Analiza zborności parametrów odbiorników energii elektrycznej w kontekście bezinwazyjnej identyfikacji urządzeń

• Autorzy: Bartman Jacek , Kwater Tadeusz , Kwiatkowski Bogdan , Mazur Damian

Identyfikatory

DOI

10.15199/48.2022.11.54

Warianty tytułu

EN

Analysis of the coherence of parameters of electricity receivers in the context of non-invasive device identification

• Języki publikacji: PL

Abstrakty

PL

Bezinwazyjny monitoring obciążenia (Non-IntrusiveLoad Monitoring - NILM) jest systemem wspomagającym decyzje ukierunkowane na zmniejszenie zużycia energii elektrycznej w gospodarstwach domowych i obiektach komercyjnych. Głównym zadaniem w tym systemie jest identyfikacja urządzeń elektrycznych wykorzystująca analizę zdarzeń występujących w instalacji domowej lub poprzez analizę jej stanu ustalonego. W przypadku analizy stanu ustalonego istotny jest dobór parametrów elektrycznych, które w jednoznaczny sposób opisują pracujące urządzenia. W pracy przedstawiono analizę szerokiego spektrum parametrów elektrycznych (prąd, napięcie, moce oraz harmoniczne tych sygnałów, THD, CF, PF) w celu wskazania, które z nich charakteryzują się największą stabilnością w obrębie danego urządzenia oraz jak największą separowalnością wobec innych urządzeń. Tak wybrane parametry w kolejnym kroku wykorzystano do identyfikacji pracujących urządzeń elektrycznych.

EN

The main objective of Non-Intrusive Load Monitoring (NILM) electrical appliance identification is to reduce residential and commercial electricity consumption. This identification can be based on the analysis of events occurring in the home system or by analyzing its steady state. In the case of steady-state analysis, it is necessary to select electrical parameters that uniquely describe the electrical equipment in operation. This paper presents an analysis of a wide spectrum of electrical parameters (current, voltage, powers and harmonics of these signals, THD, CF, PF) in order to indicate those that are characterized by the greatest consistency within a given device and the greatest separability from other devices. Parameters selected in this way were used in the next step to identify working electrical devices.

Słowa kluczowe

PL

bezinwazyjna identyfikacja urządzeń; cechy identyfikacyjne; selekcja cech; sieć neuronowa

EN

device identification; identification features; feature selection; neural network

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2022
• Tom: R. 98, nr 11
• Strony: 265--268
• Opis fizyczny: Bibliogr. 19 poz., rys., tab.

Twórcy

autor

Bartman Jacek

• Uniwersytet Rzeszowski, Instytut Informatyki

• https://orcid.org/0000-0001-7372-2029

autor

Kwater Tadeusz

• PWSTE Jarosław, Instytut Inżynierii Technicznej

• https://orcid.org/0000-0001-5095-613X

autor

Kwiatkowski Bogdan

• Politechnika Rzeszowska, Katedra Elektrotechniki i Podstaw Informatyki

• https://orcid.org/0000-0001-5287-2191

autor

Mazur Damian

• Politechnika Rzeszowska, Katedra Elektrotechniki i Podstaw Informatyki

• https://orcid.org/0000-0002-3247-5903

Bibliografia

• [1] Chui K.T., Lytras M.D., Visvizi, A. Energy Sustainability in Smart Cities: Artificial Intelligence, Smart Monitoring, and Optimization of Energy Consumption. Energies (2018),11,2869.
• [2] Wójcik A. et al., Nonintrusive Appliance Load Monitoring: AnOverview, Laboratory Test Results and Research Directions, Sensors, (2019), 19, 3621.
• [3] Le, T.-T.-H.; Kim, H. Non-Intrusive Load Monitoring Based on Novel Transient Signal in Household Appliances with Low Sampling Rate, Energies (2018), 11, 3409.
• [4] Hart G.W. Nonintrusive Appliance Load Monitoring. Proc. IEEE, (1992), 80, 1870–1891.
• [5] Zhao B., He K., Stankovic L., Stankovic V. Improving Event-Based Non-Intrusive Load Monitoring Using Graph Signal Processing, IEEE Access, (2018), 6, 53944-53959.
• [6] Huber P., Calatroni A., Rumsch A., Paice, A. Review on DeepNeural Networks Applied to Low-Frequency NILM. Energies(2021), 14, 2390.
• [7] Bartman J., Kwater T. Identification of Electrical Appliances Using Their Virtual Description and Data Selection for Non-Intrusive Load Monitoring IEEE Transactions on Consumer Electronics, 67, (2021), no. 4, 393-401.
• [8] Bao S. et al., Feature Selection Method for Nonintrusive Load Monitoring With Balanced Redundancy and Relevancy, IEEE Transactions on Industry Applications, 58, (2022), 1, 163-172.
• [9] Zhu Z. et al., Feature selection of non-intrusive load monitoring system using RFE and RF, Journal of Physics: Conference Series, 1176, (2019), no. 4, 042053.
• [10] Abeykoon V. et al., Real Time Identification of ElectricalDevices through Power Consumption Pattern Detection, First Int. Conf. on Micro and Nano Tech., Mod. and Sim., IEEE Computer Society, (2016), 11-16.
• [11] Kwater T. Bartman J., Application of artificial neural networks in non-invasive identification of electric energy receivers, PAEE 2017, Koscielisko, (2017), pp. 1-6.
• [12] Mohd-Fazzil N.-A. et al., Non-intrusive load monitoring for appliance status determinationusing feed-forward neural network, Przegląd Elektrotechniczny, 98, (2022), no.4, 27-32.
• [13] Singh S., Majumdar A., Non-Intrusive Load Monitoring via Multi-Label Sparse Representation-Based Classification, IEEE Transactions on Smart Grid, 11, (2020), no. 2, 1799-1801.
• [14] Makonin S. et al., Exploiting HMM Sparsity to Perform Online Real-Time Nonintrusive Load Monitoring, IEEE Transactions on Smart Grid, 7, (2016), no. 6, 2575-2585.
• [15] Khan M. M. R., Siddique M. A. B., Sakib S., Non-Intrusive Electrical Appliances Monitoring and Classification using K-Nearest Neighbors, 2019 2nd International Conference on Innovation in Engineering and Technology, (2019), 1-5.
• [16] Chui K.T., Lytras, M.D., Visvizi A., Energy Sustainability in Smart Cities: Artificial Intelligence, Smart Monitoring, and Optimization of Energy Consumption. Energies, (2018), 11, 2869.
• [17] Lemes D., et al., Load Disaggregation Based on Time Windowfor HEMS Application, IEEE Access, 9, (2021) 70746-70757.
• [18] Andrean V., et al., Method of Cascade-Filtering and Committee Decision Mechanism for Non-Intrusive Load Monitoring, IEEE Access, 6, (2018), 41212-41223.
• [19] Robnik-Šikonja M., Kononenko I., An adaptation of Relief for attribute estimation in regression. Machine Learning: Proceedings of the Fourteenth International Conference (1997) 296-304.

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).