Non-intrusive load monitoring for appliance status determination using feed-forward neural network

• Autorzy: Mohd Fazzil Nurul Afiqah , Ibrahim Ahmad Asrul , Shareef Hussain , Zulkifley Mohd Asyraf , Remli Muhammad Akma

Identyfikatory

DOI

10.15199/48.2022.04.06

Warianty tytułu

PL

Nieinwazyjne monitorowanie obciążenia w celu określenia stanu urządzenia za pomocaą sieci neuronowej ze sprzężeniem do przodu

• Języki publikacji: EN

Abstrakty

EN

Energy efficiency regulations and initiatives have been implemented as part of proactive actions to address the energy crisis that has arisen due to the increasing demand and depletion of resources. A load monitoring system is used to provide real-time data for appropriate feedbacks towards electricity savings. It can also be used to evaluate the effectiveness of the implementation of an energy management scheme. However, monitoring all individual appliances by installing an energy meter for each appliance will incur high installation and maintenance costs. Therefore, this work aims to determine the status of individual appliances from an aggregated measurement using non-intrusive load monitoring (NILM) based on a feed-forward neural network. The establishment of a NILM model has for main processes, including, data acquisition, pre-processing, training and performance evaluation. In the pre-processing, a new approach using threshold is introduced to identify the status of appliances based on their power consumption readings. The performance of the proposed approach is then evaluated and compared with the traditional logistic regression technique in terms of accuracy. The results show that the NILM using a feed-forward neural network outperformed the traditional logistic regression by 5.78%. Moreover, the proposed approach with threshold helped to improve the accuracy further by 19.1% as compared to the same learning algorithm without considering the threshold. Consequently, the overall performance is improved by almost 25% as compared to the logistic regression as presented in the previous work. Hence, it clearly shows that the status of individual appliances can be determined from measurements at the main meter using NILM based on a feed-forward neural network with high accuracy.

PL

Regulacje i inicjatywy dotyczące efektywnosci energetycznej zostały wdrożone w ramach proaktywnych działań mających na celu zaradzenie kryzysowi energetycznemu, który powstał z powodu rosnącego popytu i wyczerpywania się zasobów. System monitorowania obciązenia słuzy do dostarczania danych w czasie rzeczywistym w celu uzyskania odpowiednich informacji zwrotnych dotyczących oszczędnosci energii ´ elektrycznej. Mozna go równie z wykorzystać do oceny skuteczności wdrożenia systemu zarządzania energią. Jednak monitorowanie wszystkich poszczególnych urządzen poprzez zainstalowanie licznika energii dla każdego urządzenia będzie wiązało się z wysokimi kosztami instalacji i konserwacji. Dlatego celem niniejszej pracy jest okreslenie stanu poszczególnych urządzen na podstawie zagregowanego pomiaru przy użyciu nieinwazyjnego monitorowania obciązenia (NILM) w oparciu o sieć neuronową ze sprzężeniem do przodu. Ustanowienie modelu NILM obejmuje główne ˙ procesy, w tym akwizycję danych, wstępne przetwarzanie, szkolenie i ocenę wydajnosci. W przetwarzaniu wstępnym wprowadza się nowe podejscie ´ wykorzystujące próg do identyfikacji stanu urządzen na podstawie ich odczytów zużycia energii. Wydajność proponowanego podejścia jest następnie oceniana i porównywana z tradycyjną techniką regresji logistycznej pod względem dokładnosci. Wyniki pokazują, ze NILM wykorzystujący sieć neuronową ze sprzężeniem do przodu przewyższał tradycyjną regresję logistyczna o 5,78%. Co więcej, zaproponowane podejscie z progiem pomogło jeszcze bardziej poprawic dokładność o 19,1% w porównaniu z tym samym algorytmem uczenia bez uwzględnienia progu. W rezultacie ogólna wydajność jest poprawiona o prawie 25% w porównaniu do regresji logistycznej przedstawionej w poprzedniej pracy. Stąd wyraźnie widać ze stan ˙ poszczególnych urządzeń mozna określić na podstawie pomiarów na głównym liczniku za pomocą NILM w oparciu o sieć neuronową ze sprzężeniem ˙ do przodu z duzą dokładnoscią.

Słowa kluczowe

EN

demand side management; feed-forward neural network; non-intrusive load monitoring

PL

nieinwazyjny monitoring obciążeń; sieć neuronowa

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2022
• Tom: R. 98, nr 4
• Strony: 27--32
• Opis fizyczny: Bibliogr. 23 poz. rys. tab.

Twórcy

autor

Mohd Fazzil Nurul Afiqah

• Department of Electrical, Electronic and Systems Engineering, Faculty of Engineering and Built Environment, Universiti Kebangsaan Malaysia, 43600 UKM Bangi, Malaysia

autor

Ibrahim Ahmad Asrul

• Department of Electrical, Electronic and Systems Engineering, Faculty of Engineering and Built Environment, Universiti Kebangsaan Malaysia, 43600 UKM Bangi, Malaysia

• https://orcid.org/0000-0003-4997-3578

autor

Shareef Hussain

• Electrical Engineering Department, College of Engineering, United Arab Emirates University, 15551 Al Ain, United Arab Emirates

• https://orcid.org/0000-0001-7708-6904

autor

Zulkifley Mohd Asyraf

• Department of Electrical, Electronic and Systems Engineering, Faculty of Engineering and Built Environment, Universiti Kebangsaan Malaysia, 43600 UKM Bangi, Malaysia

• https://orcid.org/0000-0001-7708-6904

autor

Remli Muhammad Akma

• Institute for Artificial Intelligence and Big Data, Universiti Malaysia Kelantan, 16100 Kota Bharu, Kelantan, Malaysia

• https://orcid.org/0000-0002-7800-0057

Bibliografia

• [1] Ari Kahan, EIA projects nearly 50% increase in world energy usage by 2050, led by growth in Asia [web page] https://www.eia.gov/todayinenergy/detail.php?id=41433. [Accessed on 3 Dis. 2020.].
• [2] Gaur G., Mehta N., Khanna R., Kaur S.: Demand side management in a smart grid environment, 2017 IEEE International Conference on Smart Grid and Smart Cities (ICSGSC 2017), pp. 227–231, 2017.
• [3] Haroun I., Shareef H., Ibrahim A.A., Khalid S., Idris A.O.: Modeling and scheduling home appliances using nature inspired algorithms for demand response purpose, Przeglad Elektrotechniczny, 2021(4), pp. 60–66, 2021.
• [4] Xu Z., Gao Y., Hussain M., Cheng P.: Demand side management for smart grid based on smart home appliances with renewable energy sources and an energy storage system, Mathematical Problems in Engineering, 2020:9545439, pp. 1–20, 2020.
• [5] Ibrahim A.A., Mohamed A., Shareef H., Ghoshal S.P.: Optimal power quality monitor placement in power systems based on particle swarm optimization and artificial immune system, 2011 3rd Conference on Data Mining and Optimization (DMO), pp. 141–145, 2011.
• [6] Ibrahim A.A., Mohamed A., Shareef H.: Optimal placement of power quality monitors in distribution systems using the topological monitor reach area, 2011 IEEE International Electric Machines & Drives Conference (IEMDC), pp. 394–399, 2011.
• [7] Penha D., Castro A.: Home appliance identification for NILM systems based on deep neural networks, International Journal of Artificial Intelligence and Applications, 9(2), pp. 69–80, 2018.
• [8] Shareef H., Mohamed A., Ibrahim A.A.: Identification of voltage sag source location using S and TT transformed disturbance power, Journal of Central South University, 20, pp. 83—97, 2013.
• [9] Meng T., Jing X., Yan Z., Pedrycz W.: A survey on machine learning for data fusion, Information Fusion, 57, pp. 115–129, 2020.
• [10] Schouten K., van der Weijde O., Frasincar F., Dekker R.: Supervised and unsupervised aspect category detection for sentiment analysis with Co-occurrence data, IEEE Transactions on Cybernetics, 48(4), pp. 1263–1275, 2018.
• [11] Omitaomu O.A., Niu, H.: Artificial intelligence techniques in smart grid: A survey, Smart Cities, 4(2), pp. 548–568, 2021.
• [12] Sreevidhya C., Kumar M., Ilango K.: Design and implementation of non-intrusive load monitoring using machine learning algorithm for appliance monitoring, 2019 IEEE International Conference on Intelligent Techniques in Control, Optimization and Signal Processing (INCOS), pp. 1–6, 2019.
• [13] Ahmad T., Huanxin C., Zhang D., Zhang H.: Smart energy forecasting strategy with four machine learning models for climate-sensitive and non-climate sensitive conditions, Energy, 198:117283, pp. 1–19, 2020.
• [14] Le T.-T.-H., Kim H.: Non-intrusive load monitoring based on novel transient signal in household appliances with low sampling rate, Energies, 11(12):3409, pp. 1–35, 2018.
• [15] Yuan Q., Wang H., Wu B., Song Y., Wang H.: A fusion load disaggregation method based on clustering algorithm and support vector regression optimization for low sampling data, Future Internet, 11(2):51, pp. 1–13, 2019.
• [16] Tan L.Y., Ibrahim A.A., Zainuri M.A.A.M., Kamari N.A.M.: A web-based non-intrusive appliances monitoring system using logistic regression technique, International Journal of Advanced Trends in Computer Science and Engineering, 9(1.4), pp. 673—679, 2020.
• [17] Ciancetta F., Bucci G., Fiorucci E., Mari S., Fioravanti A.: A new convolutional neural network-based system for NILM applications, IEEE Transactions on Instrumentation and Measurement, 70:1501112, pp. 1–12, 2021.
• [18] Himeur Y., Alsalemi A., Bensaali F., Amira A.: Smart nonintrusive appliance identification using a novel local power histogramming descriptor with an improved k-nearest neighbors classifier, Sustainable Cities and Society, 67:102764, pp. 1–14, 2021.
• [19] Shahriar S.M., Hasan M.K., Al Abrar S.R.: An effective artificial neural network based power load prediction algorithm, International Journal of Computer Applications, 178(20), pp. 35–41, 2019.
• [20] Adhiswara R., Abdullah A.G., Mulyadi Y.: Long-term electrical consumption forecasting using Artificial Neural Network (ANN), Journal of Physics: Conference Series, 1402(3):033081, pp. 1–17, 2019.
• [21] Anwar T., Sharma B., Chakraborty K., Sirohia H.: Introduction to load forecasting, International Journal of Pure and Applied Mathematics, 119, pp. 1527–1538, 2018.
• [22] Parate A., Bhoite S.: Individual household electric power consumption forecasting using machine learning algorithms, International Journal of Computer Applications Technology and Research, 8(9), pp. 371–376, 2019.
• [23] Zoha A., Gluhak A., Imran M.A., Rajasegarar S.: Non-intrusive load monitoring approaches for disaggregated energy sensing: A survey, Sensors, 12(12), pp. 16838-–16866, 2012

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).