Wyniki wyszukiwania - BazTech

1

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

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

Przegląd Elektrotechniczny

|

2022

|

R. 98, nr 4

27--32

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.

2

Rozpoznawanie urządzeń i wykrywanie nieautoryzowanego poboru energii elektrycznej na podstawie pomiaru napięcia

Kowalczuk Zdzisław, Grzegorek Marek

Pomiary Automatyka Robotyka

|

2020

|

R. 24, nr 4

5--9

PL

W pracy rozpatrywany jest problem wykrywania nieautoryzowanego poboru energii z sieci elektrycznej przez identyfikację podłączonych urządzeń. Estymacja stanu sieci, rozumianej jako zbiór podpiętych układów, wraz z ustaloną listą urządzeń dopuszczonych, pozwala określić, czy w danej chwili ma miejsce pobór nieautoryzowany. W celu wykrywania urządzeń, proponuje się wykorzystać prostą metodę opartą na analizie wysokoczęstotliwościowego szumu elektromagnetycznego (EMI) indukowanego w sygnale napięcia zasilającego. Rozwiązanie to pozwala na centralny pomiar, w jednym miejscu – bez konieczności instalacji czujników w licznych punktach potencjalnego poboru prądu. Bazując na danych pomiarowych sygnału EMI, zrealizowano symulator syntezujący dane przypominające rzeczywiste spektrogramy. Dzięki zastosowaniu symulatora możliwe jest uzyskanie informacji o stanie sieci w różnych konfiguracjach w celu przeprowadzenia procedury projektowania detektora z użyciem uczenia pod nadzorem, co również jest prezentowane w pracy.

EN

The paper examines the problem of detecting unauthorized energy consumption from the electric network by identifying connected devices. The estimation of the network condition, understood as a set of connected systems, together with a set list of approved devices, allows to determine whether an unauthorized consumption is taking place at a given moment. In order to detect devices, it is proposed to use a simple method based on the analysis of high-frequency electromagnetic noise (EMI) induced in the supply voltage signal. This solution allows for central measurement in one place – without the need to install sensors in numerous points of potential current consumption. Based on the measurement data of the EMI signal, a simulator was implemented that synthesized data resembling actual spectrograms. Thanks to the use of the simulator, it is possible to obtain information about the state of the network in various configurations in order to carry out the detector design procedure using supervised learning, which is also presented in the paper.

3

Experimental Investigation on the Load Signature Parameters for Non-Intrusive Load Monitoring

Bacurau R., Dante A., Duarte L., Ferreira E.

Przegląd Elektrotechniczny

|

2015

|

R. 91, nr 8

86--90

PL

W artykule zaprezentowano eksperymentalne studium w którym zmierzono parametry typowych urządzeń elektrycznych w celu określenia i zestawienia obciążeń. Stwierdzono że moc czynna, moc bierna, napięcie skuteczne i pierwsze pięć nieparzystych harmonicznych prądu mogą stanowić podstawę do prognozowania obciążeń.

EN

One of the most important design decisions in Non-Intrusive Load Monitoring (NILM) systems is choosing which electrical parameters will be used to define load signatures. In this paper, we present an experimental study where several electrical quantities of common home appliances were measured, in order to identify the most adequate to perform load disaggregation. It was found that active power, reactive power, rms voltage, and the first five odd harmonics of the current and voltage signals comprises the best set of parameters to define the signatures of residential loads.