Gramian angular field 기반 비간섭 부하 모니터링 환경에서의 다중 상태 가전기기 분류 기법 = Classification Method of Multi-State Appliances in Non-intrusive Load Monitoring Environment based on Gramian Angular Field

국문 초록 (Abstract)

비간섭 부하 모니터링은 사용자 에너지 소비량의 실시간 모니터링을 통해 가전기기의 사용량 예측 및 분류를 하는 기술로, 최근 에너지 절약의 수단으로 관심이 증가하고 있다. 본 논문에서는 GAF(Gramian angular field) 기반 1차원 시계열 데이터를 2차원 행렬로 변환하는 기법과, 합성곱 신경망(convolutional neural networks)을 결합해 사용자 전력 사용량 데이터로부터 가전기기를 예측하는 시스템을 제안한다. 학습을 위해 공개 가정용 전력 데이터인 REDD(residential energy disaggregation dataset)를 사용하고, GASF(Gramian angular summation field), GADF(Gramian angular difference field)의 분류 정확도를 확인한다. 시뮬레이션 결과, 이중 상태(on/off)를 가지는 가전기기에서 두 모델 모두 97%의 정확도를 보였고, 다중 상태를 가지는 기기에서 GASF는 95%로 GADF보다 3% 높은 정확도를 보임을 확인하였다. 차후 데이터의 량을 증가시키고 모델을 최적화해 정확도와 속도를 개선할 예정이다.

다국어 초록 (Multilingual Abstract)

Non-intrusive load monitoring is a technology that can be used for predicting and classifying the type of appliances through real-time monitoring of user power consumption, and it has recently got interested as a means of energy-saving. In this paper, we propose a system for classifying appliances from user consumption data by combining GAF(Gramian angular field) technique that can be used for converting one-dimensional data to the two-dimensional matrix with convolutional neural networks. We use REDD(residential energy disaggregation dataset) that is the public appliances power data and confirm the classification accuracy of the GASF(Gramian angular summation field) and GADF(Gramian angular difference field). Simulation results show that both models showed 94% accuracy on appliances with binary-state(on/off) and that GASF showed 93.5% accuracy that is 3% higher than GADF on appliances with multi-state. In later studies, we plan to increase the dataset and optimize the model to improve accuracy and speed.

참고문헌 (Reference)

1 조영준, "딥러닝 모델을 이용한 비전이미지 내의 대상체 분류에 관한 연구" 한국산학기술학회 22 (22): 20-25, 2021

2 Y. Zheng, "Time series classification using multi-channels deep convolutional neural networks" 298-310, 2014

3 A. G. Ruzzelli, "Real-time recognition and profiling of appliances through a single electricity sensor" 1-9, 2010

4 J. Z. Kolter, "REDD: A public data set for energy disaggregation research" 1-6, 2011

5 G.W. Hart, "Nonintrusive appliance load monitoring" Institute of Electrical and Electronics Engineers (IEEE) 80 (80): 1870-1891, 1992

6 G.W. Hart, "Nonintrusive appliance load monitoring" Institute of Electrical and Electronics Engineers (IEEE) 80 (80): 1870-1891, 1992

7 D. Zhang, "Motion reproduction by human demonstration based on discrete hidden Markov model for nursing-care assistant robot" 842-846, 2014

8 K. Carrie Armel, "Is disaggregation the holy grail of energy efficiency? The case of electricity" Elsevier BV 52 : 213-234, 2013

9 Z. Wang, "Imaging time-series to improve classification and imputation" 3939-3945, 2015

10 A. Krizhevsky, "ImageNet classification with deep convolutional neural networks" 60 (60): 84-90, 2017

11 Y. Taigman, "Deepface: closing the gap to human-level performance in face verification" 1701-1708, 2014

12 M. H. Vellekoop, "Changepoint detection using nonlinear filters" 3602-3607, 1997

13 박대서, "CNN을 이용한 음성 데이터 성별 및 연령 분류 기술 연구" 한국정보기술학회 16 (16): 11-21, 2018

14 Y. LeCun, "Backpropagation applied to handwritten zip code recognition" 1 (1): 541-551, 1989