KR20180058113A - System and Method for household appliance classification using extracting eigen value of household appliance - Google Patents

System and Method for household appliance classification using extracting eigen value of household appliance Download PDF

Info

Publication number
KR20180058113A
KR20180058113A KR1020160156814A KR20160156814A KR20180058113A KR 20180058113 A KR20180058113 A KR 20180058113A KR 1020160156814 A KR1020160156814 A KR 1020160156814A KR 20160156814 A KR20160156814 A KR 20160156814A KR 20180058113 A KR20180058113 A KR 20180058113A
Authority
KR
South Korea
Prior art keywords
data
power
outputting
frequency component
home appliance
Prior art date
Application number
KR1020160156814A
Other languages
Korean (ko)
Inventor
김호원
김지현
김해용
김재현
Original Assignee
부산대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 부산대학교 산학협력단 filed Critical 부산대학교 산학협력단
Priority to KR1020160156814A priority Critical patent/KR20180058113A/en
Publication of KR20180058113A publication Critical patent/KR20180058113A/en

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R21/00—Arrangements for measuring electric power or power factor
    • G01R21/133—Arrangements for measuring electric power or power factor by using digital technique
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/16—Spectrum analysis; Fourier analysis
    • G01R23/165—Spectrum analysis; Fourier analysis using filters
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B15/00—Systems controlled by a computer
    • G05B15/02—Systems controlled by a computer electric
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/30—Smart metering, e.g. specially adapted for remote reading

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Power Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)

Abstract

The present invention relates to a home appliance classification system and, more specifically, to a home appliance classification system using home appliance eigenvalue extraction classifying home appliance by using a filter and extracting an impedance component of electric power before applying machine learning and latest deep learning technology to a non-intrusive load monitoring (NILM), which is a method for classifying home appliance in use by analyzing power data collected from customers. The home appliance classification system comprises: a power sensor; a high-pass filter; an energy data output unit and an energy analysis data output unit; and a frequency analysis data output unit.

Description

가전기기 고유값 추출을 이용한 가전기기 분류 시스템 및 방법{System and Method for household appliance classification using extracting eigen value of household appliance}BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a household appliance classification system,

본 발명은 가전기기 분류 시스템에 관한 것으로, 구체적으로 수용가에서 수집되는 전력 데이터를 분석하여 전력의 임피던스 성분을 추출하여 가전기기를 분류하는 가전기기 고유값 추출을 이용한 가전기기 분류 시스템 및 방법에 관한 것이다.The present invention relates to a household appliance classification system, and more particularly, to a household appliance classification system and method using an electric appliance eigenvalue extraction for classifying household appliances by analyzing power data collected from a consumer and extracting an impedance component of the electric power .

최근 화석연료의 고갈로 전 세계적으로 에너지의 효율적인 사용에 대한 관심이 높아지고 있다. 이에 따라, 미국, 유럽 등 선진국을 중심으로 전력망에 ICT기술을 접목한 스마트 그리드 기술이 실현되고 있다.With the recent depletion of fossil fuels, interest in the efficient use of energy is increasing worldwide. As a result, Smart Grid technology that integrates ICT technology into the power grid is being realized, especially in advanced countries such as the US and Europe.

각 수용가의 소비전력을 측정하여 전송하는 스마트 미터가 설치되어 소비전력을 이용한 모니터링 및 전력 예측이 가능해지고 있다.A smart meter is installed to measure and transmit the power consumption of each customer, so that monitoring and power prediction using power consumption is becoming possible.

그러나 단순히 수용가의 총 소비전력을 수집하는 것만으로 정확한 에너지 사용예측이 어렵다. 보다 정확한 예측을 위해서는 수용가에서 사용하는 가전기기 단계에서의 소비전력 정보수집이 필요하다.However, it is difficult to predict accurate energy use simply by collecting the total power consumption of the customer. For more accurate prediction, it is necessary to collect power consumption information at the consumer electronics stage used by the customer.

이를 실현하기 위한 기술로 NILM(Non-intrusive Load Monitoring)이 있다. NILM (Non-intrusive Load Monitoring) is a technique for realizing this.

NILM은 수용가의 전력 데이터를 분석하여 어떠한 가전기기가 사용되고 있는지 알아내는 기술이다. 따라서 NILM을 이용하여 수용가의 가전기기 단계에서의 소비전력 정보 수집이 가능해진다.NILM is a technology for analyzing the power data of a customer to find out which household appliances are being used. Therefore, it is possible to collect power consumption information at the consumer electronics stage of the consumer by using the NILM.

하지만, 지금까지 연구되고 상용화되었던 가전기기 분류 모델들은 실제로 상용화하기에 정확도가 충분하지 못하다.However, the home appliance classification models that have been researched and commercialized so far are not accurate enough to be commercialized.

가전기기별로 전기 에너지를 관리하기 위해서는, 서비스 제공자가 일정기간 동안 라벨링된 데이터를 확보해야 한다.In order to manage electric energy for each appliance, the service provider must secure the labeled data for a certain period of time.

이를 위해서 가전기기마다 센서를 부착하여 데이터를 수집하거나 사용자가 가전기기를 사용할 때마다 서비스 제공자에게 가전기기 사용정보를 제공해야 하기 때문에 현실적으로 불가능하다.For this purpose, it is practically impossible to collect data by attaching a sensor to each home appliance or to provide information on home appliance usage to a service provider whenever the user uses the appliance.

다른 방법으로, 사용자가 최초 서비스 실행 시 가전기기의 목록과 기기별 소비전력 정보를 서비스 제공자에게 보내어, 추측을 통하여 모델을 생성하는 방법이 있지만, 이는 사용자의 불편함뿐만 아니라 생성된 모델도 정확하지 않다. Alternatively, there is a method of generating a model through speculation by sending a list of household appliances and power consumption information of each appliance to the service provider when the user executes the initial service, but this is not only inconvenient for the user but also the generated model is accurate not.

특히 일반적인 스마트 미터의 경우 전력센서를 통해 입력된 Raw 데이터를 저주파 통과 필터를 이용하여, 신호 잡음과 위상변화 등의 고주파 성분을 제거하고, 이를 이용한 보정 및 계산을 통해 소비 전류량을 측정한다.Especially, in the case of a smart meter in general, raw data input through a power sensor is removed by using a low-pass filter to remove high-frequency components such as signal noise and phase change.

이러한 측정법은 하나의 센서를 통해 하나의 데이터 스트림을 얻을 수 있는 한계를 가지게 되며, 이러한 데이터를 이용한 분류 모델의 경우 모델링의 정확도에 태생적인 제약을 가지게 된다.This method has a limit to obtain one data stream through one sensor. In the case of the classification model using such data, the modeling accuracy is inherently limited.

특히 유사한 소비전력을 가지는 기기 혹은 multi-state 기기의 모델링에서 정확도 하락을 가져옴에 따라, 추가적인 인지 센서 장착 혹은 다수의 전류측정센서를 이용한 그룹별 측정을 통해 이를 보완하는 방안이 이용되고 있다. Particularly, as the accuracy of the modeling of a device having a similar power consumption or a multi-state device is lowered, a method of supplementing the same with an additional cognitive sensor or a group-based measurement using a plurality of current measuring sensors is used.

따라서, 종래 기술의 가전기기 분류 모델의 문제점을 해결하여 정확도를 높일 수 있는 새로운 가전기기 분류 방법의 개발이 요구되고 있다.Therefore, it is required to develop a new home appliance classification method that can solve the problems of the home appliance classification model of the related art and increase the accuracy.

한국공개특허번호 10-2014-0066819호Korean Patent Publication No. 10-2014-0066819 한국공개특허번호 10-2012-0018854호Korean Patent Publication No. 10-2012-0018854

본 발명은 이와 같은 종래 기술의 가전기기 분류 방법의 문제를 해결하기 위한 것으로, 수용가에서 수집되는 전력 데이터를 분석하여 전력의 임피던스 성분을 추출하여 가전기기를 분류하는 가전기기 고유값 추출을 이용한 가전기기 분류 시스템 및 방법을 제공하는데 그 목적이 있다.The present invention solves the problem of the prior art classifying method of household electrical appliances by analyzing power data collected in a customer and extracting an impedance component of power to classify household appliances, And an object of the present invention is to provide a classification system and method.

본 발명은 수용가에서 수집되는 전력 데이터를 분석하여 사용 중인 가전기기를 분류하는 방법인 NILM(Non-Intrusive Load Monitoring)에 머신러닝과 최신 기술인 딥러닝(Deep Learning)을 적용하기 전에 필터를 이용하여 전력의 임피던스 성분을 추출하여 가전기기를 분류하는 가전기기 고유값 추출을 이용한 가전기기 분류 시스템 및 방법을 제공하는데 그 목적이 있다.The present invention analyzes electric power data collected from a customer and analyzes the electric power data of the electric power using the filter before the machine learning and the latest technology Deep Learning are applied to the non-intrusive load monitoring (NILM) And extracting an impedance component of the household appliance from the extracted impedance component to classify the household appliance.

본 발명은 스마트 모니터에서 사용되는 단순 전류 값 측정방식이 아닌, 전류 센서에서 측정된 고주파수 성분과 주기 내 Peak값을 이용한 주파수 분석을 통해 가전기기의 임피던스를 모델링 하고, 이를 학습 및 분류 모델의 입력데이터로 활용하는 가전기기 고유값 추출을 이용한 가전기기 분류 시스템 및 방법을 제공하는데 그 목적이 있다.The present invention is not a simple current value measurement method used in a smart monitor but a frequency analysis using a high frequency component measured in a current sensor and a peak value in a cycle to model the impedance of a home appliance, The present invention provides a household appliance classification system and method using home appliance eigenvalue extraction.

본 발명의 목적들은 이상에서 언급한 목적들로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.The objects of the present invention are not limited to the above-mentioned objects, and other objects not mentioned can be clearly understood by those skilled in the art from the following description.

이와 같은 목적을 달성하기 위한 본 발명에 따른 가전기기 고유값 추출을 이용한 가전기기 분류 시스템은 소비 전력 데이터를 출력하는 전력센서;전력센서에서 소비 전력 데이터를 스트림으로 입력받아 저주파 성분을 추출하는 저주파 통과 필터 및 전력센서에서 소비 전력 데이터를 스트림으로 입력받아 고주파 성분을 추출하는 고주파 통과 필터;저주파 통과 필터의 저주파 성분으로부터 전력량 데이터를 출력하는 전력량 데이터 출력부; 및 저주파 성분으로부터 해당 데이터의 추이를 이용한 전력 분석 데이터를 출력하는 전력 분석 데이터 출력부;고주파 통과 필터의 고주파 성분으로부터 위상각 데이터를 출력하는 위상각 데이터 출력부 및 고주파 성분으로부터 주파수 분석 데이터를 출력하는 주파수 분석 데이터 출력부;를 포함하고, 가전기기 분류 모델에 사용될 에너지 데이터 셋을 추출하는 것을 특징으로 한다.According to another aspect of the present invention, there is provided a household appliance classification system using household appliance eigenvalue extraction, comprising: a power sensor for outputting power consumption data; a low-frequency pass filter for receiving low- A high-frequency pass filter that receives power consumption data from a filter and a power sensor as a stream and extracts a high-frequency component; a power amount data output unit that outputs power amount data from a low-frequency component of the low-pass filter; A phase angle data output unit for outputting phase angle data from a high frequency component of the high frequency pass filter and a phase angle data output unit for outputting frequency analysis data from the high frequency component And a frequency analysis data output unit for extracting an energy data set to be used in the household appliance classification model.

여기서, 전류량의 변화와 위상각의 변화를 기준으로 2차 추출하는 임피던스 분석부 및 이를 이용한 가전 기기 분류부를 포함하는 임피던스 모델링부를 더 포함하고, 전력량 데이터, 전력 분석 데이터, 위상각 데이터, 주파수 분석 데이터의 전체 혹은 일부의 조합을 NILM 시스템의 학습 및 분류 데이터로 이용하는 것을 특징으로 한다.The apparatus further includes an impedance analyzing unit for performing a second extraction on the basis of a change in the amount of current and a change in phase angle and an impedance modeling unit including a home appliance classifying unit using the impedance analyzing unit. Is used as the learning and classification data of the NILM system.

다른 목적을 달성하기 위한 본 발명에 따른 가전기기 고유값 추출을 이용한 가전기기 분류 방법은 전력센서로부터 소비 전력 데이터를 스트림으로 입력받아 저주파 성분 및 고주파 성분을 구분하여 추출하는 단계;저주파 성분으로부터 전력량 데이터를 출력하고, 저주파 성분으로부터 해당 데이터의 추이를 이용한 전력 분석 데이터를 출력하는 단계;고주파 성분으로부터 위상각 데이터를 출력하고, 고주파 성분으로부터 주파수 분석 데이터를 출력하는 단계;전력량 데이터, 전력 분석 데이터, 위상각 데이터, 주파수 분석 데이터의 전체 혹은 일부의 조합을 이용하여 NILM 시스템의 학습 및 분류 데이터로 이용하는 단계;를 포함하는 것을 특징으로 한다.According to another aspect of the present invention, there is provided a method for classifying household electric appliances using eigenvalue extraction according to the present invention, comprising the steps of: extracting low-frequency components and high-frequency components from power- Outputting power analysis data using a transition of the data from a low frequency component, outputting phase angle data from a high frequency component and outputting frequency analysis data from a high frequency component, calculating power amount data, power analysis data, phase And using the data as the learning and classification data of the NILM system using all or part of the frequency analysis data.

이와 같은 본 발명에 따른 가전기기 고유값 추출을 이용한 가전기기 분류 시스템 및 방법은 다음과 같은 효과를 갖는다.The household appliance classification system and method using the home appliance eigenvalue extraction according to the present invention has the following effects.

첫째, 수용가에서 수집되는 전력 데이터를 분석하여 전력의 임피던스 성분을 추출하여 가전기기를 분류하여 정확도를 높일 수 있다.First, by analyzing the power data collected from the customer, the impedance component of the power can be extracted to classify the household appliances and improve the accuracy.

둘째, NILM(Non-Intrusive Load Monitoring)에 머신러닝과 최신 기술인 딥러닝(Deep Learning)을 적용하기 전에 필터를 이용하여 전력의 임피던스 성분을 추출하여 높은 정확도와 효율을 갖도록 한다.Second, before applying the machine learning to the non-intrusive load monitoring (NILM) and the latest technology (Deep Learning), the impedance component of the power is extracted using the filter to achieve high accuracy and efficiency.

셋째, 스마트 모니터에서 사용되는 단순 전류 값 측정방식이 아닌, 전류 센서에서 측정된 고주파수 성분과 주기 내 Peak값을 이용한 주파수 분석을 통해 가전기기의 임피던스를 모델링 하고, 이를 학습 및 분류 모델의 입력데이터로 활용하여 가전기기 분류 정확도를 높일 수 있다.Third, the impedance of the household appliances is modeled through the frequency analysis using the high frequency component measured in the current sensor and the peak value in the cycle, rather than the simple current value measurement method used in the smart monitor, and the input data of the learning and classification model It is possible to increase the classification accuracy of the household appliance.

넷째, 임피던스 벡터 분석방법을 머신러닝 및 딥러닝을 이용한 분류기법에 추가로 적용할 시 기존의 전류량만을 이용한 분석방법 대비 높은 정확도와 효율을 갖도록 한다.Fourth, when the impedance vector analysis method is further applied to the classification method using machine learning and deep learning, the accuracy and efficiency of the analysis method using only the current amount are improved.

다섯째, 유사 전력 사용량을 가지는 기기간의 구분 또는 multi-state인 가전기기의 모델링이 가능해짐에 따라, 장비의 상태 감지 및 다중장비 분류에 이점을 가지게 된다. Fifth, as it becomes possible to classify devices having similar power consumption or to model multi-state household appliances, they will have an advantage in detecting the status of equipment and classifying multiple equipment.

여섯째, NILM 모델들의 정확도, 분류 속도, 사용자의 불편함에 대한 문제를 해결함과 동시에 가전기기 분류 정확도를 높여 실용성을 높일 수 있다.Sixth, NILM models can solve the problem of accuracy, classification speed, user inconvenience, and increase practicality by increasing classification accuracy of CE appliances.

또한, 이를 이용해 소비전력에 관한 정보뿐만 아니라 가전기기 분류 정보를 얻어 다른 시스템이나 서비스에 사용할 수 있다.In addition, it can be used for other systems or services by obtaining home appliance classification information as well as information about power consumption.

일곱째, 제한된 환경의 임베디드 장비에서 가전기기 분류를 가능하게 하며, 기존의 다양한 딥러닝 및 머신러닝을 이용한 분류 기법에서도 추가적인 변수로 활용 가능해 시스템에 정확도 향상에 기여할 수 있다.Seventh, it is possible to classify home appliances in embedded devices with limited environment, and it can be used as additional variables in the conventional classification methods using deep running and machine learning, thereby contributing to improvement of accuracy in the system.

도 1은 단일 전류센서를 이용한 다중 분석 데이터를 생성을 위한 가전기기 분류 시스템의 구성도
도 2는 생성된 데이터를 이용하여 가전기기의 임피던스를 모델링 하는 과정을 나타낸 구성도1 is a block diagram of a household appliance classification system for generating multiple analysis data using a single current sensor
2 is a diagram showing a process of modeling the impedance of a home appliance using generated data

이하, 본 발명에 따른 가전기기 고유값 추출을 이용한 가전기기 분류 시스템 및 방법의 바람직한 실시 예에 관하여 상세히 설명하면 다음과 같다.Hereinafter, a preferred embodiment of a home appliance classification system and method using home appliance eigenvalue extraction according to the present invention will be described in detail as follows.

본 발명에 따른 가전기기 고유값 추출을 이용한 가전기기 분류 시스템 및 방법의 특징 및 이점들은 이하에서의 각 실시 예에 대한 상세한 설명을 통해 명백해질 것이다.Features and advantages of a household appliance classification system and method using home appliance eigenvalue extraction according to the present invention will be apparent from the following detailed description of each embodiment.

도 1은 단일 전류센서를 이용한 다중 분석 데이터를 생성을 위한 가전기기 분류 시스템의 구성도이고, 도 2는 생성된 데이터를 이용하여 가전기기의 임피던스를 모델링 하는 과정을 나타낸 구성도이다.FIG. 1 is a block diagram of a household appliance classification system for generating multiple analysis data using a single current sensor, and FIG. 2 is a diagram illustrating a process of modeling the impedance of a home appliance using generated data.

본 발명은 수용가에서 수집되는 전력 데이터를 분석하여 사용 중인 가전기기를 분류하는 방법인 NILM(Non-Intrusive Load Monitoring)에 머신러닝과 최신 기술인 딥러닝(Deep Learning)을 적용하기 전에 필터를 이용하여 전력의 임피던스 성분을 추출하여 가전기기를 분류하는 것이다.The present invention analyzes electric power data collected from a customer and analyzes the electric power data of the electric power using the filter before the machine learning and the latest technology Deep Learning are applied to the non-intrusive load monitoring (NILM) To classify the household appliances.

먼저, 전력 데이터를 분석하기 위해 필터를 이용한 데이터 가공과 가공된 데이터를 딥러닝 및 머신러닝을 통해 분석하는 방법을 설명하면 다음과 같다.First, data processing using a filter to analyze power data and a method of analyzing the processed data through deep learning and machine learning will be described.

딥러닝은 최근 딥 마인드의 알파고로 국내뿐만 아니라 전 세계적으로 이슈가 되고 있는 기술로, 사람의 뇌를 구성하는 뉴런이 동작하는 방식을 모방한 접근 방식이다.Deep Learning is an approach that mimics the way in which neurons that make up the human brain work.

학습 데이터를 제공하면 컴퓨터가 스스로 학습하여 판단하거나 분류하는 것이 가능해진다.Providing the learning data enables the computer to learn, judge, or classify by itself.

딥러닝은 크게 RNN(Recurrent Neural Network)와 CNN(Convolutional Neural Network)으로 나눌 수 있다.Deep learning can be roughly divided into RNN (Recurrent Neural Network) and CNN (Convolutional Neural Network).

RNN은 딥러닝 알고리즘 중 하나로 순차적으로 입력되는 데이터를 분석하여 학습하는 알고리즘이다. 특정 시간 동안의 입/출력 데이터 셋을 제공하면, 해당 시간 동안의 연속적인 데이터들의 관계를 학습하여 가전기기 분류 모델을 생성할 수 있다.RNN is one of the deep learning algorithms that analyze and input data sequentially input. By providing the input / output data set for a specific time, the home appliance classification model can be generated by learning the relationship of the continuous data during the relevant time.

또한, CNN은 영상처리, 얼굴 인식 등 다양한 분야에서 사용되는데, 시간에 따른 전력의 변화를 그래프로 그린 후 학습 데이터로 사용하는 것이 가능하다.In addition, CNN is used in various fields such as image processing and face recognition. It can be used as learning data after graphing changes in power over time.

이러한 머신러닝 및 딥러닝에 이용하는 대표적인 데이터는 전력 데이터가 있다. Typical data used for such machine learning and deep running are power data.

교류회로에서 전력 사용량을 표기하는 대표적인 방법은 피상전력(Apparent Power)과 유효전력(Effective Power)이 있다.Representative methods for expressing power usage in an AC circuit include Apparent Power and Effective Power.

피상전력은 교류회로에서 역률을 고려하지 않고 순수 저항성분만 있다는 가정하에 계산된 값이다. 교류회로에서 임피던스는 실수 성분을 가지는 저항과 복소 성분을 가지는 커패시터와 인덕터의 조합인데, 피상전력은 이러한 복소 성분을 고려하지 않음에 따라 전류측정만을 통해 쉽게 계산이 가능하다.Apparent power is calculated on the assumption that the pure power resistances are not considered in the AC circuit. In the AC circuit, the impedance is a combination of a resistor having a real component and a capacitor and an inductor having a complex component. The apparent power does not take into account such a complex component.

반면 유효전력은 교류회로에서 나타나는 전압과 전류의 위상 차이를 고려하여 계산된 값으로, 실제 가전기기가 사용하는 전력량을 나타내게 된다. 유효전력을 측정하기 위해서는 전류 값뿐 아니라, 전압과 전류의 위상 차이를 전력분석기와 같은 정밀 장비를 이용하여 측정하여야 한다. On the other hand, the effective power is calculated by considering the phase difference between the voltage and the current appearing in the AC circuit, and represents the amount of electric power used by the actual household appliances. In order to measure the active power, the phase difference between the voltage and the current as well as the current value should be measured using a precision instrument such as a power analyzer.

본 발명은 수용가의 소비전력을 분석하여 현재 사용 중인 가전기기를 알아내는 NILM 기술의 분류 정확도 및 다양한 머신러닝 기법에 활용 가능한 전력 데이터추출방법을 포함한다.The present invention includes a classification accuracy of a NILM technique for analyzing the power consumption of a customer and finding a currently used household appliance, and a power data extraction method applicable to various machine learning techniques.

이하, 첨부된 도면을 참고하여 본 발명에 대한 구체적인 설명은 다음과 같다. Hereinafter, the present invention will be described in detail with reference to the accompanying drawings.

도 1은 단일 전력센서를 이용하여 가전기기 분류 모델에 사용될 에너지 데이터 셋을 추출하는 구성을 나타낸 것이다.FIG. 1 shows a configuration for extracting an energy data set to be used in a household appliance classification model using a single power sensor.

소비 전력 데이터를 출력하는 전력센서(110)와, 전력센서(110)에서 소비 전력 데이터를 스트림으로 입력받아 저주파 성분을 추출하는 저주파 통과 필터(120) 및 전력센서(110)에서 소비 전력 데이터를 스트림으로 입력받아 고주파 성분을 추출하는 고주파 통과 필터(130)와, 저주파 통과 필터(120)의 저주파 성분으로부터 전력량 데이터를 출력하는 전력량 데이터 출력부(140)와, 저주파 통과 필터(120)의 저주파 성분으로부터 해당 데이터의 추이를 이용한 전력 분석 데이터를 출력하는 전력 분석 데이터 출력부(150)와, 고주파 통과 필터(130)의 고주파 성분으로부터 위상각 데이터를 출력하는 위상각 데이터 출력부(160)와, 고주파 통과 필터(130)의 고주파 성분으로부터 주파수 분석 데이터를 출력하는 주파수 분석 데이터 출력부(170)를 포함한다.A power sensor 110 for outputting power consumption data; a low-pass filter 120 for receiving power consumption data as a stream and extracting low-frequency components from the power sensor 110; A power amount data output unit 140 for outputting power amount data from the low frequency components of the low frequency pass filter 120 and a power amount data output unit 140 for extracting high frequency components from the low frequency components of the low frequency pass filter 120, A power analysis data output unit 150 for outputting power analysis data using the trend of the data, a phase angle data output unit 160 for outputting phase angle data from high frequency components of the high frequency pass filter 130, And a frequency analysis data output unit 170 for outputting frequency analysis data from high frequency components of the filter 130.

이와 같이 생성 변환된 에너지 데이터 셋(전력량 데이터, 전력 분석 데이터, 위상각 데이터, 주파수 분석 데이터)의 전체 혹은 일부의 조합을 이용하여 NILM시스템의 학습 및 분류 데이터로 이용한다. The data is used as the learning and classification data of the NILM system by using a combination of all or a part of the generated energy data sets (power amount data, power analysis data, phase angle data, and frequency analysis data).

도 2는 도 1의 변환 기법을 통해 추출된 데이터의 시간 변화를 이용하여 새로운 기기의 추가와, multi-state의 기기의 상태 감지에 활용 가능한 임피던스를 모델링 하는 구성을 나타낸 것이다.FIG. 2 is a diagram illustrating a configuration for modeling an impedance available for adding a new device and detecting the state of a multi-state device by using a temporal change of data extracted through the transform technique of FIG.

임피던스 모델링부는 소비전류, 전력의 전체량이 아닌 전류량의 변화와 위상각의 변화를 기준으로 2차 추출하는 임피던스 분석부 및 이를 이용한 가전 기기 분류부를 포함한다.The impedance modeling unit includes an impedance analyzer for secondary extraction based on a change in the amount of current and a change in the phase angle, not a total amount of power consumption and power, and a home appliance classifying unit using the impedance analyzer.

소비전류, 전력의 전체량이 아닌 전류량의 변화와 위상각의 변화를 기준으로 2차 추출한 임피던스 모델은 단일 변수로 SVM과 같은 간단한 머신러닝 기법뿐 아니라 딥러닝을 활용한 복잡한 분류기법에서의 추가 입력 변수로 활용 가능하여 기기분류의 정확도를 높일 수 있다. The second-order impedance model based on the variation of the amount of current and the phase angle, rather than the total current consumption and power, is a simple variable, as well as a simple machine learning technique such as SVM, It is possible to improve the accuracy of the device classification.

본 발명에 따른 가전기기 고유값 추출을 이용한 가전기기 분류 방법은 전력센서로부터 소비 전력 데이터를 스트림으로 입력받아 저주파 성분 및 고주파 성분을 구분하여 추출하는 단계와, 저주파 성분으로부터 전력량 데이터를 출력하고, 저주파 성분으로부터 해당 데이터의 추이를 이용한 전력 분석 데이터를 출력하는 단계와, 고주파 성분으로부터 위상각 데이터를 출력하고, 고주파 성분으로부터 주파수 분석 데이터를 출력하는 단계와, 전력량 데이터, 전력 분석 데이터, 위상각 데이터, 주파수 분석 데이터의 전체 혹은 일부의 조합을 이용하여 NILM 시스템의 학습 및 분류 데이터로 이용하는 단계를 포함한다.A household appliance classifying method using home electric appliance eigenvalue extraction according to the present invention comprises the steps of extracting low frequency component and high frequency component by extracting power consumption data from a power sensor as a stream, outputting power amount data from a low frequency component, Outputting power analysis data using a transition of the data from the component; outputting phase angle data from the high frequency component and outputting frequency analysis data from the high frequency component; And using it as learning and classification data of the NILM system using a combination of all or a part of the frequency analysis data.

이와 같은 가전기기 고유값 추출을 이용한 가전기기 분류 시스템 및 방법은 수용가에서 수집되는 전력 데이터를 분석하여 사용 중인 가전기기를 분류하는 방법인 NILM(Non-Intrusive Load Monitoring)에 머신러닝과 최신 기술인 딥러닝(Deep Learning)을 적용하기 전에 필터를 이용하여 전력의 임피던스 성분을 추출하여 가전기기를 분류하는 것이다.The home appliance classification system and method using the eigenvalue extraction of the household appliance analyze the power data collected from the consumer, so that the non-intrusive load monitoring (NILM), which is a method of classifying the household appliances in use, (Deep Learning), it is necessary to classify household appliances by extracting the impedance component of the power using a filter.

이상에서의 설명에서와 같이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 본 발명이 구현되어 있음을 이해할 수 있을 것이다.As described above, it will be understood that the present invention is implemented in a modified form without departing from the essential characteristics of the present invention.

그러므로 명시된 실시 예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 하고, 본 발명의 범위는 전술한 설명이 아니라 특허청구 범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.It is therefore to be understood that the specified embodiments are to be considered in an illustrative rather than a restrictive sense and that the scope of the invention is indicated by the appended claims rather than by the foregoing description and that all such differences falling within the scope of equivalents thereof are intended to be embraced therein It should be interpreted.

110. 전력 센서 120. 저주파 통과 필터
130. 고주파 통과 필터 140. 전력량 데이터 출력부
150. 전력 분석 데이터 출력부 160. 위상각 데이터 출력부
170. 주파수 분석 데이터 출력부110. Power sensor 120. Low pass filter
130. High-pass filter 140. Power quantity data output section
150. Power analysis data output section 160. Phase angle data output section
170. Frequency analysis data output section

Claims (3)

소비 전력 데이터를 출력하는 전력센서;
전력센서에서 소비 전력 데이터를 스트림으로 입력받아 저주파 성분을 추출하는 저주파 통과 필터 및 전력센서에서 소비 전력 데이터를 스트림으로 입력받아 고주파 성분을 추출하는 고주파 통과 필터;
저주파 통과 필터의 저주파 성분으로부터 전력량 데이터를 출력하는 전력량 데이터 출력부; 및 저주파 성분으로부터 해당 데이터의 추이를 이용한 전력 분석 데이터를 출력하는 전력 분석 데이터 출력부;
고주파 통과 필터의 고주파 성분으로부터 위상각 데이터를 출력하는 위상각 데이터 출력부 및 고주파 성분으로부터 주파수 분석 데이터를 출력하는 주파수 분석 데이터 출력부;를 포함하고,
가전기기 분류 모델에 사용될 에너지 데이터 셋을 추출하는 것을 특징으로 하는 가전기기 고유값 추출을 이용한 가전기기 분류 시스템.A power sensor for outputting power consumption data;
A low pass filter for receiving power consumption data from the power sensor as a stream and extracting a low frequency component; a high pass filter for receiving power consumption data as a stream and extracting a high frequency component from the power sensor;
A power amount data output unit for outputting power amount data from a low frequency component of the low pass filter; And a power analysis data output unit for outputting power analysis data using a transition of the corresponding data from a low frequency component;
A phase angle data output unit for outputting phase angle data from high frequency components of the high pass filter, and a frequency analysis data output unit for outputting frequency analysis data from high frequency components,
And extracting an energy data set to be used in the household appliance classification model. 제 1 항에 있어서, 전류량의 변화와 위상각의 변화를 기준으로 2차 추출하는 임피던스 분석부 및 이를 이용한 가전 기기 분류부를 포함하는 임피던스 모델링부를 더 포함하고,
전력량 데이터, 전력 분석 데이터, 위상각 데이터, 주파수 분석 데이터의 전체 혹은 일부의 조합을 NILM 시스템의 학습 및 분류 데이터로 이용하는 것을 특징으로 하는 가전기기 고유값 추출을 이용한 가전기기 분류 시스템.The apparatus according to claim 1, further comprising: an impedance analyzer for performing second extraction on the basis of a change in the amount of current and a change in the phase angle, and an impedance modeling unit including a home appliance classifying unit using the impedance analyzer,
Wherein a combination of all or a part of the power amount data, the power analysis data, the phase angle data, and the frequency analysis data is used as learning and classification data of the NILM system. 전력센서로부터 소비 전력 데이터를 스트림으로 입력받아 저주파 성분 및 고주파 성분을 구분하여 추출하는 단계;
저주파 성분으로부터 전력량 데이터를 출력하고, 저주파 성분으로부터 해당 데이터의 추이를 이용한 전력 분석 데이터를 출력하는 단계;
고주파 성분으로부터 위상각 데이터를 출력하고, 고주파 성분으로부터 주파수 분석 데이터를 출력하는 단계;
전력량 데이터, 전력 분석 데이터, 위상각 데이터, 주파수 분석 데이터의 전체 혹은 일부의 조합을 이용하여 NILM 시스템의 학습 및 분류 데이터로 이용하는 단계;를 포함하는 것을 특징으로 하는 가전기기 고유값 추출을 이용한 가전기기 분류 방법.
Extracting a low-frequency component and a high-frequency component by separating and inputting power consumption data from the power sensor as a stream;
Outputting power amount data from a low frequency component and outputting power analysis data using a transition of the data from a low frequency component;
Outputting phase angle data from a high frequency component and outputting frequency analysis data from a high frequency component;
And using the data as learning and classification data of the NILM system using all or part of a combination of power amount data, power analysis data, phase angle data, and frequency analysis data. Classification method.
KR1020160156814A 2016-11-23 2016-11-23 System and Method for household appliance classification using extracting eigen value of household appliance KR20180058113A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160156814A KR20180058113A (en) 2016-11-23 2016-11-23 System and Method for household appliance classification using extracting eigen value of household appliance

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160156814A KR20180058113A (en) 2016-11-23 2016-11-23 System and Method for household appliance classification using extracting eigen value of household appliance

Publications (1)

Publication Number Publication Date
KR20180058113A true KR20180058113A (en) 2018-05-31

Family

ID=62454503

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160156814A KR20180058113A (en) 2016-11-23 2016-11-23 System and Method for household appliance classification using extracting eigen value of household appliance

Country Status (1)

Country Link
KR (1) KR20180058113A (en)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109902356A (en) * 2019-01-30 2019-06-18 北京大学 Electric power signal non-intrusion type loads decomposition method
CN110133393A (en) * 2018-09-13 2019-08-16 华南理工大学 A kind of electricity consumption monitoring system and method based on non-intruding monitor technology
CN110188771A (en) * 2019-05-17 2019-08-30 湖南大学 Non-intrusive electrical load feature extraction, recognition methods, system and medium based on image procossing
KR102081912B1 (en) * 2018-11-15 2020-02-26 광주과학기술원 Operating method of building load identification system using mask estimation method based deep learning
CN113094931A (en) * 2021-04-29 2021-07-09 杭州电力设备制造有限公司 Non-invasive load decomposition method, device and equipment
WO2022119111A1 (en) * 2020-12-02 2022-06-09 서울대학교산학협력단 Modular sensor platform apparatus

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110133393A (en) * 2018-09-13 2019-08-16 华南理工大学 A kind of electricity consumption monitoring system and method based on non-intruding monitor technology
CN110133393B (en) * 2018-09-13 2021-07-20 华南理工大学 Power consumption monitoring system and method based on non-invasive monitoring technology
KR102081912B1 (en) * 2018-11-15 2020-02-26 광주과학기술원 Operating method of building load identification system using mask estimation method based deep learning
CN109902356A (en) * 2019-01-30 2019-06-18 北京大学 Electric power signal non-intrusion type loads decomposition method
CN110188771A (en) * 2019-05-17 2019-08-30 湖南大学 Non-intrusive electrical load feature extraction, recognition methods, system and medium based on image procossing
WO2022119111A1 (en) * 2020-12-02 2022-06-09 서울대학교산학협력단 Modular sensor platform apparatus
CN113094931A (en) * 2021-04-29 2021-07-09 杭州电力设备制造有限公司 Non-invasive load decomposition method, device and equipment
CN113094931B (en) * 2021-04-29 2022-04-22 杭州电力设备制造有限公司 Non-invasive load decomposition method, device and equipment

Similar Documents

Publication Publication Date Title
KR20180058113A (en) System and Method for household appliance classification using extracting eigen value of household appliance
KR20190070147A (en) Apparatus and method for classifying household appliances using power data analysis
US10572797B2 (en) Apparatus and method for classifying home appliances based on power consumption using deep learning
Abdelsalam et al. Characterization of power quality disturbances using hybrid technique of linear Kalman filter and fuzzy-expert system
Munshi et al. Unsupervised nonintrusive extraction of electrical vehicle charging load patterns
Yu et al. Nonintrusive appliance load monitoring for smart homes: Recent advances and future issues
CN111382789B (en) Power load identification method and system based on machine learning
JP6144408B2 (en) Energy measurement information labeling system and energy measurement information labeling server
CN109767054A (en) Efficiency cloud appraisal procedure and edge efficiency gateway based on deep neural network algorithm
KR20170049387A (en) System and Method for household appliance classification from the total power consumption by using deep learning
Dong et al. Fundamental limits of nonintrusive load monitoring
CN104090176A (en) Intelligent household appliance recognition method based on power consumption characteristic curve
US20160109492A1 (en) Method and system for analysing electricity consumption
Qureshi et al. A blind event-based learning algorithm for non-intrusive load disaggregation
CN105974223B (en) A kind of method and system for on-line checking electrical equipment working condition
CN114977176B (en) Power load decomposition method, device, equipment and storage medium
US20180259556A1 (en) Method and system for analyzing electricity consumption
Welikala et al. A real-time non-intrusive load monitoring system
Schirmer et al. Double Fourier integral analysis based convolutional neural network regression for high-frequency energy disaggregation
Qu et al. An intermittent fault diagnosis method of analog circuits based on variational modal decomposition and adaptive dynamic density peak clustering
CN103995963A (en) Calculation method for product reliability
Semwal et al. The practicability of ICA in home appliances load profile separation using current signature: A preliminary study
Weißhaar et al. Device classification for NILM using FIT-PS compared with standard signal forms
KR20200068070A (en) System and method for classifying household appliance from the total power consumption by using non-intrusive load monitoring based on denoising autoencoder recurrent neural network
Akselrad et al. Making home energy usage transparent for households using smart meters