diagram illustrating the data labeling process of the data pre-processing module according to an embodiment of the present invention, and Figure 4 illustrates an artificial intelligence model used in the prediction and classification model according to an embodiment of the present invention. This is an example.

도 1 내지 도 4를 참조하면, 인공 지능 모델을 이용한 전자기기의 비침식 부하 모니터링 시스템(100)은, 데이터 수집 모듈(110), 데이터 전처리 모듈(120), 데이터 학습 모듈(130) 및 부하 모니터링 모듈(140)을 포함하지만 이에 한정되지는 않는다. 1 to 4, the non-eroding load monitoring system 100 for electronic devices using an artificial intelligence model includes a data collection module 110, a data preprocessing module 120, a data learning module 130, and load monitoring. Including, but not limited to, module 140.

데이터 수집 모듈(110)은 기 설정된 공간 내 냉장고, 진공청소기, 텔레비젼, 전기레인지 등의 전자기기(10)에서 측정된 전류값, 전압값, 전력 특성값 등을 포함한 전력 데이터를 수집한다. 데이터 수집 모듈(110)은 전력 또는 전류 센서, IoT 장치, 미터링 장치 등을 통해 전력 데이터를 수집할 수 있다.The data collection module 110 collects power data including current values, voltage values, and power characteristic values measured from electronic devices 10 such as refrigerators, vacuum cleaners, televisions, and electric ranges in a preset space. The data collection module 110 may collect power data through a power or current sensor, IoT device, metering device, etc.

기 설정된 공간은 사무실, 상가, 빌딩, 공장, 가정집, 공동주택 등이 적어도 하나 이상의 부하, 즉 전자기기를 사용하는 공간이 될 수 있다. 전력 특성값은 유효 전력, 무효 전력, 피상 전력, 역률, 주파수 등을 포함한다. 이때, 전력 데이터는 파워 오프 시간(Power Off Time)과 파워 온 시간(Power On Time)에서 측정한 값을 포함한다. The preset space may be a space where offices, shopping malls, buildings, factories, homes, apartments, etc. use at least one load, that is, electronic devices. Power characteristic values include active power, reactive power, apparent power, power factor, frequency, etc. At this time, the power data includes values measured at Power Off Time and Power On Time.

데이터 전처리 모듈(120)은 데이터 수집 모듈(110)의 전력 데이터의 수집시 결측치에 대해 보상을 수행하고, 인공지능 모델의 적합한 데이터로 정제 및 변환작업을 수행한다. The data pre-processing module 120 compensates for missing values when collecting power data of the data collection module 110, and performs purification and conversion into appropriate data for the artificial intelligence model.

데이터 전처리 모듈(120)은 데이터 분석에 필요한 태그를 붙여주는데, 각 전력 데이터마다 전자기기별로 파워 온 상태와 파워 오프 상태를 라벨링 표시하는 라벨링부(121)를 포함한다. 일례로, 도 3에 도시된 바와 같이, 라벨링부(121)는 파워 온 상태의 전자기기는 숫자 '1'로 표시하고, 파워 오프 상태의 전자기기는 숫자 '0'으로 표시할 수 있다. The data preprocessing module 120 attaches tags necessary for data analysis, and includes a labeling unit 121 that labels and displays the power on state and power off state for each electronic device for each power data. For example, as shown in FIG. 3, the labeling unit 121 may display the number '1' for an electronic device in a power-on state, and display the number '0' for an electronic device in a power-off state.

데이터 전처리 모듈(120)은 결측치 이전의 데이터와 결측치 이후의 데이터를 이용하여 평균화 기법을 통해 결측치 값을 보상하는 결측치 보상부(122)를 포함한다. 결측치 보상부(122)는 평균화 기법 외에도 LSTM, GRU-D(Gated Recurrent Unit with traninable-Decay), M-RNN(Multi-directional Recurrent Neural Networks) 등의 기술을 사용하여 누락된 데이터를 복원할 수도 있다. The data pre-processing module 120 includes a missing value compensation unit 122 that compensates for the missing value through an averaging technique using data before the missing value and data after the missing value. In addition to averaging techniques, the missing value compensation unit 122 may also restore missing data using techniques such as LSTM, Gated Recurrent Unit with traninable-Decay (GRU-D), and Multi-directional Recurrent Neural Networks (M-RNN). .

인공지능 모델의 학습 및 예측을 위해 누락이 없는 양질의 데이터를 필요로 한다. 하지만 실제 전력 데이터를 수집하는 경우에 센서 오류, 네트워크 오류 등으로 데이터가 누락되는 경우가 자주 발생한다. 이때, 결측치 보상부(122)는 데이터 수집시 빠져있거나 이상치가 있는 경우에 복원하는 결측치 처리 작업을 수행한다. For learning and prediction of artificial intelligence models, high-quality data without omission is required. However, when collecting actual power data, data is often missing due to sensor errors, network errors, etc. At this time, the missing value compensation unit 122 performs a missing value processing task to restore if there are missing or outlier values during data collection.

데이터 학습 모듈(130)은 데이터 전처리 작업이 완료된 전력 데이터를 학습 데이터로 하여 인공지능 모델(200)을 학습하는데, 1개의 전자기기 단독 사용시 수집된 전력 데이터, 2개의 전자 기기의 동시 사용시 수집된 전력 데이터, n개의 전자기기 동시 사용시 수집된 전력 데이터를 모두 학습 데이터로 활용한다. 또한, 데이터 학습 모듈(130)은 n개의 전자기기가 동시 사용중인 경우에 각 전자기기의 동작 순서에 따라 전력 데이터의 값이 달라지므로, 인공 지능 모델이 모든 경우의 수(nCr, n : 총 전자기기의 수, r : 동작중인 전자기기의 수)의 데이터들 학습데이터로 수집하여 학습할 수 있다. The data learning module 130 learns the artificial intelligence model 200 using power data for which data preprocessing has been completed as learning data, including power data collected when one electronic device is used alone and power collected when two electronic devices are used simultaneously. Data, all power data collected when n electronic devices are used simultaneously are used as learning data. In addition, the data learning module 130 determines that when n electronic devices are in use simultaneously, the value of the power data varies depending on the operation order of each electronic device, so the artificial intelligence model calculates the number of all cases (nCr, n: total electronic devices). Data on the number of devices (r: number of electronic devices in operation) can be collected and learned as learning data.

데이터 학습 모듈(130)은 초기 취득한 전력 데이터를 시간, 공간, 날씨 등과 같은 다양한 조건으로 분리하여 학습 데이터의 양을 증가시킬 수 있고, 학습 데이터 양이 많아질수록 인공 지능 모델의 예측 밀 분류에 대한 성능이 향상될 수 있다. The data learning module 130 can increase the amount of learning data by separating the initially acquired power data into various conditions such as time, space, weather, etc., and as the amount of learning data increases, the predictive wheat classification of the artificial intelligence model can be improved. Performance can be improved.

단독으로 전자기기가 동작할 때의 전력 데이터는 정상 상태(steady state)의 데이터로서 의미를 가지며, 인공 지능 모델(200)의 학습 시에 가장 큰 부분을 차지한다. 그리고, 복수의 전자기기가 동작할 때의 전력 데이터는 정상 상태의 데이터 뿐만 아니라 과도 상태(transient state)의 데이터로서 의미를 가지게 된다. Power data when an electronic device operates alone has meaning as steady state data, and occupies the largest portion when learning the artificial intelligence model 200. And, power data when a plurality of electronic devices operate has meaning not only as data in a steady state but also as data in a transient state.

인공 지능 모델(200)의 알고리즘의 정밀도를 위해서는 전력 특성값을 순시값(instantaneous value)으로 취득하여 사용할 수 있지만, 샘플링 주기에 따라 생성되는 데이터가 기하 급수적으로 증가하므로 실효값(root mean square (RMS) value)을 사용할 수도 있다. In order to improve the accuracy of the algorithm of the artificial intelligence model 200, the power characteristic value can be acquired and used as an instantaneous value, but since the data generated according to the sampling period increases exponentially, the root mean square (RMS) ) value) can also be used.

부하 모니터링 모듈(140)은 시계열 회귀분석 알고리즘과 분류 알고리즘을 이용하여 수집된 전력 데이터와 각 전자기기의 라벨링을 통하여 동작중인 전자 기기를 분류하고, 전력 소비량을 예측한다. The load monitoring module 140 classifies electronic devices in operation and predicts power consumption through the collected power data and labeling of each electronic device using a time series regression analysis algorithm and a classification algorithm.

부하 모니터링 모듈(140)은 도 4에 도시된 바와 같이, 시계열 회귀 분석 알고리즘과 분류 알고리즘을 수행하기 위해 CRNN(Convolutional Recurrent Neural Network)을 사용하는데, CRNN은 CNN(Convolutional Neural Network)과 RNN(Recurrent Neural Network)이 순서대로 하이브리드 결합된 인공지능 모델이다. As shown in FIG. 4, the load monitoring module 140 uses a Convolutional Recurrent Neural Network (CRNN) to perform a time series regression analysis algorithm and a classification algorithm. CRNN uses a Convolutional Neural Network (CNN) and a Recurrent Neural Network (RNN). Network) is an artificial intelligence model that is hybridized in this order.

부하 모니터링 모듈(140)은 주파수 변환을 통해 이미지화된 특징값을 2D-CNN의 입력 값으로 입력한 후 CNN의 컨벌루션 층(Convolutional Layer)과 풀링층(Pooling Layer)을 거치면서 전자기기별 압축된 특징값을 산출하고, 이렇게 산출된 특징값을 RNN의 입력 단자로 입력하여 시간적인 특성을 반영하여 예측 및 분류값을 출력할 수 있다. 이때, 인공지능 모델(200)의 출력단에는 전자기기별 분류 확률값을 소프트맥스(Softmax)를 통하여 표시해줄 수 있다. The load monitoring module 140 inputs the imaged feature values through frequency conversion as input values of the 2D-CNN and then passes through the convolutional layer and pooling layer of the CNN to compressed features for each electronic device. By calculating the value and inputting the calculated feature value into the input terminal of the RNN, prediction and classification values can be output by reflecting temporal characteristics. At this time, the output terminal of the artificial intelligence model 200 can display the classification probability value for each electronic device through Softmax.

데이터베이스(150)에는 데이터 수집모듈(110), 데이터 전처리 모듈(120), 데이터 학습 모듈(120) 및 부하 모니터링 모듈(140)에서 처리되는 데이터들을 저장한다. The database 150 stores data processed in the data collection module 110, data pre-processing module 120, data learning module 120, and load monitoring module 140.

도 5는 본 발명의 일 실시예에 따른 전력 데이터화의 이미지화 과정을 설명하는 도면이다. Figure 5 is a diagram explaining the imaging process of power data conversion according to an embodiment of the present invention.

도 5에 도시된 바와 같이, CNN을 이용해 특성값을 추출하기 위해서는 1차 원신호에 대해 2차원 이미지화가 요구되므로, 2차원 이미지를 구현하기 위해 STFT(Short Time Fourier Transform)를 기반으로 하는 스펙트로그램(Spectrogram)을 사용한다. 이때, 스펙트로그램은 1차원 원신호를 일정한 길이의 조각으로 나눈 다음, 이 조각에 대하여 푸리에 변환을 적용하여 수평축에는 조각의 시간 정보를 나타내고, 수직축에는 주파수 성분의 크기를 데시벨 단위로 표현한 2차원 이미지들이다. 이 스펙트로그램은 시간-주파수 분석으로 비선형 신호의 특성을 추출하기 위해 적합하며, 노이즈가 있는 데이터를 분석에 유용한 도구이다.As shown in Figure 5, in order to extract feature values using CNN, two-dimensional imaging is required for the one-dimensional raw signal, so a spectrogram based on STFT (Short Time Fourier Transform) is used to implement a two-dimensional image. (Spectrogram) is used. At this time, the spectrogram is a two-dimensional image that divides the one-dimensional raw signal into pieces of a certain length and then applies Fourier transform to these pieces, showing the time information of the piece on the horizontal axis and the size of the frequency component in decibels on the vertical axis. admit. This spectrogram is suitable for extracting the characteristics of nonlinear signals through time-frequency analysis, and is a useful tool for analyzing noisy data.

즉, 도 2 및 도 5에 도시된 바와 같이, 데이터 학습 모듈(130)과 부하 모니터링 모듈(140)은 전압, 전류, 전략 특성 값들을 기 설정된 시간 단위로 나누고, 나눈 시간 단위의 특징값들에 대해 고속 푸리에 변환(Short Time Fourier Transform, STFT)을 수행하고, 고속 푸리에 변환을 통해 스펙트로그램 이미지화하는 데이터 변환부(131, 141) 및 스펙트로그램 이미지를 CNN의 학습 데이터로 제공하거나, CNN의 입력 데이터로 제공하는 데이터 입력부(132, 142)를 포함한다. That is, as shown in FIGS. 2 and 5, the data learning module 130 and the load monitoring module 140 divide the voltage, current, and strategy characteristic values into preset time units and assign the characteristic values of the divided time units to the characteristic values of the divided time units. Data conversion units 131 and 141 perform a fast Fourier transform (Short Time Fourier Transform, STFT) and create a spectrogram image through the fast Fourier transform, and provide the spectrogram image as training data for the CNN, or input data for the CNN. It includes data input units 132 and 142 provided as .

부하 모니터링 모듈(140)의 예측 및 분류부(143)는 학습된 인공 지능 모델(200)을 이용하여 새로운 전력 데이터에 대한 예측 및 분류 결과를 제공하고, 정보 제공부(144)는 예측 및 분류부(143)에서 예측 및 분류된 결과를 알려주는데, 특히 현재 동작중인 것으로 분류된 전자기기와 전력 소비량에 대한 정보를 알려준다. The prediction and classification unit 143 of the load monitoring module 140 provides prediction and classification results for new power data using the learned artificial intelligence model 200, and the information provision unit 144 is a prediction and classification unit. (143) provides predicted and classified results, especially information on electronic devices classified as currently in operation and power consumption.

이때, 정보 제공부(144)는 통신 모듈(미도시)을 통해 사용자 단말 또는 관리자단말로 예측 및 분류 결과를 알려줄 수 있고, 또는 디스플레이 모듈(미도시)을 통해 텍스트, 그래프, 챠트, 보고서 등 다양한 양식으로 예측 및 분류 결과를 출력할 수도 있다. At this time, the information provider 144 can inform the user terminal or manager terminal of the prediction and classification results through a communication module (not shown), or display various information such as text, graphs, charts, and reports through a display module (not shown). Prediction and classification results can also be output in a format.

이러한 부하 모니터링 모듈(140)은 예측 및 분류부(143)를 통해 각 전자기기의 파워 온/오프 상태를 예측하여 데이터 후처리를 통해 각 전자기기의 예측 상태, 파워 온 상태와 파워 오프 상태를 구분하고, 데이터 후처리된 전자기기의 예측 상태와 실제 상태를 비교하여 정확도를 측정하는 모델 검증부(미도시)를 더 포함할 수 있다. 이때, 모델 검증부는 인공 지능 모델(200)에서 예측하여 실제 모델 데이터와 같은 동작 상태의 개수를 전체 상태 개수를 나누어 정확도를 산출할 수 있다.This load monitoring module 140 predicts the power on/off state of each electronic device through the prediction and classification unit 143 and distinguishes the predicted state, power on state, and power off state of each electronic device through data post-processing. It may further include a model verification unit (not shown) that measures accuracy by comparing the predicted state of the electronic device with post-processed data and the actual state. At this time, the model verification unit can calculate the accuracy by dividing the number of operation states predicted by the artificial intelligence model 200 and the same as the actual model data by the total number of states.

본 발명은 측정된 전력 데이터를 데이터 전처리를 통해 각 전자기기의 파워 온/오프 상태로 라벨링 표시하여, 각 전자기기의 파워 온/오프 상태와 전력 소비량을 예측할 수 있기 때문에 기존에 진동수, 온도, 습도 등을 측정하는 새로운 입력 장치를 설치하여 정확도를 높이는 방식을 사용하지 않고도, 예측 결과의 정확도를 높일 수 있다. The present invention labels and displays the measured power data as the power on/off state of each electronic device through data preprocessing, so that the power on/off state and power consumption of each electronic device can be predicted, so that the existing frequency, temperature, and humidity can be predicted. It is possible to increase the accuracy of prediction results without using a method of increasing accuracy by installing a new input device that measures the same.

도 6은 본 발명의 일 실시예에 따른 CRNN의 RNN의 은닉 상태 값의 결정하는 과정을 설명하는 예시도이다.Figure 6 is an example diagram explaining the process of determining the hidden state value of the RNN of the CRNN according to an embodiment of the present invention.

도 6을 참조하면, RNN은 은닉 층의 노드에서 활성화 함수를 통해 나온 결과 값을 출력층 방향으로도 보내면서, 다시 은닉 층 노드의 다음 계산의 입력으로 보내는 특징을 갖고 있다. xt는 입력 층의 입력 벡터, yt는 출력 층의 출력 벡터이다. 은닉 층에서 활성화 함수를 통해 결과를 내보내는 역할을 하는 노드를 셀(cell)이라고 한다. 이 셀은 이전의 값을 기억하려고 하는 일종의 메모리 역할을 수행하므로 이를 메모리 셀 또는 RNN 셀이라고 표현한다. 이때 은닉 층의 메모리 셀은 각각의 시점(time step)에서 바로 이전 시점에서의 은닉 층의 메모리 셀에서 나온 값을 자신의 입력으로 사용하는 재귀적 활동을 한다. 그래서 현재 시점을 변수 t라고 둔다. 이는 현재 시점 t에서의 메모리 셀이 갖고 있는 값은 과거의 메모리 셀들의 값에 영향을 받는다는 것을 의미한다. 메모리 셀이 출력 층 방향으로 또는 다음 시점t+1의 자신에게 보내는 값을 은닉 상태(hidden state)라고 한다. 즉, t-1 시점의 메모리 셀이 보낸 은닉 상태 값을 t시점의 은닉 상태 계산을 위한 입력 값으로 사용한다.Referring to Figure 6, RNN has the characteristic of sending the result value obtained through the activation function at the node of the hidden layer to the output layer and again as the input of the next calculation of the hidden layer node. x t is the input vector of the input layer, and y t is the output vector of the output layer. The node responsible for sending out results through the activation function in the hidden layer is called a cell. This cell acts as a kind of memory that tries to remember previous values, so it is referred to as a memory cell or RNN cell. At this time, the memory cell of the hidden layer performs a recursive activity at each time step using the value from the memory cell of the hidden layer at the previous time step as its input. So let the current point be the variable t. This means that the value of a memory cell at the current time t is influenced by the values of past memory cells. The value that the memory cell sends to the output layer or to itself at the next time point t+1 is called a hidden state. That is, the hidden state value sent by the memory cell at time t-1 is used as an input value for calculating the hidden state at time t.

RNN에서 현재 시점 t에서의 은닉 상태 값을 ht 라고 정의하면, 은닉 층의 메모리 셀은 ht를 계산하기 위해서 총 두 개의 가중치를 갖게 된다. 하나는 입력 층에서 입력 값을 위한 가중치 Wx 이고, 하나는 t-1 시점에서의 은닉 상태 값인 ht-1을 위한 가중치 Wh 이다.In RNN, if the hidden state value at the current time t is defined as h t , the memory cell of the hidden layer has a total of two weights to calculate h t . One is the weight W x for the input value in the input layer, and the other is the weight W h for h t-1, which is the hidden state value at time t-1.

ht는 은닉 층에서의 상태 값이고, yt는 출력 층에서의 결과 값으로서 하기한 수학식 1과 같이 나타낼 수 있고, 수학식 1에서 f는 비선형 활성화 함수 중 하나를 의미한다. ht를 계산하기 위한 활성화함수로 수학식 1과 같이 하이퍼볼릭탄젠트 함수(tanh)가 사용되지만, 렐루 함수(Rectified Linear Unit, ReLU)로 바꿔 사용할 수도 있다.h t is the state value in the hidden layer, y t is the result value in the output layer and can be expressed as Equation 1 below, and in Equation 1, f means one of the non-linear activation functions. As an activation function to calculate h t , the hyperbolic tangent function (tanh) is used as shown in Equation 1, but it can also be replaced with the ReLU function (Rectified Linear Unit, ReLU).

[수학식 1][Equation 1]

이와 같이, 부하 모니터링 모듈(140)은 전력 데이터 분석을 통하여 각 부하들이 사용하는 전력이나 사용패턴, 동작여부를 파악할 수 있고, 불필요한 전력 사용은 없는지, 안전하게 사용하고 있는지, 생활패턴이 어떤지, 전자기기가 노후되지는 않았는지 확인할 수 있도록 한다.In this way, the load monitoring module 140 can determine the power used, usage patterns, and operation of each load through power data analysis, check whether unnecessary power is used, whether it is used safely, what life patterns are, and electronic devices. This allows you to check if it is not worn out.

도 7은 본 발명의 일실시예에 따른 전자기기의 비침식 부하 모니터링 방법을 설명하는 순서도이다.Figure 7 is a flowchart explaining a method for monitoring non-erosion load of an electronic device according to an embodiment of the present invention.

도 7을 참조하면, 전자기기의 비침식 부하 모니터링 시스템(100)은 기 설정된 공간 내 전자기기별 측정한 전류, 전압, 전력 특성값을 포함한 전력 데이터를 수집한다(S1).Referring to FIG. 7, the non-erosive load monitoring system 100 for electronic devices collects power data including current, voltage, and power characteristic values measured for each electronic device within a preset space (S1).

전자기기의 비침식 부하 모니터링 시스템(100)은 수집된 전력 데이터에 대해 평균값 보상 기법을 통해 결측치를 보상하고, 파워 온 상태와 파워 오프 상태를 구분하기 위한 데이터 라벨링을 포함한 데이터 전처리를 수행한다(S2). The non-eroding load monitoring system 100 for electronic devices compensates for missing values through an average value compensation technique for the collected power data and performs data preprocessing including data labeling to distinguish between power on and power off states (S2 ).

전자기기의 비침식 부하 모니터링 시스템(100)은 데이터 전처리 과정에서 전처리된 전력 데이터를 이용하여 시계열 회귀분석 알고리즘과 분류 알고리즘을 이용하는 하이브리드 운용되는 인공지능 모델(200)을 학습한다(S3). 이때, 인공 지능 모델은 CRNN을 사용함으로써 CNN의 이미지 압축 특징 추출, RNN의 시간 특성 반영을 모두 구현할 수 있다. The non-erosion load monitoring system 100 for electronic devices uses the power data preprocessed in the data preprocessing process to learn a hybrid operated artificial intelligence model 200 that uses a time series regression analysis algorithm and a classification algorithm (S3). At this time, by using CRNN, the artificial intelligence model can implement both image compression feature extraction of CNN and reflection of time characteristics of RNN.

전자기기의 비침식 부하 모니터링 시스템(100)은 학습된 인공지능 모델을 이용하여 전자기기별 동작 상태, 특히 동작중인 전자기기를 분류하는 동시에 소비 전력량을 예측하고(S4), 예측 및 분류된 결과를 사용자에게 제공한다(S5). The non-eroding load monitoring system 100 for electronic devices uses a learned artificial intelligence model to classify the operating state of each electronic device, especially electronic devices in operation, while predicting the amount of power consumption (S4) and providing the predicted and classified results. Provided to the user (S5).

한편, 도 7의 단계 S1 내지 S5는 본 발명의 구현예에 따라서 추가적인 단계들로 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계간의 순서가 변경될 수도 있다.Meanwhile, steps S1 to S5 of FIG. 7 may be divided into additional steps or combined into fewer steps depending on the implementation of the present invention. Additionally, some steps may be omitted or the order between steps may be changed as needed.

비침식 부하 모니터링 시스템은 가정, 사무 공간, 공장을 포함한 전력이 소비되는 각종 공간에 적용되어 공급되는 전압과 전류의 정보를 분석하여 전자기기의 동작 여부와 개별 전자기기의 에너지 소비량을 예측할 수 있다. 본 발명은 전압, 전류 외에 전력 특성 값을 포함한 전력 데이터의 패턴을 분석하여, 개별 전자기기 사용 여부 및 에너지 소비량을 추정하여 에너지 세분화(Energy Disaggregation) 기술을 적용함으로써 부하를 모니터링할 뿐만 아니라 에너지 감시, 기기 고장 검출, 에너지 수요 관리 등 다양한 분야에 활용될 수 있다. The non-erosive load monitoring system is applied to various spaces where power is consumed, including homes, office spaces, and factories, and can predict whether electronic devices are operating and the energy consumption of individual electronic devices by analyzing information on supplied voltage and current. The present invention analyzes the pattern of power data including power characteristic values in addition to voltage and current, and applies energy disaggregation technology by estimating whether individual electronic devices are used and energy consumption to not only monitor the load, but also monitor energy, It can be used in various fields such as device failure detection and energy demand management.

이상에서 설명한 본 발명의 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행 가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 이러한 기록 매체는 컴퓨터 판독 가능 매체를 포함하며, 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 포함하며, 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.The embodiments of the present invention described above can also be implemented in the form of a recording medium containing instructions executable by a computer, such as program modules executed by a computer. Such recording media includes computer-readable media, which can be any available media that can be accessed by a computer and includes both volatile and non-volatile media, removable and non-removable media. Computer-readable media also includes computer storage media, both volatile and non-volatile implemented in any method or technology for storage of information such as computer-readable instructions, data structures, program modules, or other data. , includes both removable and non-removable media.

전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.The description of the present invention described above is for illustrative purposes, and those skilled in the art will understand that the present invention can be easily modified into other specific forms without changing the technical idea or essential features of the present invention. will be. Therefore, the embodiments described above should be understood in all respects as illustrative and not restrictive. For example, each component described as unitary may be implemented in a distributed manner, and similarly, components described as distributed may also be implemented in a combined form.

본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.The scope of the present invention is indicated by the claims described below rather than the detailed description above, and all changes or modified forms derived from the meaning and scope of the claims and their equivalent concepts should be construed as being included in the scope of the present invention. do.

100 : 공 지능 모델을 이용한 전자기기의 비침식 부하 모니터링 시스템
110 : 데이터 수집 모듈
120 : 데이터 전처리 모듈
121 : 라벨링부
122 : 결측치 보상부
130 : 데이터 학습 모듈
131, 141 : 데이터 변환부
132, 142 : 데이터 입력부
140 : 부하 모니터링 모듈
143 : 예측 및 분류부
144 : 정보 제공부
150 : 데이터베이스
200 : 인공지능 모델100: Non-erosive load monitoring system for electronic devices using a public intelligence model
110: data collection module
120: data preprocessing module
121: Labeling unit
122: Missing value compensation unit
130: Data learning module
131, 141: data conversion unit
132, 142: data input unit
140: load monitoring module
143: Prediction and classification unit
144: Information provision department
150: database
200: Artificial intelligence model

Claims (12)

전자기기의 비침식 부하 모니터링 시스템에 있어서,
기 설정된 공간 내 전자기기별 측정한 전류, 전압, 전력 특성값을 포함한 전력 데이터를 수집하는 데이터 수집 모듈;
상기 데이터 수집 모듈에서 수집된 전력 데이터에 대한 결측치 치전의 데이터와 결측치 이후의 데이터를 이용하여 평균화 기법을 통해 결측치 값을 보상하고, 각 전력 데이터마다 전자기기별로 파워온 상태와 파워 오프 상태를 라벨링 표시하는 데이터 전처리를 수행하는 데이터 전처리 모듈;
상기 데이터 전처리 모듈에서 전처리된 전력데이터를 이용하여 시계열 회귀분석 알고리즘과 분류 알고리즘을 이용하는 인공지능 모델을 학습하는 데이터 학습 모듈; 및
CRNN(Convolutional Recurrent Neural Network)을 사용하여 수집된 전력 데이터와 각 전자기기의 라벨링을 이용해 전자기기별 동작 상태를 분류하고, 전자기기에 대한 소비 전력량을 예측하여, 분류 및 예측된 결과를 사용자에게 제공하는 부하 모니터링 모듈을 포함하며,
상기 데이터 학습모듈은 1개의 전자기기 단독 사용시 수집된 전력 데이터 및 복수의 전자기기 동시 사용시 수집된 전력 데이터를 모두 학습 데이터로 활용하며, 복수의 전자기기가 동시 사용중인 경우에 각 전자기기의 동작 순서에 따라 전력 데이터의 값이 달라지므로, 동작 순서에 따른 모든 경우의 수의 데이터들을 학습데이터로 수집하여 학습하고,
상기 부하 모니터링 모듈은 주파수 변환을 통해 이미지화된 특징값을 2D-CNN의 입력 값으로 입력한 후 CNN의 컨벌루션 층(Convolutional Layer)과 풀링층(Pooling Layer)을 거치면서 전자기기별 압축된 특징값을 산출하고, 산출된 특징값을 RNN의 입력 단자로 입력하여 시간적인 특성을 반영하여 예측 및 분류값을 출력하며,
상기 부하 모니터링 모듈은 CNN을 이용해 특성값을 추출하기 위해 STFT(Short Time Fourier Transform)를 기반으로 하는 스펙트로그램(Spectrogram)을 사용하여 1차원 신호를 2차원 이미지화하되, 상기 스펙트로그램은 1차원 원신호를 기 설정된 길이의 조각으로 나눈 다음, 조각들에 대하여 푸리에 변환을 적용하여 수평축에는 조각의 시간 정보를 나타내고, 수직축에는 주파수 성분의 크기를 데시벨 단위로 표현한 2차원 이미지들로 이미지화하고, 스펙트로그램 이미지를 CNN의 입력 데이터로 제공하며,
상기 부하 모니터링 모듈은,
상기 전력 데이터를 시간 도메인에서 주파수 도메인으로 변환하여 이미지 데이터로 변환하는 데이터 변환부;
상기 데이터 변환부에서 변환된 이미지 데이터를 학습된 인공지능 모델의 입력 데이터로 제공하는 데이터 입력부;
학습된 인공 지능 모델을 이용하여 동작중인 전자 기기를 분류하고, 전자기기별 전력 소비량에 대한 예측 결과를 제공하는 예측 및 분류부;
상기 예측 및 분류부에서 예측 및 분류된 결과를 제공하는 정보 제공부; 및
상기 예측 및 분류부를 통해 각 전자기기의 파워 온 상태와 파워 오프 상태를 예측하여 데이터 후처리를 통해 각 전자기기의 예측 상태를 구분하고, 데이터 후처리된 전자기기의 예측 상태와 실제 상태를 비교하여 정확도를 측정하는 모델 검증부를 포함하는 것인, 인공 지능 모델을 이용한 전자기기의 비침식 부하 모니터링 시스템. In a non-erosive load monitoring system for electronic devices,
A data collection module that collects power data including current, voltage, and power characteristic values measured for each electronic device in a preset space;
Using the data before the missing value and the data after the missing value for the power data collected from the data collection module, the missing value is compensated through an averaging technique, and the power-on and power-off states are labeled and displayed for each electronic device for each power data. a data preprocessing module that performs data preprocessing;
a data learning module that learns an artificial intelligence model using a time series regression analysis algorithm and a classification algorithm using the power data preprocessed in the data preprocessing module; and
Using CRNN (Convolutional Recurrent Neural Network), the collected power data and the labeling of each electronic device are used to classify the operating state of each electronic device, predict the amount of power consumption for the electronic device, and provide classification and predicted results to the user. Includes a load monitoring module that
The data learning module uses both the power data collected when one electronic device is used alone and the power data collected when multiple electronic devices are used simultaneously as learning data, and when multiple electronic devices are used simultaneously, the operation sequence of each electronic device Since the value of power data varies depending on the
The load monitoring module inputs the imaged feature values through frequency conversion as input values of the 2D-CNN and then passes through the convolutional layer and pooling layer of the CNN to compressed feature values for each electronic device. Calculate and input the calculated feature values into the input terminal of the RNN to output prediction and classification values reflecting temporal characteristics.
The load monitoring module converts a one-dimensional signal into a two-dimensional image using a spectrogram based on STFT (Short Time Fourier Transform) to extract characteristic values using CNN, and the spectrogram is a one-dimensional original signal. After dividing the fragment into pieces of a preset length, Fourier transform is applied to the pieces to display the time information of the piece on the horizontal axis, image the size of the frequency component in decibels on the vertical axis, and create a spectrogram image. is provided as input data for CNN,
The load monitoring module is,
a data conversion unit that converts the power data from the time domain to the frequency domain and converts it into image data;
a data input unit that provides image data converted by the data conversion unit as input data for a learned artificial intelligence model;
a prediction and classification unit that classifies electronic devices in operation using a learned artificial intelligence model and provides prediction results for power consumption for each electronic device;
an information provision unit providing predicted and classified results from the prediction and classification unit; and
The prediction and classification unit predicts the power-on state and power-off state of each electronic device, classifies the predicted state of each electronic device through data post-processing, and compares the predicted state and actual state of the electronic device after data post-processing. A non-erosive load monitoring system for electronic devices using an artificial intelligence model, including a model verification unit that measures accuracy. 제1항에 있어서,
상기 전력 특성값은 유효 전력, 무효 전력, 피상 전력, 역률, 주파수를 포함하는 것인, 인공 지능 모델을 이용한 전자기기의 비침식 부하 모니터링 시스템. According to paragraph 1,
A non-erosive load monitoring system for electronic devices using an artificial intelligence model, wherein the power characteristic values include active power, reactive power, apparent power, power factor, and frequency. 제1항에 있어서,
상기 전력 데이터는 파워 오프 시간(Power Off Time)과 파워 온 시간(Power On Time)에서 측정한 값을 포함하는 것인, 인공 지능 모델을 이용한 전자기기의 비침식 부하 모니터링 시스템.According to paragraph 1,
A non-erosive load monitoring system for electronic devices using an artificial intelligence model, wherein the power data includes values measured at power off time and power on time. 삭제delete 삭제delete 삭제delete 삭제delete 삭제delete 삭제delete 삭제delete 삭제delete 삭제delete
KR1020210178206A 2021-12-14 2021-12-14 System for non-intrusive load monitoring of electronic device and method thereof KR102622634B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210178206A KR102622634B1 (en) 2021-12-14 2021-12-14 System for non-intrusive load monitoring of electronic device and method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210178206A KR102622634B1 (en) 2021-12-14 2021-12-14 System for non-intrusive load monitoring of electronic device and method thereof

Publications (2)

Publication Number Publication Date
KR20230089652A KR20230089652A (en) 2023-06-21
KR102622634B1 true KR102622634B1 (en) 2024-01-09

Family

ID=86989700

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210178206A KR102622634B1 (en) 2021-12-14 2021-12-14 System for non-intrusive load monitoring of electronic device and method thereof

Country Status (1)

Country Link
KR (1) KR102622634B1 (en)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117674098B (en) * 2023-11-29 2024-06-07 国网浙江省电力有限公司丽水供电公司 Multi-element load space-time probability distribution prediction method and system for different permeability
CN118071176A (en) * 2024-04-15 2024-05-24 国网浙江省电力有限公司金华供电公司 Data processing method and system applicable to platform area source network load storage integrated management platform

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
(비특허) A machine-learning based nonintrusive smart home appliance status recognition(20년9월 공개)*
(비특허) 다수 가전기기 유효전력의 스팩토그램 분석 및 LSTM 기반의 전력 분해 알고리즘(21년2월 공개)*

Also Published As

Publication number Publication date
KR20230089652A (en) 2023-06-21

Similar Documents

Publication Publication Date Title
Dubey et al. Study and analysis of SARIMA and LSTM in forecasting time series data
Gopinath et al. Energy management using non-intrusive load monitoring techniques–State-of-the-art and future research directions
Wang et al. Non-intrusive load monitoring algorithm based on features of V–I trajectory
KR102622634B1 (en) System for non-intrusive load monitoring of electronic device and method thereof
Dinesh et al. Non-intrusive load monitoring under residential solar power influx
CN109872003B (en) Object state prediction method, object state prediction system, computer device, and storage medium
US20170351288A1 (en) Non-invasive online real-time electric load identification method and identification system
CN105612546B (en) Apparatus, server, system and method for energy measurement
CN109345409A (en) A kind of resident's comprehensive energy efficiency management method based on bandwidth carrier
CN112434799B (en) Non-invasive load identification method based on full convolution neural network
US10139437B2 (en) Apparatus, server, system and method for energy measuring
Serrano-Guerrero et al. Statistical methodology to assess changes in the electrical consumption profile of buildings
CN110136024B (en) Method and device for acquiring electricity utilization characteristics, electricity utilization habits and electricity consumption predicted values of users
US20220414526A1 (en) Intelligent fault detection system
CN116937575A (en) Energy monitoring management system for grid system
US20150355247A1 (en) Apparatus, server, system and method for energy measuring
WO2020089945A1 (en) Multivariate data compression system and method thereof
Gurbuz et al. Comprehensive non-intrusive load monitoring process: Device event detection, device feature extraction and device identification using KNN, random forest and decision tree
Levorato et al. Fast anomaly detection in smartgrids via sparse approximation theory
Lin An advanced smart home energy management system considering identification of ADLs based on non-intrusive load monitoring
Veloso et al. Cognitive smart plugs for signature identification of residential home appliance load using machine learning: From theory to practice
Azad et al. Non-intrusive load monitoring (nilm) using deep neural networks: A review
Chang et al. An interactive smart grid communication approach for big data traffic
Miao et al. MSFS: multiple spatio-temporal scales traffic forecasting in mobile cellular network
Kommey et al. An artificial intelligence‐based non‐intrusive load monitoring of energy consumption in an electrical energy system using a modified K‐Nearest Neighbour algorithm

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