Metody pomiaru zużycia energii elektrycznej

Oprócz wyszukiwania i inwestowania w wykorzystanie źródeł odnawialnych (tzw. green economy), nacisk kładzie się na optymalizację wykorzystania energii elektrycznej w gospodarstwach domowych. Jak bowiem wykazano, to w nich zużywana jest największa ilość prądu (średnio dziesięciokrotny wzrost w stosunku do połowy XX wieku), tutaj też istnieją potencjalnie największe możliwości minimalizacji jego zużycia.

Przyczyną obecnej sytuacji jest wzrost zamożności społeczeństw, pojawienie się nowych rodzajów urządzeń (komputerów, odtwarzaczy DVD, konsol do gier), czy wprowadzenie na szeroką skalę elementów automatycznego sterowania (instalacje alarmowe, przeciwpożarowe itp.). Aby jednak możliwa była minimalizacja użytkowanej energii, konieczne jest uprzednie oszacowanie jej ilości oraz identyfikacja najważniejszych urządzeń odpowiedzialnych za ten stan rzeczy. Wraz z wprowadzeniem i intensywnym rozwojem idei inteligentnego domu (ang. smart house), pojawiło się zapotrzebowanie na metody i narzędzia do monitorowania pracy urządzeń elektrycznych zainstalowanych w budynku lub mieszkaniu. Ze względu na dużą różnorodność odbiorników jest to zadanie trudne, wymagające wieloetapowych metod obejmujących zarówno akwizycję sygnałów, ekstrakcję cech charakterystycznych (symptomów) dla poszczególnych urządzeń, jak i metod identyfikacji.

W artykule przedstawiono ogólną metodykę dokonywania pomiarów zużycia energii elektrycznej w budynku lub mieszkaniu i na tej podstawie identyfikowania odbiorników pracujących w środku. Najpierw przedstawiono inwazyjne i nieinwazyjne metody monitorowania obciążenia urządzeń. Następnie omówiono rodzaje odbiorników spotykane w typowym gospodarstwie domowym oraz problemy związane z ich identyfikacją. W celu maksymalizacji skuteczności klasyfikacji przedstawione zostały również najważniejsze parametry charakteryzujące odbiorniki, pozyskiwane z mierzonych sygnałów. Wreszcie krótko scharakteryzowano metody klasyfikacji poszczególnych urządzeń, z naciskiem na algorytmy sztucznej inteligencji, stosowanej już powszechnie w większości dziedzin techniki.

Pomiary inwazyjne i nieinwazyjne

Od samego początku rozważane były dwa podejścia do problemu monitorowania obciążenia odbiorników elektrycznych (ang. Appliance Load Monitoring – ALM) w pomieszczeniach (rys. 1.). W pierwszym przypadku stosuje się metody inwazyjne (ang. Intrusive ALM – IALM), wymagające ingerencji w istniejącą sieć elektryczną oraz sposób podłączania do niej odbiorników. Polegają one na umieszczeniu przy każdym miernika, dzięki któremu możliwe będzie rejestrowanie wszystkich zmian w pobieranej mocy. Tym samym system ma charakter rozproszony, zaś wykrywanie urządzeń odpowiedzialnych za wzrost użycia energii elektrycznej odbywa się w ich bezpośrednim sąsiedztwie. Zaletą metody jest zatem duża dokładność, eliminująca w większości przypadków niepewność identyfikacji. Do istotnych wad (rzutujących na wykorzystanie jej w praktyce) należy jej stosunkowo wysoki koszt (liczba czujników lub mierników jest proporcjonalna od liczby odbiorników), a także konieczność ingerencji w istniejącą infrastrukturę poprzez wprowadzanie dodatkowych elementów między urządzenie a sieć elektryczną. Z tych powodów istniejące obecnie rozwiązania przewodowe nie są szczególnie popularne. Alternatywą dla nich są sieci czujnikowe, umieszczane w bezpośrednim sąsiedztwie odbiornika i komunikujące się poprzez jeden z popularnych obecnie standardów, np. ZigBee. Oprócz zwiększonych kosztów instalacji wadą rozwiązania jest wrażliwość na sygnały zakłócające, co znacząco ogranicza dokładność systemu. Metody inwazyjne są potencjalnie atrakcyjne w przyszłości, obecnie jednak główny wysiłek naukowców i producentów sprzętu skierowany jest na podejścia nieinwazyjne (rys. 1b).

Zakłada się tutaj brak ingerencji w istniejącą strukturę sieci elektrycznej. Zamiast tego stosuje się jeden miernik podłączany w miejscu, z którego prąd jest rozprowadzany po całym mieszkaniu lub budynku. Tym samym znacząco upraszcza się strukturę systemu, co prowadzi jednak do problemu identyfikacji poszczególnych odbiorników na podstawie informacji zbiorczej. W metodach nieinwazyjnych (ang. Non-Intrusive ALM – NIALM) nacisk kładzie się na dobór mierzonych parametrów oraz metod identyfikacji poszczególnych odbiorników (ang. energy disaggregation). Pomimo że idea takiego systemu istnieje już od ponad dwudziestu lat [1], zainteresowanie nim wzrosło dopiero w ciągu ostatniej dekady. Badania na temat zastosowań metod identyfikacji odbiorników sprowadzają się do architektury obejmującej kilka następujących po sobie faz, przedstawionych na rysunku 2. W pierwszej kolejności ma miejsce akwizycja danych pomiarowych przy użyciu dostępnych mierników lub czujników (w zależności od zastosowanego podejścia). Następnie odbywa się ekstrakcja cech mających ułatwić identyfikację. Wreszcie dochodzi do wskazania konkretnych urządzeń na podstawie pozyskanych informacji. Zakłada się tutaj możliwość poprawnej identyfikacji odbiornika na podstawie wektora jego symptomów (tzw. sygnatury). Prowadzone są badania na temat użyteczności nowych symptomów ułatwiających identyfikację, a także metod klasyfikacyjnych. Główne problemy obejmują fazę uczenia, tj. pozyskiwania informacji na temat cech charakterystycznych poszczególnych urządzeń oraz przygotowanie modułu klasyfikacyjnego reagującego na możliwie dużą grupę odbiorników. W tym pierwszym przypadku konieczne są na ogół eksperymenty laboratoryjne. W kontrolowanym środowisku uruchamia się pojedyncze odbiorniki i bada ich zachowanie. Dzięki temu pozyskuje się wiedzę potrzebną później do ich poprawnego sklasyfikowania na podstawie badanych symptomów. Drugi problem obejmuje wykrycie poszczególnych urządzeń w sytuacji, gdy wiele z nich pracuje jednocześnie. Dodatkowo mogą pojawić się nowe odbiorniki, których modele nie zostały poznane w procesie uczenia. W przypadku metod sztucznej inteligencji, standardowo wykorzystywanych w tego typu zadaniach, konieczne jest przeprowadzenie uczenia maszynowego (automatycznego procesu pozyskania i przechowania wiedzy pozyskanej z analizy danych), przedstawionego w dalszej części artykułu.

Struktura sieci urządzeń elektrycznych w budynku

Wybór odpowiedniej metody identyfikacyjnej jest uzależniony od rodzajów urządzeń pracujących w analizowanych pomieszczeniach. Pod względem charakteru pracy wyróżniane są cztery rodzaje odbiorników energii elektrycznej [2]:

• o stałym obciążeniu – są to urządzenia, które pracują bez przerwy, pobierając stałą ilość mocy (np. kamery, wywietrzniki, systemy przeciwpożarowe itp.),
• dwustanowe – urządzenia te mogą zostać włączone lub wyłączone i są to jedyne stany rozróżnialne podczas pomiarów sygnałów elektrycznych. Przejściu w stan „włączony” („on”) towarzyszy skok pobieranej mocy, zaś podczas przechodzenia do stanu „wyłączony” („off”) dochodzi do jej spadku (rys. 3.). Poza przełączeniami poziom pobieranej mocy utrzymuje się na stałym poziomie. Przykładami takich odbiorników są toster, czy telewizor,
• wielostanowe – urządzenia pobierają moc na kilku dyskretnych poziomach, co odpowiada poszczególnym trybom pracy, oprócz wyłączenia (rys. 4.). Jest to działanie charakterystyczne dla pralek, czy suszarek i innych urządzeń sterowanych przez mikroprocesor. Opisywane są one przez tzw. skończone maszyny stanów (ang. Finite State Machines),
• o ciągłym charakterze pobieranej mocy – są to urządzenia, których charakterystyka pobieranej mocy nie jest dyskretna, lecz ma postać krzywej o kształcie zależnym od rodzaju odbiornika (np. wiertarka udarowa lub oświetlenie z systemem przyciemniania). Ten rodzaj urządzeń jest zdecydowanie najtrudniejszy do analizy, jak dotąd nie udało się opracować skutecznej metody ich identyfikacji. Ponieważ jednak są one stosunkowo rzadko spotykane w gospodarstwach domowych (częściej w instalacjach komercyjnych lub przemysłowych), na razie nie są przedmiotem intensywnych badań.

Podstawowym problemem podczas wykrywania poszczególnych urządzeń jest możliwość pracy wielu obiektów jednocześnie, co przy pomiarach dokonywanych tylko w jednym miejscu może znacząco utrudnić rozróżnianie pomiędzy nimi. Dodatkowo, różne odbiorniki mogą mieć podobne charakterystyki, co sprawia, że ich zachowanie jest nierozróżnialne. Stanowi to szczególnie istotny problem, gdy uwzględni się szum pochodzący z otoczenia, powodujący zatarcie różnic pomiędzy podobnymi (choć nieidentycznymi) odbiornikami.

Klasyfikacja mierzonych wielkości i parametrów

Rodzaje mierzonych sygnałów oraz parametrów pozyskiwanych dzięki nim zależą od poszczególnych rodzajów urządzeń oraz opracowanych metod analizy. Najstarszą i jednocześnie najlepiej opracowaną metodą [1] jest pomiar mocy pozornej S pobieranej przez wszystkie odbiorniki w określonych chwilach czasowych (próbkowanych z częstotliwością 1 Hz), obejmującej moc czynną P oraz bierną Q:

Ponieważ odbiorniki wymienione w poprzedniej sekcji mają najczęściej charakter pojemnościowy lub indukcyjny (gdzie mierzony prąd wyprzedza napięcie lub opóźnia się względem niego), możliwe jest przedstawienie zużycia przez nie energii w postaci punktów na płaszczyźnie Gaussa. Punkty te tworzone są dzięki analizie sygnałów w dziedzinie czasu, gdzie odbywa się poszukiwanie zdarzeń związanych z gwałtownym wzrostem lub spadkiem mocy. Jest to zatem w pewnym sensie analiza szeregów czasowych, w których poszukuje się zdarzeń polegających na trwałym i znaczącym wzroście lub spadku pobieranej mocy. Każdemu wzrostowi powinien odpowiadać spadek, co odpowiada zjawisku włączenia i wyłączenia odbiornika. W tym momencie uzyskuje się parę wartości opisujących zachowanie urządzenia, zakładając, że jednoznacznie opisuje ona konkretny odbiornik. Tego typu analiza wymaga stosunkowo rzadkich pomiarów, dokonywanych raz na sekundę (ponieważ okres zmian napięcia przemiennego w sieci wynosi 1/50 s (w USA 1/60 s), pomiary te określa się jako „makroskopowe”). Problemem jest tu możliwość włączenia lub wyłączenia praktycznie w tym samym czasie wielu urządzeń, co spowoduje pojawienie się sygnatury niepasującej do żadnego opisywanego odbiornika analizowanego osobno. Metoda ta (wraz z modyfikacjami) nadaje się do analizy urządzeń dwu- i wielostanowych, nie da się natomiast za jej pomocą identyfikować odbiorników o charakterystyce rezystancyjnej (w tym przypadku pobierana moc ma tylko składową rzeczywistą).

W pomiarach wielkości wolnozmiennych występują dwa zjawiska, wymagające osobnego podejścia. Pierwsze związane jest z faktem, iż moment włączenia urządzenia (takiego jak zmywarka lub zamrażarka) może wyglądać inaczej, niż jego wyłączenie. O ile w tym drugim wypadku jest to po prostu skokowy spadek pobieranej mocy, o tyle podczas włączania może pojawić się krótkotrwały impuls poprzedzający przejście na wyższy poziom pobieranej mocy (rys. 5.). Impuls jest zatem istotną cechą, ułatwiającą identyfikację niektórych urządzeń, i powinien być wykrywany. Drugi problem jest związany z zachowaniem np. kuchenki mikrofalowej, w której przypadku zwiększenie poboru mocy nie ma charakteru skokowego, lecz jest stopniowym wzrostem odbywającym się w ciągu kilku sekund. W takim wypadku wykrycie skoku może być trudne, ponieważ jest rozłożone w czasie.

Urządzenia o charakterze wyłącznie rezystancyjnym są identyfikowane za pomocą innych metod, dokonujących próbkowania raz na 16 sekund lub nawet 15 minut [3]. W tych przypadkach również mierzone są zmiany w poziomie zużywanej mocy, na podstawie której mogą być identyfikowane poszczególne rodzaje odbiorników. Podczas analizy szeregów czasowych istotnym problemem może być szum, który utrudnia wykrywanie skoków mocy. Z tego powodu często stosowane jest odszumianie, np. za pomocą filtru medianowego lub dolnoprzepustowego. W opisanym podejściu podstawą identyfikacji odbiornika są amplitudy zmierzonej mocy (składowych rzeczywistych oraz ewentualnie urojonych) dokonywanej na podstawie bezpośrednich pomiarów napięcia i prądu w sieci zasilającej budynek.

Ponieważ analiza czasowa z długim okresem próbkowania nie pozwala na dokładną identyfikację w niektórych przypadkach (np. gdy zmiana poziomu mocy jest zbyt mała, rzędu kilku watów), z czasem zaproponowano inne rozwiązania, pozwalające uzyskać dodatkowe cechy przydatne podczas identyfikacji. Pierwszym jest pomiar składowych harmonicznych sygnału napięciowego i/lub prądowego, przydatny podczas badania urządzeń nieliniowych (tzw. inverter-driven), tzn. takich, dla których pobudzenie standardowym sygnałem, np. sinusoidalnym, powoduje wygenerowanie innego rodzaju sygnału, co spowodowane jest obecnością dodatkowych składowych harmonicznych, będących wielokrotnościami częstotliwości podstawowej. Na ogół analizuje się częstotliwości maksymalnie do jedenastej składowej (określane jako tzw. obwiednia widmowa). Tego rodzaju analiza wymaga sprzętu pomiarowego próbkującego z częstotliwościami znacznie wyższymi, niż podczas tradycyjnej analizy czasowej (1 Hz) i wynoszącymi nawet 2 kHz [4]. W tym przypadku dokonuje się analizy częstotliwościowej mierzonych sygnałów na drodze transformacji Fouriera (algorytm FFT lub STFT), prowadzącej do uzyskania właściwości „mikroskopowych”. W przypadku krótkotrwałej transformaty Fouriera pozyskiwana jest wiedza nie tylko o dziedzinie częstotliwości, ale również (w ograniczonym stopniu) – czasu.

Ponieważ niektóre odbiorniki charakteryzują się stosunkowo długotrwałymi stanami przejściowymi podczas przechodzenia z jednego stanu do drugiego (np. od wyłączenia do włączenia), zaproponowano metodykę analizy sygnałów przez nie generowanych. Obejmuje ona monitorowanie stanów przejściowych pomiędzy znanymi stanami ustalonymi, obejmując analizę zarówno w dziedzinie czasu, jak i częstotliwości. W celu uzyskania odpowiednio wysokiej rozdzielczości w obu dziedzinach standardowo stosuje się tu krótkotrwałą transformatę Fouriera oraz (co bardziej użyteczne) transformatę falkową (ang. Wavelet Transform).

Stosunkowo nową metodą akwizycji cech charakterystycznych dla odbiorników energii elektrycznej jest analiza zakłóceń elektromagnetycznych generowanych przez poszczególne urządzenia (ang. Electro Magnetic Interference – EMI) [5]. O ile w przypadku analizy szeregów czasowych oraz składowych harmonicznych sygnały na częstotliwościach rzędu kilkudziesięciu lub kilkuset Hz są traktowane jako niepożądane i dąży się do ich eliminacji, o tyle tutaj stają się one głównym obiektem zainteresowania. Zakłócenia mogą mieć charakter szerokopasmowy lub skupiać się na konkretnych częstotliwościach w postaci prążków widma. Obecnie istotnym źródłem szumu są moduły zasilające odbiorniki, wykorzystujące zasadę przełączania (tzw. Switch-Mode Power Supplies) w celu wygenerowania wysokich wartości napięcia, niezbędnego do zasilenia urządzenia. Analiza zakłóceń odbywa się na podstawie pomiarów napięcia z częstotliwościami próbkowania dopasowanymi do specyficznych urządzeń. W celu wydzielenia pożądanego pasma częstotliwości sygnał jest odszumiany filtrem pasmowym, np. o częstotliwościach granicznych rzędu 50 kHz do kilku MHz. W celu pozyskania cech charakterystycznych konieczne jest wykorzystanie szybkiej transformaty Fouriera. Ponieważ w całym paśmie widmowym mogą występować prążki związane z zakłóceniami pochodzącymi ze środowiska, istotny jest ich pomiar przy wyłączonych wszystkich urządzeniach, dzięki czemu możliwa będzie identyfikacja prążków związanych z pracą konkretnego urządzenia (rys. 6.).

Cztery opisane metody pomiarów sygnałów elektrycznych wymagają dedykowanych urządzeń o różnym stopniu komplikacji. Pomiary niskoczęstotliwościowe wymagają zwykle dość prostych mierników, zaś do analizy EMI może być potrzebny drogi analizator widma. W niektórych przypadkach bierze się pod uwagę szereg dodatkowych parametrów [6], wykorzystywanych w procesie identyfikacji. Są to, oprócz składowych mocy i amplitud prążków widma, także moc i energia chwilowa, wartości maksymalne, międzyszczytowe, średniokwadratowe (RMS) i średnie prądu i napięcia, współczynniki szczytu (ang. Crest Factor – CF (2)) i kształtu (ang. Form Factor – FF (3)) i inne.

W powyższych równaniach x_sk to wartość skuteczna wielkości mierzonej, x_max – jej amplituda, zaś x to jej wartość średnia. Wprowadzenie licznych współczynników na podstawie wartości sygnałów w dziedzinie czasu prowadzi do problemu wyboru optymalnego zestawu, zapewniającego najbardziej skuteczną identyfikację w możliwie krótkim czasie. 

Metody identyfikacji urządzeń elektrycznych

Proponowane metody identyfikacji odbiorników energii elektrycznej w znacznym stopniu zależą od wybranej metody pomiarowej, a także rodzajów badanych urządzeń. W większości przypadków stosowane są podejścia związane ze sztuczną inteligencją, takie też zostaną przedstawione w tym punkcie. Analiza niskoczęstotliwościowa, polegająca na wykrywaniu skoków poboru mocy, związana jest z urządzeniami dwu- i wielostanowymi. W tym pierwszym wypadku, o ile nie pojawia się problem włączenia pomiędzy okresami próbkowania kilku urządzeń, zadanie sprowadza się do określenia, któremu urządzeniu odpowiada właśnie występujący skok lub spadek mocy. W przypadku odbiorników wielostanowych wymagane jest zaprojektowanie skończonych maszyn stanów, które mogą znajdować się w wielu konfiguracjach. Najczęściej stosowanym podejściem są tu ukryte łańcuchy Markowa (Hidden Markov Chains – HMC), które na podstawie mierzonych symptomów pozwalają określić z pewnym prawdopodobieństwem, w jakim stanie znajduje się urządzenie (rys. 7.). Ponieważ analizowanych jest wiele urządzeń jednocześnie, konieczne jest uwzględnienie ich w pojedynczym łańcuchu. Modyfikacja [7] prowadzi do addytywnych ułamkowych łańcuchów Markova (Additive Factorial HMC). Tym samym dzięki analizie czasowej możliwe jest identyfikowanie jednego z wielu pracujących urządzeń z dużą dokładnością. Ponieważ AFHMC wymagają określenia optymalnych parametrów, możliwie dokładnie opisujących modele poszczególnych odbiorników, konieczne jest przeprowadzenie ich optymalizacji. Metody stosowane tutaj obejmują programowanie kwadratowe, dynamiczne, algorytm Viterbiego [8], czy też algorytmy ewolucyjne.

Drugim procesem optymalizacyjnym wymaganym podczas identyfikacji odbiorników jest wybór zbioru cech pozwalających na uzyskanie najdokładniejszych wyników. Możliwe są tu dwa podejścia. W pierwszym, dla każdej kombinacji symptomów przeprowadza się proces klasyfikacji dla dostępnych danych (tzw. walidacyjnych) i oblicza jego skuteczność. Wadą rozwiązania jest długi czas obliczeń, szczególnie jeśli metoda odpowiedzialna za pozyskiwanie wiedzy z danych jest skomplikowana (proces ten musi być bowiem powtarzany dla każdej kombinacji symptomów). Druga metoda wymaga jedynie sprawdzenia statystycznego rozkładu kategorii urządzeń opisywanych przez wybrane cechy. W idealnym przypadku grupy odpowiadające konkretnym odbiornikom powinny być rozłączne i silnie skupione wokół swoich centrów, co sugeruje łatwe rozróżnienie pomiędzy różnymi obiektami na podstawie wybranych cech. Do tego celu wykorzystano algorytm genetyczny z kryterium Fishera jako funkcją przystosowania [6].

W pozostałych przypadkach, kiedy badane są nie szeregi czasowe, lecz po prostu wektory cech, stosowane są klasyfikacyjne metody sztucznej inteligencji, realizujące zadanie rozpoznawania wzorców. W przeciwieństwie do klasycznych problemów klasyfikacyjnych, cechą charakterystyczną NIALM jest konieczność wskazania wielu kategorii jednocześnie (ponieważ wiele odbiorników pracuje w wybranej chwili w domu). Z tego powodu metody wskazujące tylko jedną kategorię (takie jak drzewa decyzyjne czy zbiory przybliżone), muszą być dostosowane do wymagań systemu. Metody analizy sygnałów pochodzących od urządzeń można podzielić na następujące grupy:

1. systemy oparte na regułach. Jest to najstarsza postać wiedzy wykorzystywana w technikach komputerowych. Reguła składająca się z przesłanek i konkluzji w tym wypadku opisuje warunki, które muszą być spełnione (określone przedziały wartości symptomów), aby mogła zostać podjęta decyzja odnośnie przypisania ich do konkretnego odbiornika. W literaturze pomija się często proces uczenia zakładając, że ostateczna postać reguł zostanie ustalona przez ludzkiego eksperta (co jest w praktyce trudne). Podejścia uwzględniające uczenie maszynowe obejmują tu przede wszystkim drzewa decyzyjne (np. algorytm J48) oraz ich pochodne (np. losowy las – ang. random forest), a także algorytmy indukcji reguł (np. JRIP). Metody te są stosowane obecnie jako standardowe narzędzia identyfikacyjne w systemie rozproszonym, w którym dokonuje się pomiarów za pomocą miernika o częstotliwości próbkowania 1,6 kHz i analizuje symptomy w dziedzinie czasu i częstotliwości [9],
2. numeryczne metody obliczeniowe. Są to niezwykle popularne podejścia ze względu na gotowe narzędzia je implementujące praktycznie w każdym środowisku programistycznym. W skład tej grupy wchodzą ogólnie rozumiane sztuczne sieci neuronowe. Najpopularniejsze są tutaj perceptrony wielowarstwowe (ang. Multi Layered Perceptron) [4] (rys. 8.), zaś niewielkie zastosowanie jak dotąd zaobserwowano w przypadku sieci o radialnych funkcjach bazowych (ang. Radial Basis Function Networks). Z drugiej strony dużą popularnością cieszą się maszyny wektorów nośnych [10], lepiej sprawdzające się podczas analizy danych zaszumionych oraz w warunkach niepewności pomiarowej. W tym przypadku głównym zadaniem projektantów jest odpowiedni dobór parametrów (np. jądra przekształcenia z oryginalnej przestrzeni cech do zmodyfikowanej, w której identyfikacja poszczególnych grup urządzeń jest łatwiejsza) oraz dopasowanie metody do klasyfikacji wielu kategorii. W [11] dokonano porównania pomiędzy architekturami sieci, choć z pewnością konieczna jest dalsza analiza porównawcza, szczególnie z wykorzystaniem innych podejść,
3. metody hybrydowe są rozwinięciem pierwszej i drugiej grupy. Logika rozmyta to stosunkowo młoda, lecz dobrze już rozpoznana dziedzina oparta na regułach, której główną zaletą jest łatwa identyfikacja wielu kategorii oraz praca w warunkach niepewności pomiarowej [12]. Do wad należy brak algorytmu uczenia maszynowego, w wyniku czego wiedza musi często być wprowadzana przez ludzkiego eksperta. Z drugiej strony tworzone są metody łączące możliwości sieci neuronowych oraz systemów regułowych, w wyniku czego powstaje rozmyta sieć neuronowa (ang. Neuro-Fuzzy Controller) [13]. W tym przypadku przedmiotem badań były głównie symptomy z dziedziny czasu charakteryzujące stan przejściowy odbiornika. Do projektowania takiej sieci stosuje się metody uczenia bez nadzoru, które znajdują zależności w danych ignorując ich przynależność do kategorii (np. algorytm fuzzy C‑means),
4. metody statystyczne są również popularne. Z jednej strony stosuje się standardowo naiwny klasyfikator Bayesa (ang. Naive Bayes Classifier), z drugiej sieci Bayesowskie. Ten pierwszy do uczenia wymaga stosunkowo dużej ilości danych trenujących, zaś druga metoda działa pod warunkiem poprawnego ustalenia szeregu prawdopodobieństw a priori, co wymaga zwykle dużej wiedzy ze strony ekspertów i projektantów metody,
5. metody oparte na odległościach – wykorzystywane ze względu na dużą prostotę. Obecnie głównym algorytmem stosowanym zarówno dla danych mikro- i makroskopowych jest k najbliższych sąsiadów (kNN). Sygnatura każdego urządzenia jest tutaj traktowana jako wektor n‑wymiarowy, gdzie n to liczba symptomów wybranych do analizy [5]. Wówczas obliczana jest odległość (na ogół euklidesowa) pomiędzy poszczególnymi obiektami i jako wyniki identyfikacji wybierane są te, które mają najmniejszą odległość od badanego wzorca (rys. 9.). W porównaniu z innymi podejściami kNN charakteryzuje się wyjątkowo niską złożonością obliczeniową, zależną głównie od liczby przykładów przechowywanych w słowniku.

Pomimo szerokiego spektrum metod stosowanych do identyfikacji odbiorników, jest to tematyka nowa, wymagająca szeroko zakrojonych badań. W szczególności istotne jest porównanie poszczególnych metod dla takiego samego zestawu symptomów. Z drugiej strony należy przetestować szereg podejść dobrze znanych w dziedzinie sztucznej inteligencji, jednak dotąd niewykorzystanych w nieinwazyjnym monitorowaniu odbiorników (np. zbiory przybliżone).

Podsumowanie

Nieinwazyjne metody monitorowania i identyfikacja odbiorników energii elektrycznej, choć badane już od ponad dwudziestu lat, dopiero w ciągu ostatniej dekady zaczęły być rozwijane na dużą skalę, o czym świadczy duża liczba publikacji konferencyjnych i w liczących się czasopismach. Niewątpliwie wpływ ma na to wzrost świadomości ekologicznej społeczeństw oraz rozwój technologii domu inteligentnego, reklamowanego jako system bezpieczny i energooszczędny. Z jednej strony przed inżynierami i badaczami stoją wyzwania polegające na opracowaniu i doborze metod pomiarowych pozwalających uzyskać możliwie dużo informacji na temat sytuacji panujące w budynku. Z drugiej konieczne jest opracowywanie metod o maksymalnej skuteczności identyfikacyjnej, zdolnej do pracy w czasie rzeczywistym i niewymagającej nadmiernej ilości pamięci (np. ze względu na możliwość implementacji w mikrokontrolerze). W przyszłości należy spodziewać się kolejnych rozwiązań obliczeniowych, wykrywających większy zakres urządzeń oraz pracujących z większą liczbą symptomów.

Literatura

1. G. W. Hart, „Nonintrusive Appliance Load Monitoring”, Proceedings of the IEEE, Vol. 80, No. 12, Dec. 1992, pp. 1870-1891.
2. M. Zeifman, K. Roth, “Nonintrusive Appliance Load Monitoring: Review and Outlook,” IEEE Transactions on Consumer Electronics, Vol. 57, No. 1, Feb. 2011, pp. 76-84.
3. J. Powers, B. Margossian, B. Smith, “Using a Rule-Based Algorithm to Disaggregate End-Use Load Profiles from Premise-Level Data,” IEEE Computer Applications in Power, pp. 42-47, 1991.
4. K. Yoshimoto, Y. Nakano, Y. Amano and B. Kermanshahi, “Non-Intrusive Appliances Load Monitoring System Using Neural Networks,” Information and Electronic Technologies, pp. 183-194.
5. S. Gupta, M. S. Reynolds and S. N. Patel, “ElectriSense: Single-Point Sensing Using EMI for Electrical Event Detection and Classification in the Home,” Proc. Ubicomp '10 Proceedings of the 12th ACM international conference on Ubiquitous computing, 2010, pp. 139-148.
6. M. S. Tsai and Y.H. Lin, “Development of a Non-Intrusive Monitoring Technique for Appliance’ Identification in Electricity Energy Management,” International Conference on Advanced Power System Automation and Protection (APAP), 16-20 Oct. 2011, Beijing, China, pp. 108-113.
7. J. Z. Kolter and T. Jaakkola, “Approximate Inference in Additive Factorial HMMs with Application to Energy Disaggregation,” Proceedings of the 15th International Conference on Artificial Intelligence and Statistics (AISTATS), 2012, La Palma, Canary Islands. Volume XX.
8. M. Zeifman and K. Roth, “Viterbi Algorithm with Sparse Transitions (VAST) for Nonintrusive Load Monitoring,” IEEE Symposium on Computational Intelligence Applications In Smart Grid (CIASG), Paris, France, 11-15 April 2011, DOI: 10.1109/CIASG.2011.5953328.
9. A. Reinhardt, D. Burkhardt, M. Zaheer, R. Steinmetz, “Electric Appliance Classification Based on Distributed High Resolution Current Sensing,” Proc. 7th IEEE International Workshop on Practical Issues in Sensor Network Applications, 22 Oct. 2012.
10. L. Jiang, S. Luo, J. Li, “Automatic power load event detection and appliance classification based on power harmonic features in nonintrusive appliance load monitoring,” IEEE 8th Conference on Industrial Electronics and Applications (ICIEA), 2013, pp. 1083-1088.
11. M. Figueiredo, A. Almeida, B. Ribeiro, “Home electrical signal disaggregation for non-intrusive load monitoring (NILM) systems,” Neurocomputing, 96 (2012), pp. 66–73.
12. S. P. Kamat, “Fuzzy logic based pattern recognition technique for non-intrusive load monitoring,” IEEE Region 10 Conference TENCON, 24-24 Nov. 2004, Vol. C, pp. 528-530.
13. Y.-H. Lin, M.-S. Tsai, “Application of Neuro-Fuzzy Pattern Recognition for Non-intrusive Appliance Load Monitoring in Electricity Energy Conservation” WCCI 2012 IEEE World Congress on Computational Intelligence, June, 10-15, 2012, Brisbane, Australia.

Chcesz być na bieżąco? Zapisz się do naszego newslettera!