KR20230136329A - 전력사용량 분해 시스템 - Google Patents

전력사용량 분해 시스템 Download PDF

Info

Publication number
KR20230136329A
KR20230136329A KR1020220033897A KR20220033897A KR20230136329A KR 20230136329 A KR20230136329 A KR 20230136329A KR 1020220033897 A KR1020220033897 A KR 1020220033897A KR 20220033897 A KR20220033897 A KR 20220033897A KR 20230136329 A KR20230136329 A KR 20230136329A
Authority
KR
South Korea
Prior art keywords
power usage
power
state
data
external
Prior art date
Application number
KR1020220033897A
Other languages
English (en)
Inventor
이효섭
임재륜
Original Assignee
주식회사 인코어드 테크놀로지스
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 주식회사 인코어드 테크놀로지스 filed Critical 주식회사 인코어드 테크놀로지스
Priority to KR1020220033897A priority Critical patent/KR20230136329A/ko
Priority to US17/735,873 priority patent/US20230297049A1/en
Publication of KR20230136329A publication Critical patent/KR20230136329A/ko

Links

Classifications

    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2639—Energy management, use maximum of cheap power, keep peak load low
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation
    • 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
    • Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
    • Y04S50/16—Energy services, e.g. dispersed generation or demand or load or energy savings aggregation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Evolutionary Biology (AREA)
  • Automation & Control Theory (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명의 실시예에 따른 전력 사용량 분해시스템은 댁내에 설치된 스마트미터로부터 전력데이터를 수신하고, 외부서버로부터 전력데이터에 영향을 주는 외부요인에 따른 데이터를 수신하여, 시계열 저장하는 DB, 시계열 저장되는 전력데이터 및 외부요인에 따른 데이터로부터 기준해상도 시간간격의 특성변수를 추출하는 추출부 및 특성변수를 외부요인의 의존성을 고려한 HMM(Hidden Markov Model)기반 전력사용 분해모델에 입력하여 은닉된 전력사용 상태를 추론하여 댁내의 총 전력사용량을 분해하는 분석부를 포함한다.

Description

전력사용량 분해 시스템{A SYSTEM FOR DISAGGREGATING POWER COMSUMPTION}
본 발명은 NILM(Non-Intrusive Load Monitoring)기반 전력사용량 분해시스템에 관한 것으로, 고해상도기반 전력데이터로부터 기준해상도(저해상도)기반의 특성변수를 추출하여 외부요인 의존성을 고려한 HMM(Hidden Markov Model)기반의 전력사용 분해 모델에 적용함으로써 댁내 총 전력사용량을 은닉된 전력사용상태별 전력사용량으로 분해할 수 있는 전력사용량 분해시스템에 관한 것이다.
에너지 소비를 절감하고 지능적으로 제어하기 위해서는 에너지 소비기기의 소비전력과 사용량 및 그 기기의 사용현황을 알 수 있어야 한다. 하지만, 일반 가정에서는 분전반을 통하여 수용가의 총 에너지 사용량(누적 전력량) 만을 알 수 있어 이 정보만으로는 어떤 기기가 사용되고 있는지 알 수 없다.
이에, 에너지 기기마다 각각 스마트 플러그를 설치하여 모니터링 하는 방법이 있으나 스마트 플러그의 단가가 비교적 높은 편이어서, 비용 문제를 유발하게 된다.
이를 해결하기 위해, 최근 소비전력 총 사용량기반의 비접촉 식별 방법 (NILM : Non-Intrusive Load Monitoring)에 관한 연구가 진행되고 있다. NILM은 전력 인입점에서의 단일 측정장치와 서버와의 협력을 통해 효율적으로 개별 부하 기기의 에너지 사용 정보를 추출하는 소프트웨어적 접근 방법으로, 단일 측정장치(스마트미터)가 전류, 전압, 전력 등의 다양한 데이터를 수집하고, 서버가 관련 데이터를 해석 및 수집하는 방식으로 총 에너지 사용 정보로부터 개별 부하기기의 에너지 사용 정보를 추출할 수 있다.
보편적으로, 전력데이터를 수집하는 시간해상도는 한전의 15분 단위를 이용한다. 이러한 15분 단위의 저해상도 전력데이터를 이용시 활용측면에서 확장성은 있으나, 사용자 행동 정보 제공에 있어 한계가 있다.
또한, 고해상도 전력데이터는 전력사용량의 변화를 표현함으로써 사용자의 전력사용에 대한 상세한 행동 정보를 제공할 수 있으나, 추가적인 측정기기의 설치가 요구되고, 설치하는 측정기기에 따라 수집주기와 형식에 차이가 있을 수 있다.
이에 따라, 다중해상도 전력데이터에 대해 저해상도 전력데이터를 기준으로 수집주기와 형식을 변환함으로써, 고해상도 전력데이터의 활용성을 높이면서 성능 향상을 도모할 수 있는 NILM 기반 전력사용량 분해시스템이 요구된다.
또한, 접촉식 식별방법은 에너지 기기 식별률이 정확하지 않다는 단점을 가지고 있다. 이에, 소비전력 사용에 영향을 주는 요인을 고려하여 히든 전력사용상태를 파악할 수 있는 시스템이 필요하다.
본 발명은 상술한 기술적 문제에 대응하기 위하여 안출된 것으로, 본 발명의 목적은 고해상도기반 전력데이터로부터 기준해상도(저해상도)기반의 특성변수를 추출하여 전력사용 분해 분석에 이용함으로써 활용성 및 분석 성능을 향상시킬 수 있는 전력사용량 분해시스템을 제공하는데 있다.
또한, 기준해상도 기반의 특성변수를 외부요인(온도, 시간(time of day) 등) 의존성을 고려한 HMM(Hidden Markov Model)기반의 전력사용 분해 모델에 적용함으로써 댁내의 총 전력사용량을 은닉된 전력사용상태별 전력사용량으로 분해할 수 있는 전력사용량 분해시스템을 제공하는 것이다.
전술한 바와 같은 과제를 해결하기 위하여 본 발명의 일 실시예에 따른 전력사용량 분해시스템은, 댁내에 설치된 스마트미터로부터 전력데이터를 수신하고, 외부서버로부터 상기 전력데이터에 영향을 주는 외부요인에 따른 데이터를 수신하여, 시계열 저장하는 DB, 상기 시계열 저장되는 전력데이터 및 외부요인에 따른 데이터로부터 기준해상도 시간간격의 특성변수를 추출하는 추출부 및 상기 특성변수를 외부요인의 의존성을 고려한 HMM(Hidden Markov Model)기반 전력사용 분해모델에 입력하여 은닉된 전력사용 상태를 추론하여 댁내의 총 전력사용량을 분해하는 분석부를 포함할 수 있다.
또한, 상기 외부요인의 의존성을 고려한 HMM(Hidden Markov Model)기반 전력사용 분해모델은, 상기 기준해상도 시간간격 구간에서, 상기 외부요인의 의존성을 고려한 전력사용 상태별 발생가능한 관측치에 대한 평균 및 분산을 포함하는 정규분포를 포함하는 출력부(emission) 및 상기 외부요인의 의존성을 고려한 전력사용 상태의 전환을 결정하기 위한 전환확률행렬을 포함하는 전환부(transition)를 포함할 수 있다. 이때, 상기 관측치는 상기 댁내의 총 전력사용량이 된다.
또한, 상기 전력사용 분해모델은, 상기 외부요인의 의존성을 고려한 상기 정규분포와 상기 전환확률행렬을 기반으로 현재 시점(t)까지의 관측치 시계열을 이용하여 은닉된 전력사용 상태 시계열을 추론할 수 있다.
또한, 상기 은닉된 전력사용 상태는, 사용자 활동의 개입없이 기저 전력사용량이 발생되는 기저상태(Base state), 사람의 활동개입에 의한 전력사용량이 발생되되 외부요인 의존성이 없는 활성상태(Activity state) 및 사람의 활동개입에 의한 전력사용량이 발생되되 외부요인 의존성이 있는 변수의존상태(Variable dependent state) 중 하나가 될 수 있다.
이때, 상기 분석부는, 상기 은닉된 전력사용 상태가, 상기 기저상태로 추론되면, 현재 시점(t)에 관측된 총 전력사용량이 기저부하의 전력사용량인 것으로 판단할 수 있다.
또는, 상기 분석부는, 상기 은닉된 전력사용 상태가, 상기 활성상태로 추론되면, 현재 시점(t)에 관측된 총 전력사용량 중 기저상태에 대응되는 평균까지는 기저부하의 전력사용량, 나머지 전력사용량은 활성부하의 전력사용량인 것으로 분해할 수 있다.
또는, 상기 분석부는, 상기 은닉된 전력사용 상태가, 상기 변수의존상태로 추론되면, 현재 시점(t)에 관측된 총 전력사용량 중 총 전력사용량 중 기저상태에 대응되는 평균까지는 기저부하의 전력사용량, 나머지 전력 사용량 중 활성상태에 대응되는 평균까지는 활성부하의 전력사용량, 나머지 전력 사용량64은 변수의존부하의 전력사용량인 것으로 분해할 수 있다.
또는, 상기 출력부는, 다음의 수학식 을 기반으로 상기 외부요인을 나타내는 외부변수(Tt)에 의존하는 상기 평균() 및 분산()을 갖는 정규분포()를 관측할 수 있다.
여기서, 상기 평균()은, 외부 변수의 의존성을 고려하지 않는 경우 , 외부 변수의 의존성을 고려하는 경우 또는 인공신경망을 통해 산출될 수 있다.
여기서, 상기 t는 기준해상도 시간간격에 따른 시계열적 시간스텝, 는 t에서 관측된 총 전력 사용량, St는 t에서 관측되지 않은 은닉된 전력사용상태, Tt는 외부변수, j는 가능한 전력사용상태, 및 는 t시점 j상태에서의 총 전력 사용량의 평균() 및 분산()이 될 수 있다.
또한, 상기 인공신경망은, 입력데이터가 t시점에서의 외부 변수(Tt)이고, 출력데이터가 상기 평균파라미터()가 될 수 있다.
또한, 상기 출력부는, 상기 외부 요인의 의존성을 고려하는 경우, 기설정된 유효범위 내의 외부 변수(Tt)만 유효 데이터로 이용할 수 있다.
또한, 상기 전환부는, 상기 전환확률행렬을 외부변수 의존여부에 따라 다음의 수학식을 이용하여 산출하되, 전환확률이 가장 높은 전력사용상태를 상기 전환될 전력사용 상태로 결정할 수 있다.
이때, 상기 외부 변수의 의존성을 고려하지 않는 경우, 을 기반으로 상기 전환확률을 산출할 수 있다.
또는, 상기 외부 변수의 의존성을 고려하는 경우, 또는 인공신경망을 통해 산출할 수 있다.
여기서, 상기 t는 기준해상도 시간간격에 따른 시계열적 시간스텝, St는 t에서 관측되지 않은 은닉된 전력사용상태, 상기 i, j, k는 가능한 전력사용상태, Tt는 외부변수가 될 수 있다.
또한, 상기 인공신경망은, 입력데이터가 t시점에서의 외부 변수(Tt)이고, 출력데이터가 상기 전환확률행렬이 될 수 있다.
또한, 추출부는, 상기 전력데이터 또는 외부요인에 따른 데이터가 상기 기준해상도 보다 고해상도 데이터이면, 오토인코더(Autoencoder)를 이용하여 기준해상도 기준의 차원축소된 특성변수를 추출할 수 있다.
또한, 상기 분석부는, 기댓값 최대화 알고리즘을 기반으로, 상기 추출부에서 추출된 특성변수와 관측된 총 전력사용량을 학습데이터로 학습하여 상기 전력사용 분해모델의 최적 모델 파라미터를 결정할 수 있다.
또한, 상기 분석부는, 상기 최적 모델 파라미터가 결정된 전력사용 분해모델을 기반으로, 각 시점(t)의 총 전력사용량에 대해 은닉된 전력사용 상태를 추론하여, 상기 댁내의 총 전력사용량을 각 전력사용 상태와 연관된 부하의 사용량으로 분해할 수 있다.
기타 실시예의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
따라서, 본 발명에 따르면, 본 발명의 전력사용량 분해시스템은 고해상도기반 전력데이터로부터 기준해상도(저해상도)기반의 특성변수를 추출하여 분석에 이용함으로써 다중해상도 데이터(고해상도/저해상도)에 대한 활용 확장성을 높일 수 있다.
즉, 댁내별 총 전력사용량 분해를 위해 수신되는 전력데이터 및 외부요인 데이터가 고해상도 또는 저해상도 시간단위의 서로 다른 해상도로 수집되어도 확장성을 가진 저해상도(예로, 한전 데이터수집 해상도인 15분 시간단위) 데이터로 변환하여 다중해상도 데이터를 이용할 수 있다.
또한, 외부변수(온도, 시간(time of day) 등) 의존성을 고려한 HMM(Hidden Markov Model)기반 전력사용 분해 모델을 통해 댁내의 총 전력사용량을 은닉된 전력사용상태별 전력사용량으로 분해할 수 있다.
이를 통해, 해당 사용자단말로 전력사용량을 분해한 전력사용량 정보를 제공할 수 있다. 또한, 댁내별 필요한 전력사용 솔루션 서비스 등을 구축하기 위한 기초자료로 활용할 수도 있다.
발명에 따른 효과는 이상에서 예시된 내용에 의해 제한되지 않으며, 더욱 다양한 효과들이 본 명세서 내에 포함되어 있다.
도 1은 본 발명의 실시예에 따른 전력사용량 분해 시스템의 전반적인 설명을 위한 도면이다.
도 2는 도 1의 전력사용량 분해 시스템의 개략적인 구성을 나타내는 구성 블록도이다.
도 3은 본 발명의 일 실시 예에 따른 전력사용량 분해 방법을 설명하기 위한 흐름도이다.
도 4는 도 3의 S110(기준해상도 시간간격의 특성변수 추출)을 설명하기 위한 흐름도이다.
도 5는 도 2의 추출부의 특성변수 추출을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시 예에 따른 전력사용량 분해 모델을 설명하기 위한 도면이다.
도 7은 도 2의 분석부의 전력사용량 분해를 설명하기 위한 도면이다.
도 8은 본 발명의 일 실시 예에 따른 전력사용량 분해를 설명하기 위한 그래프이다.
이하의 내용은 단지 발명의 원리를 예시한다. 그러므로 당업자는 비록 본 명세서에 명확히 설명되거나 도시되지 않았지만 발명의 원리를 구현하고 발명의 개념과 범위에 포함된 다양한 장치를 발명할 수 있는 것이다. 또한, 본 명세서에 열거된 모든 조건부 용어 및 실시예들은 원칙적으로, 발명의 개념이 이해되도록 하기 위한 목적으로만 명백히 의도되고, 이와 같이 특별히 열거된 실시예들 및 상태들에 제한적이지 않는 것으로 이해되어야 한다.
또한, 이하의 설명에서 제1, 제2 등과 같은 서수식 표현은 서로 동등하고 독립된 객체를 설명하기 위한 것이며, 그 순서에 주(main)/부(sub) 또는 주(master)/종(slave)의 의미는 없는 것으로 이해되어야 한다.
상술한 목적, 특징 및 장점은 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해질 것이며, 그에 따라 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다.
본 발명의 여러 실시예들의 각각 특징들이 부분적으로 또는 전체적으로 서로 결합 또는 조합 가능하며, 당업자가 충분히 이해할 수 있듯이 기술적으로 다양한 연동 및 구동이 가능하며, 각 실시예들이 서로에 대하여 독립적으로 실시 가능할 수도 있고 연관 관계로 함께 실시 가능할 수도 있다.
도 1은 본 발명의 실시예에 따른 전력사용량 분해 시스템의 전반적인 설명을 위한 도면이다. 도 2는 도 1의 전력사용량 분해 시스템의 개략적인 구성을 나타내는 구성 블록도이다.
도 1 및 도 2를 참고하면, 본 발명의 전력사용량 분해 시스템은 DB(100)및 전력관리서버(200)를 포함할 수 있다. 전력관리서버(200)는 추출부(210), 분석부(220)를 포함할 수 있다. 분석부(220)는 학습부(221), 전력사용 분해모델(222) 및 사용량 분해부(223)를 포함할 수 있다. 또한, 도 3은 본 발명의 일 실시 예에 따른 전력사용량 분해 방법을 설명하기 위한 흐름도이다.
DB(100)는 댁내에 설치된 스마트미터(100)로부터 전력데이터를 수신하고, 외부서버(20)로부터 댁내의 전력데이터에 영향을 주는 외부요인에 따른 데이터를 수신하여, 시계열 저장할 수 있다(S100).
이때 수신되는 전력데이터는 스마트미터(100)의 데이터수집주기에 따라 고해상도 데이터 또는 저해상도 데이터로 수집될 수 있다.
여기서, 저해상도 데이터는 보편적 수집주기에 따른 15분 해상도가 될 수 있으며, 본 발명에서는 기준해상도로 이용될 수 있다.
고해상도 데이터는 기준해상도 보다 높은 시간해상도로 일 예로, 1분 해상도, 수 초(Sec) 단위 해상도 등이 될 수 있다.
또한, 고해상도 또는 저해상도 시간간격으로 수집되는 전력데이터는, 유효전력와 무효전력, 전압, 전류, 정상 또는 과도 상태, 과도응답, 온/오프 이벤트, 상태추이 변화 정보 등의 다차원의 전력 사용특징을 포함하는 전력신호정보가 될 수 있다.
전력데이터에 영향을 주는 외부요인에 따른 데이터는 외부서버(20)로부터 수신되는 데이터 또는 전력데이터에 포함된 데이터가 될 수 있다. 일 예로, 전력데이터에 영향을 주는 외부요인은 온도, 습도, 미세먼지, 시간(time of day), 계절 등의 다양한 요소들이 될 수 있다. 외부요인이 온도, 습도, 미세먼지 등이 된다면, 외부서버(20)는 기상청 서버가 될 수 있다. 한편, 외부서버(20) 없이 해당 스마트미터로부터 수신할 수도 있다.
추출부(210)는 DB(100)에 시계열 저장되는 전력데이터 및 외부요인에 따른 데이터로부터 기준해상도 시간간격의 특성변수를 추출할 수 있다(S110).
추출부(210)는 전력데이터 및 외부요인에 따른 데이터가 상기 기준해상도 보다 고해상도 데이터이면, 오토인코더(Autoencoder)를 이용하여 기준해상도 기준의 차원축소된 특성변수를 추출할 수 있다. 이에 대한 구체적인 설명은 도 4 및 도 5를 통해 설명할 수 있다.
도 4는 도 3의 S110(기준해상도 시간간격의 특성변수 추출)을 설명하기 위한 흐름도이다. 도 5는 도 2의 추출부의 특성변수 추출을 설명하기 위한 도면이다.
도 4를 참조하면, S110단계에서 전력데이터 또는 외부요인에 따른 데이터가 기준해상도 보다 고해상도 데이터이면(S111, Y), 오토 인코더(Auto encoder)를 이용하여 고해상도 데이터로부터 차원 축소된 특성변수를 추출할 수 있다(S112). 한편, 전력데이터 또는 외부요인에 따른 데이터가 저해상도 데이터이면(S111,N), 저해상도 데이터 그대로 이용할 수 있다.
다음으로, 기준해상도 시간간격의 특성변수로 복원(S113)할 수 있다.
일 예로, 도 5의 (a)와 같은 고해상도 데이터(수집주기가 t, 일 예로 1분 시간간격)가 오토인코더기반의 인공신경망으로 구축되는 추출부(210)로 입력되면, 오토인코더 방식을 통해 차원을 축소시켜, 전력데이터와 외부요인에 따른 데이터를 도 5의 (b)와 같은 기준해상도(저해상도, 수집주기가 t, 일 예로 15분 시간간격) 데이터로 변환시킬 수 있다.
여기서, 오토인코더는 비지도 학습모델로 대칭구조를 가지고, 입력을 압축하는 인코더와 압축을 푸는 디코더로 구성될 수 있고, 인코더를 통해 차원 축소된 특성변수를 추출하여 디코더를 통해 입력과 유사한 출력을 만드는 동작을 수행한다.
본 발명의 오토인코더기반의 인공신경망의 입력은 단일 저해상도 시간간격 구간에 해당하는 고해상도 시간간격 특성들이고, 출력은 해당 저해상도 시간간격 구간에 해당하는 인코딩 결과가 될 수 있다.
오토인코더기반 인공신경망을 통해 다중해상도 데이터를 기준해상도 데이터로 변환하여, 본 발명의 전력사용량 분해모델에 입력함으로써 전력사용량 분해에 이용할 수 있다(S114).
다음으로, 분석부(220)는 전력 사용량 분해모델(222)을 이용하여 은닉된 전력사용상태를 추론할 수 있다(S120). 구체적으로, 추출부(210)에서 추출된 특성변수를 외부요인의 의존성을 고려한 HMM(Hidden Markov Model)기반 전력사용 분해모델(222)에 입력하여, 은닉된 전력사용 상태를 추론함으로써 댁내의 총 전력사용량을 분해할 수 있다.
분석부(220)는 학습부(221), 전력사용 분해모델(222) 및 사용량 분해부(223)를 포함할 수 있다. 여기서, 학습부(221)는 추출부(210)에서 추출된 특성변수를 학습데이터로 학습하여, 최적 파라미터를 찾아 낼 수 있다. 이때, 기댓값 최대화 알고리즘(EM, expectation-maximization algorithm)을 통해, 최적 파라미터를 찾을 수 있다.
기댓값 최대화 알고리즘은 최대가능도(maximum likelihood)나 최대사후확률(maximum a posteriori)을 갖는 파라미터의 추정값을 찾는 반복적인 알고리즘이다. 구체적으로, 기댓값 최대화 알고리즘은 파라미터에 관한 추정값으로 로그가능도(log likelihood)의 기댓값을 계산하는 기댓값 단계와 이 기댓값을 최대화하는 파라미터 추정값들을 구하는 최대화 단계를 번갈아 가면서 적용하고, 최대화 단계에서 계산한 변수값은 다음 기댓값 단계의 추정값으로 쓰인다.
분석부(220)는 학습부(221)에서 모델학습된 즉, 최적 파라미터를 가지는 전력사용 분해모델(222)통해 총 전력사용량으로부터 은닉된 전력사용상태를 추론하며, 이를 기반으로 사용량 분해부(223)는 댁내 총 전력사용량을 추론된 은닉된 전력사용상태와 연관된 부하의 사용량으로 분해할 수 있다(S130).
이때, 본 발명의 외부요인 의존성을 고려한 HMM기반 전력사용 분해모델(222)은 도 6과 같은 모형으로 도시될 수 있다. 도 6은 본 발명의 일 실시 예에 따른 전력사용량 분해 모델을 설명하기 위한 도면이다.
도 6을 참조하면, 외부요인의 의존성을 고려한 HMM(Hidden Markov Model)기반 전력사용 분해모델(222)은, 전환부(가로방향 실선 화살표, transition, 21) 및 외부요인을 나타내는 외부변수가 출력부(세로방향 실선 화살표, emission, 22)에 영향을 주고 있음을 점선 화살표(외부변수 의존성)를 통해 나타내고 있다. 즉, 전력사용 분해모델은 전환부(transition, 21) 및 출력부(emission, 22)를 구성으로 포함할 수 있다.
여기서, t는 시간(기준해상도 시간간격에 따른 시계열적 시간스텝), 는 관측치로 이 되고, 시간 t에서 관측된 총 전력 사용량으로 , 는 시간 t에서 관측되지 않은 은닉된 상태(state)로 가 되며, 는 시간 t에서의 적어도 하나의 외부 변수가 될 수 있다. 이때, 외부 변수는 상술한 바와 같이, 온도, 시간 등이 될 수 있으며, 이하 설명의 이해를 위해, 외부 변수(외부요인)가 온도인 경우를 예로 설명할 수 있다.
이때, 은닉된 전력사용상태는 일 예로, K=3로 클래스를 분류할 수 있다.
i) 사용자 활동의 개입없이 기저 전력사용량이 발생되는 기저상태(Base state), ii) 사람의 활동개입에 의한 전력사용량이 발생되되 외부요인 의존성이 없는 활성상태(Activity state) 및 iii) 사람의 활동개입에 의한 전력사용량이 발생되되 외부요인 의존성이 있는 변수의존상태(Variable dependent state)로 분류될 수 있다.
도 6에서, 출력부(emission, 22)는 외부 변수에 의존하는 평균 파라미터를 갖는 정규분포가 되고, 전환부(transition, 21)는 외부 변수에 의존하는 상태 전환 확률 행렬이 될 수 있다.
구체적으로, 출력부(22)는 외부요인의 의존성을 고려한 전력사용 상태별 발생가능한 관측치(총 전력사용량)에 대한 평균 및 분산을 포함하는 정규분포를 포함하며, 정규분포 형태로 관측치를 관측할 수 있다.
다음의 수학식1을 기반으로 평균 파라미터를 갖는 정규분포를 관측할 수 있다. 즉, 은닉된 j상태는 = {1, ..., K} 중 하나에서 에너지를 소비하는 상태로 보고, 시간 t에서 기록된 외부요인인 온도가 Tt이고, 전제가 주어진 상태 j에 있을 때 소비전력 사용량 (관측치)를 다음과 같이 가정할 수 있다.
즉, 외부요인을 나타내는 외부변수(Tt)에 의존하는 평균() 및 분산()을 갖는 정규분포()를 관측할 수 있다.
여기서, 평균은 외부 변수의 의존성을 고려하지 않는 경우, 다음의 수학식2와 같이 계산될 수 있다.
즉, 는 온도 의존성이 없는 기본 부하(base load) 전력사용량 평균으로, 상수값으로 계산될 수 있으며, 학습부(221)를 통해 전력사용상태별 최적값으로 결정될 수 있다.
또한, t는 기준해상도 시간간격에 따른 시계열적 시간스텝, 는 t에서 관측된 총 전력 사용량, 는 t에서 관측되지 않은 은닉된 전력사용 상태, 는 외부변수, j는 가능한 전력사용상태, 및 는 t시점 j상태에서의 총 전력 사용량의 평균 및 분산이 될 수 있다.
또한, 평균은 외부 변수의 의존성을 고려하는 경우, 다음의 수학식3과 같이 계산될 수 있다. 또는, 수학식 3의 선형관계를 확장하여 비선형관계를 나타내는 인공신경망을 통해 계산될 수도 있다.
여기서, 는 j상태에서 외부변수 에 의한 즉, 외부 온도변화에 따른 전력 사용량의 변화율로 상수값으로 계산될 수 있으며, 학습부(221)의 학습을 통해 전력사용상태별 최적값으로 찾아질 수 있다.
또한, 수학식 3에 따른 선형관계를 확장하여 비선형관계를 나타내는 인공신경망 구조로 다음과 같이 나타낼 수도 있다.
이때, 인공신경망은, 입력데이터가 t시점에서 외부 변수(Tt)이고, 출력데이터가 상기 평균파라미터()가 될 수 있다.
한편, 외부변수의 의존성을 고려하는 경우, 기설정된 유효범위 내의 외부 변수(Tt)만 유효 데이터로 이용할 수 있다. 일 예로, 외부변수가 온도이면 최소온도 및 최대온도를 설정하여 유효범위로 이용할 수 있다.
또한, 전환부(21)는 외부요인의 의존성을 고려한 전력사용 상태의 전환을 결정하기 위한 전환확률행렬을 포함할 수 있다.
여기서, 전환확률행렬은 t 시점의 한 상태(state)가 시간이 지남에 따라 다른 상태로 변하는 규칙으로, K=3인 경우 3X3 확률 행렬을 가질 수 있으며, 행렬의 각 확률값은 학습부(221)에서 학습된 최적 파라미터값으로 결정될 수 있다. 이때, 외부 변수의 변화에 따라 확률값도 변하게 된다.
구체적으로, 전환부(21)는 전환확률행렬을 외부변수 의존성에 따라 다음의 수학식4 및 수학식 5를 이용하여 산출하며, 전환확률이 가장 높은 전력사용상태를 다음 전환될 전력사용 상태로 결정할 수 있다.
먼저, 외부 변수 의존성을 고려하지 않는 경우 수학식 4와 같은 전환 확률을 계산할 수 있다.
여기서, t는 기준해상도 시간간격에 따른 시계열적 시간스텝 St는 t에서 관측되지 않은 은닉된 전력사용 상태, i, j, k는 가능한 전력사용상태를 나타내는 인덱스, Tt는 외부변수가 될 수 있다.
즉, 는 시간 t에서 j 상태였는데, t+1 시간에서 i로 변환될 확률이 되고, K=3일때, i = {1, 2, 3}인 각 상태에 대해 합산시 1(확률)이 된다.
또는, 외부 변수 의존성을 고려하는 경우, 수학식 5와 같은 다항 로지스틱 회귀(multinomial logistic regression) 관계로 계산되거나, 다항 로지스틱 회귀(multinomial logistic regression) 관계를 일반화한 인공신경망 구조로 계산될 수 있다.
또한, 수학식 5에 따른 다항 로지스틱 회귀(multinomial logistic regression) 관계에 기반한 인공신경망 구조로 다음과 같이 나타낼 수도 있다.
이때, 인공신경망은, 입력데이터가 t시점에서의 외부 변수(Tt)이고, 출력데이터가 다항 로지스틱 회귀(multinomial logistic regression) 관계에 기반한 전환확률행렬이 될 수 있다.
사용량 분해부(230)는 비터비(Viterbi) 알고리즘 등을 이용하여 관측한 총 전력사용량을 가장 잘 설명하는 은닉된 상태를 추론하고(S120), 각 시점에 대해 추론된 은닉된 상태와 총 전력사용량으로부터 전력사용상태별 전력사용량을 분해할 수 있다(S130).
즉, 사용량 분해부(230)는 출력부(22)를 통해 정규분포를 기반으로 외부요인의 의존성을 고려한 현재시점(t)에서의 관측치()를 이용하여 은닉된 상태()를 추론하고, 전환부를 통해 전환확률행렬을 기반으로 전환될 다음시점(t+1)의 전력사용상태(St+1)를 추론할 수 있다.
도 7은 도 2의 분석부의 전력사용량 분해를 설명하기 위한 도면이다. 도 7을 참고하면, 사용량 분해부(230)는 전력사용 분해모델(222)을 통해 추론된 은닉된 상태가 기저상태(base state)로 추론되면, 현재 시점(t)에 관측된 총 전력사용량이 모두 기저부하의 전력사용량인 것으로 판단할 수 있다.
또는, 사용량 분해부(230)는 전력사용 분해모델(222)을 통해 추론된 은닉된 상태가 활성상태(Activity state)로 추론되면, 현재 시점(t)에 관측된 총 전력사용량 중 기저상태에 대응되는 평균()까지는 기저부하의 전력사용량, 나머지 전력사용량은 활성부하의 전력사용량인 것으로 분해할 수 있다.
또는, 사용량 분해부(230)는 전력사용 분해모델(222)을 통해 추론된 은닉된 상태가 변수의존상태(Variable dependent state)로 추론되면, 현재 시점(t)에 관측된 총 전력사용량() 중 기저상태에 대응되는 평균()까지는 기저부하의 전력사용량, 나머지 전력 사용량 중 활성상태에 대응되는 평균()까지는 활성부하의 전력사용량, 나머지 전력사용량은 변수의존부하의 전력사용량인 것으로 분해할 수 있다.
사용량 분해부(230)는 각 댁내별 외부변수 의존성에 따른 전력사용상태를 분해함으로써, 도 8과 같은 댁내 전력사용패턴을 도출할 수 있다.
도 8은 본 발명의 일 실시 예에 따른 전력사용량 분해를 설명하기 위한 그래프이다. 도 8은 외부변수로 온도를 적용하였다. 도 8을 참고하면, 온도의존성을 고려한 댁내 총 전력사용량은 기저부하(Base load), 활성부하(Activity load),온도의존부하(Heating & Cooling laod)로 구분하여 전력사용상태를 확인할 수 있다. 이러한 댁내별 전력사용패턴을 기반으로, 유사패턴을 가지는 사용자들을 유사사용자들로 분류하여 서비스 기초자료로 활용할 수 있다. 예를 들어, 본 발명의 전력분해사용모델은 출력을 나타내는 정규분포가 온도에 대한 선형관계로, 수학식2는 온도의존성을 고려한다. 여기서, 온도의존성이 높을수록 효율은 좋지 않은 것으로 판단할 수 있다. 이에, 온도 의존성이 높은 사용자 그룹을 분류하여 해당 그룹에 필요한 서비스로 정기점검, 새 가전 추천 등의 솔루션을 제공할 수 있다.
이와 같이, 본 발명의 일 실시 예에 따른 전력사용량 분해 시스템은 비접촉 식별 방법 (NILM : Non-Intrusive Load Monitoring)기반 시스템으로, 각 댁내에 설치된 스마트미터(10) 및 적어도 하나의 외부서버(20)로부터 수신되는 데이터를 이용하여 댁내별 전력사용량(소비전력 총 사용량)을 외부변수 의존성을 고려하여 전력사용상태별로 분해한 전력사용량 정보를 해당 사용자단말기(30)로 제공할 수 있다.
또한, 본 발명의 시스템은 댁내별 분해한 전력상용량 정보를 이용하여 사용자를 분류하고, 분류된 사용자 그룹별 필요한 전력사용 솔루션 서비스 등을 구축하여 해당 사용자단말(30)로 제공할 수도 있다.
이상 첨부된 도면을 참조하여 본 발명의 실시예들을 더욱 상세하게 설명하였으나, 본 발명은 반드시 이러한 실시예로 국한되는 것은 아니고, 본 발명의 기술사상을 벗어나지 않는 범위 내에서 다양하게 수정 실시될 수 있다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100 : DB 200 : 전력관리서버
210 : 추출부 220 : 분석부
221 : 학습부 222 : 전력사용 분해모델
21 : 출력부 22 : 전환부
223 : 사용량 분해부
10 : 스마트미터 20 : 외부서버

Claims (15)

  1. 댁내에 설치된 스마트미터로부터 전력데이터를 수신하고, 외부서버로부터 상기 전력데이터에 영향을 주는 외부요인에 따른 데이터를 수신하여, 시계열 저장하는 DB;
    상기 시계열 저장되는 전력데이터 및 외부요인에 따른 데이터로부터 기준해상도 시간간격의 특성변수를 추출하는 추출부; 및
    상기 특성변수를 외부요인의 의존성을 고려한 HMM(Hidden Markov Model)기반 전력사용 분해모델에 입력하여 은닉된 전력사용 상태를 추론하여 댁내의 총 전력사용량을 분해하는 분석부;를 포함하는, 전력사용량 분해 시스템.
  2. 제1항에 있어서,
    상기 외부요인의 의존성을 고려한 HMM(Hidden Markov Model)기반 전력사용 분해모델은, 상기 기준해상도 시간간격 구간에서,
    상기 외부요인의 의존성을 고려한 전력사용 상태별 발생가능한 관측치에 대한 평균 및 분산을 포함하는 정규분포를 포함하는 출력부(emission); 및
    상기 외부요인의 의존성을 고려한 전력사용 상태의 전환을 결정하기 위한 전환확률행렬을 포함하는 전환부(transition);를 포함하고,
    상기 관측치는 상기 댁내의 총 전력사용량이 되는, 전력사용량 분해 시스템.
  3. 제2항에 있어서,
    상기 상기 전력사용 분해모델은, 상기 외부요인의 의존성을 고려한 상기 정규분포와 상기 전환확률행렬을 기반으로 현재 시점(t)까지의 관측치 시계열을 이용하여 은닉된 전력사용 상태 시계열을 추론하는, 전력사용량 분해 시스템.
  4. 제3항에 있어서,
    상기 은닉된 전력사용 상태는,
    사용자 활동의 개입없이 기저 전력사용량이 발생되는 기저상태(Base state),
    사람의 활동개입에 의한 전력사용량이 발생되되 외부요인 의존성이 없는 활성상태(Activity state) 및
    사람의 활동개입에 의한 전력사용량이 발생되되 외부요인 의존성이 있는 변수의존상태(Variable dependent state) 중 하나가 되는, 전력사용량 분해 시스템.
  5. 제4항에 있어서,
    상기 분석부는, 상기 은닉된 전력사용 상태가,
    상기 기저상태로 추론되면, 현재 시점(t)에 관측된 총 전력사용량이 기저부하의 전력사용량인 것으로 판단하는, 전력사용량 분해 시스템.
  6. 제4항에 있어서,
    상기 분석부는, 상기 은닉된 전력사용 상태가,
    상기 활성상태로 추론되면, 현재 시점(t)에 관측된 총 전력사용량 중 기저상태에 대응되는 평균까지는 기저부하의 전력사용량, 나머지 전력사용량은 활성부하의 전력사용량인 것으로 분해하는, 전력사용량 분해 시스템.
  7. 제4항에 있어서,
    상기 분석부는, 상기 은닉된 전력사용 상태가,
    상기 변수의존상태로 추론되면, 현재 시점(t)에 관측된 총 전력사용량 중 총 전력사용량 중 기저상태에 대응되는 평균까지는 기저부하의 전력사용량, 나머지 전력 사용량 중 활성상태에 대응되는 평균까지는 활성부하의 전력사용량, 나머지 전력 사용량은 변수의존부하의 전력사용량인 것으로 분해하는, 전력사용량 분해 시스템.
  8. 제2항에 있어서,
    상기 출력부는,
    다음의 수학식 을 기반으로 상기 외부요인을 나타내는 외부변수(Tt)에 의존하는 상기 평균() 및 분산()을 갖는 정규분포()를 관측하며,
    상기 평균()은, 외부 변수의 의존성을 고려하지 않는 경우 , 외부 변수의 의존성을 고려하는 경우 또는 인공신경망을 통해 산출되는, 전력사용량 분해 시스템.
    상기 t는 기준해상도 시간간격에 따른 시계열적 시간스텝, 는 t에서 관측된 총 전력 사용량, St는 t에서 관측되지 않은 은닉된 전력사용상태, Tt는 외부변수, j는 가능한 전력사용상태, 및 는 t시점 j상태에서의 총 전력 사용량의 평균() 및 분산().
  9. 제8항에 있어서,
    상기 인공신경망은, 입력데이터가 t시점에서의 외부 변수(Tt)이고, 출력데이터가 상기 평균()인, 전력사용량 분해 시스템.
  10. 제8항에 있어서,
    상기 출력부는,
    상기 외부 요인의 의존성을 고려하는 경우, 기설정된 유효범위 내의 외부 변수(Tt)만 유효 데이터로 이용하는, 전력사용량 분해 시스템.
  11. 제2항에 있어서,
    상기 전환부는, 상기 전환확률행렬을 외부변수 의존여부에 따라 다음의 수학식을 이용하여 산출하되, 전환확률이 가장 높은 전력사용상태를 상기 전환될 전력사용 상태로 결정하고,
    상기 외부 변수의 의존성을 고려하지 않는 경우, 을 기반으로 상기 전환확률을 산출하고,
    상기 외부 변수의 의존성을 고려하는 경우, 또는 인공신경망을 통해 산출하는, 전력사용량 분해 시스템.
    상기 t는 기준해상도 시간간격에 따른 시계열적 시간스텝, St는 t에서 관측되지 않은 은닉된 전력사용상태, 상기 i, j, k는 가능한 전력사용상태, Tt는 외부변수.
  12. 제11항에 있어서,
    상기 인공신경망은, 입력데이터가 t시점에서의 외부 변수(Tt)이고, 출력데이터가 상기 전환확률행렬인, 전력사용량 분해 시스템.
  13. 제1항에 있어서,
    상기 추출부는,
    상기 전력데이터 또는 외부요인에 따른 데이터가 상기 기준해상도 보다 고해상도 데이터이면, 오토인코더(Autoencoder)를 이용하여 기준해상도 기준의 차원축소된 특성변수를 추출하는, 전력사용량 분해 시스템.
  14. 제2항에 있어서,
    상기 분석부는,
    기댓값 최대화 알고리즘을 기반으로, 상기 추출부에서 추출된 특성변수와 관측된 총 전력사용량을 학습데이터로 학습하여 상기 전력사용 분해모델의 최적 모델 파라미터를 결정하는, 전력사용량 분해 시스템.
  15. 제14항에 있어서,
    상기 분석부는,
    상기 최적 모델 파라미터가 결정된 전력사용 분해모델을 기반으로, 각 시점(t)의 총 전력사용량에 대해 은닉된 전력사용 상태를 추론하여, 상기 댁내의 총 전력사용량을 각 전력사용 상태와 연관된 부하의 사용량으로 분해하는, 전력사용량 분해 시스템.
KR1020220033897A 2022-03-18 2022-03-18 전력사용량 분해 시스템 KR20230136329A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020220033897A KR20230136329A (ko) 2022-03-18 2022-03-18 전력사용량 분해 시스템
US17/735,873 US20230297049A1 (en) 2022-03-18 2022-05-03 System for disaggregating power consumption

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220033897A KR20230136329A (ko) 2022-03-18 2022-03-18 전력사용량 분해 시스템

Publications (1)

Publication Number Publication Date
KR20230136329A true KR20230136329A (ko) 2023-09-26

Family

ID=88067781

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220033897A KR20230136329A (ko) 2022-03-18 2022-03-18 전력사용량 분해 시스템

Country Status (2)

Country Link
US (1) US20230297049A1 (ko)
KR (1) KR20230136329A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117131353A (zh) * 2023-10-27 2023-11-28 北京志翔科技股份有限公司 一种超差电能表确定方法、装置、电子设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117131353A (zh) * 2023-10-27 2023-11-28 北京志翔科技股份有限公司 一种超差电能表确定方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
US20230297049A1 (en) 2023-09-21

Similar Documents

Publication Publication Date Title
Jain et al. Clustering based short term load forecasting using support vector machines
CN112434799B (zh) 基于全卷积神经网络的非侵入式负荷识别方法
CN109345409A (zh) 一种基于宽带载波的居民用户综合能效管理方法
WO2014208092A1 (ja) 監視制御システム及び制御方法
KR20230136329A (ko) 전력사용량 분해 시스템
Wang et al. Robust identification of ev charging profiles
Himeur et al. On the applicability of 2d local binary patterns for identifying electrical appliances in non-intrusive load monitoring
Maurya et al. Time-series clustering for data analysis in smart grid
Rehman et al. Comparative evaluation of machine learning models and input feature space for non-intrusive load monitoring
CN112989133B (zh) 一种电器设备的图数据建模电力指纹识别方法、存储介质及系统
CN107767037A (zh) 一种用户用电构成解析方法
KR102332248B1 (ko) 다중상태 에너지 분류에 따른 비침입부하모니터링 성능 평가 시스템 및 방법
CN111506636A (zh) 一种基于自回归和近邻算法的居民用电行为分析的系统及方法
CN116298576A (zh) 一种考虑时间分段的可扩展非侵入式负荷监测方法
CN112580875B (zh) 一种配电装置的故障预测方法及系统
Ma et al. A non-intrusive load decomposition algorithm for residents
CN110146758B (zh) 基于交叉熵的非侵入式电器识别方法
CN113627451B (zh) 基于贝叶斯网络的非侵入式家庭用电行为动态监测方法
CN113850691A (zh) 对用户进行用电习惯画像及制定检修计划的方法、系统、处理设备、介质
Li et al. A fusion framework using integrated neural network model for non-intrusive load monitoring
CN113298175A (zh) 基于多场景和多元数据的独居老人用电监控方法和系统
Thokala et al. On load disaggregation using discrete events
KR102622634B1 (ko) 전자기기의 비침식 부하 모니터링 시스템 및 그 방법
Tascikaraoglu On Data-Driven Approaches for Demand Response
CN110472894A (zh) 一种基于智能配电网的电力用户用电评价方法