Моніторинг неінтрузивного навантаження: економічний підхід до ідентифікації побутової техніки з використанням машинного навчання

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2025.316694

Ключові слова:

неінтрузивний, моніторинг, прилад, ідентифікація, kNN, розумний, мережа, енергія, реєстратор, потужність, споживач

Анотація

Це дослідження зосереджено на розробці економічно ефективної системи неінтрузивного моніторингу навантаження (НМН) для ідентифікації побутових приладів за допомогою машинного навчання, зокрема алгоритму k-найближчих сусідів (kNN), який не заважає існуючій системі. Об’єктом даного дослідження є процес ідентифікації приладу на основі характеристик споживання електроенергії в енергомоніторингу житла. Основною проблемою, яку необхідно вирішити, є відсутність доступних, доступних та ефективних інструментів для моніторингу споживання електроенергії домогосподарствами, оскільки існуючі рішення часто є дорогими або вимагають складних установок. Існуючі рішення дорогі або вимагають складного налаштування. Це дослідження спрямоване на розробку недорогого НМН, який може ідентифікувати побутову техніку без інвазивної системи, забезпечуючи високу точність. Це дослідження успішно розробило та реалізувало електричний записуючий пристрій, який інтегрує алгоритми машинного навчання, досягнувши точності ідентифікації 83,33 % у шести тестових сценаріях із залученням різних побутових приладів. Результати цього дослідження показують, що використання активної потужності та коефіцієнта потужності як параметрів класифікації дозволяє ефективно ідентифікувати обладнання. Помірна точність системи вказує на те, що запропонована конструкція є досить багатообіцяючою, але її можна покращити за допомогою більш досконалих алгоритмів і додаткових даних датчиків. Отримана система є економічно ефективною завдяки недорогим компонентам, які досягаються завдяки модульній конструкції та використанню недорогих компонентів, таких як датчики Wemos D1 mini та PZEM-004T V3, які спрощують впровадження та підвищують масштабованість системи. Вбудований РК-дисплей забезпечує моніторинг у реальному часі без підключення до Інтернету. Це дослідження демонструє здійсненність масштабованої та економічно ефективної системи НМН, яку можна додатково вдосконалити за допомогою передових алгоритмів і додаткових даних датчиків для більш широких застосувань у розумному управлінні енергією

Біографії авторів

Levin Halim, Parahyangan Catholic University

Head of Laboratory

Laboratory of Electronics, Measurement, and Instrumentation

Department of Electrical Engineering

Reyvaldo Barthez, Parahyangan Catholic University

Bachelor of Engineering

Department of Electrical Engineering

Nico Saputro, Parahyangan Catholic University

Associate Professor

Department of Electrical Engineering

Посилання

  1. Khan, I. (2019). Household factors and electrical peak demand: a review for further assessment. Advances in Building Energy Research, 15 (4), 409–441. https://doi.org/10.1080/17512549.2019.1575770
  2. Zuki, N. A. M., Othman, R. N. F. K. R., Shukor, F. A. A., Ahmad, S. R. C. (2023). Analysis of linear motor with symmetrical EMF vector for household elevator application. International Journal of Power Electronics and Drive Systems (IJPEDS), 14 (1), 51. https://doi.org/10.11591/ijpeds.v14.i1.pp51-59
  3. Divina, F., García Torres, M., Goméz Vela, F. A., Vázquez Noguera, J. L. (2019). A Comparative Study of Time Series Forecasting Methods for Short Term Electric Energy Consumption Prediction in Smart Buildings. Energies, 12 (10), 1934. https://doi.org/10.3390/en12101934
  4. Marangoni, G., Tavoni, M. (2021). Real-time feedback on electricity consumption: evidence from a field experiment in Italy. Energy Efficiency, 14 (1). https://doi.org/10.1007/s12053-020-09922-z
  5. Hussein, H. I., Abdullah, A. N., Jafar, A. S. J. (2023). A novel online monitoring system of frequency oscillations based intelligence phasor measurement units. International Journal of Power Electronics and Drive Systems (IJPEDS), 14 (3), 1589. https://doi.org/10.11591/ijpeds.v14.i3.pp1589-1596
  6. Eirinaki, M., Varlamis, I., Dahihande, J., Jaiswal, A., Pagar, A. A., Thakare, A. (2022). Real-time recommendations for energy-efficient appliance usage in households. Frontiers in Big Data, 5. https://doi.org/10.3389/fdata.2022.972206
  7. Mohammed, N., A. Danapalasingam, K., Majed, A. (2018). Design, Control and Monitoring of an Offline Mobile Battery Energy Storage System for a Typical Malaysian Household Load Using PLC. International Journal of Power Electronics and Drive Systems (IJPEDS), 9 (1), 180. https://doi.org/10.11591/ijpeds.v9.i1.pp180-188
  8. Tundis, A., Faizan, A., Mühlhäuser, M. (2019). A Feature-Based Model for the Identification of Electrical Devices in Smart Environments. Sensors, 19 (11), 2611. https://doi.org/10.3390/s19112611
  9. Welikala, S., Dinesh, C., Ekanayake, M. P. B., Godaliyadda, R. I., Ekanayake, J. (2019). Incorporating Appliance Usage Patterns for Non-Intrusive Load Monitoring and Load Forecasting. IEEE Transactions on Smart Grid, 10 (1), 448–461. https://doi.org/10.1109/tsg.2017.2743760
  10. Ghosh, S., Chatterjee, A., Chatterjee, D. (2019). Improved non‐intrusive identification technique of electrical appliances for a smart residential system. IET Generation, Transmission & Distribution, 13 (5), 695–702. https://doi.org/10.1049/iet-gtd.2018.5475
  11. Wójcik, A., Łukaszewski, R., Kowalik, R., Winiecki, W. (2019). Nonintrusive Appliance Load Monitoring: An Overview, Laboratory Test Results and Research Directions. Sensors, 19 (16), 3621. https://doi.org/10.3390/s19163621
  12. Cannas, B., Carcangiu, S., Carta, D., Fanni, A., Muscas, C. (2021). Selection of Features Based on Electric Power Quantities for Non-Intrusive Load Monitoring. Applied Sciences, 11 (2), 533. https://doi.org/10.3390/app11020533
  13. Garcia, F. D., Souza, W. A., Diniz, I. S., Marafão, F. P. (2020). NILM-based approach for energy efficiency assessment of household appliances. Energy Informatics, 3 (1). https://doi.org/10.1186/s42162-020-00131-7
  14. Schirmer, P. A., Mporas, I. (2023). Non-Intrusive Load Monitoring: A Review. IEEE Transactions on Smart Grid, 14 (1), 769–784. https://doi.org/10.1109/tsg.2022.3189598
  15. Cimen, H., Cetinkaya, N., Vasquez, J. C., Guerrero, J. M. (2021). A Microgrid Energy Management System Based on Non-Intrusive Load Monitoring via Multitask Learning. IEEE Transactions on Smart Grid, 12 (2), 977–987. https://doi.org/10.1109/tsg.2020.3027491
  16. Wang, A. L., Chen, B. X., Wang, C. G., Hua, D. (2018). Non-intrusive load monitoring algorithm based on features of V–I trajectory. Electric Power Systems Research, 157, 134–144. https://doi.org/10.1016/j.epsr.2017.12.012
  17. Laouali, I., Ruano, A., Ruano, M. da G., Bennani, S. D., Fadili, H. E. (2022). Non-Intrusive Load Monitoring of Household Devices Using a Hybrid Deep Learning Model through Convex Hull-Based Data Selection. Energies, 15 (3), 1215. https://doi.org/10.3390/en15031215
  18. Mataloto, B., Ferreira, J. C., Resende, R. P. (2023). Long Term Energy Savings Through User Behavior Modeling in Smart Homes. IEEE Access, 11, 44544–44558. https://doi.org/10.1109/access.2023.3272888
  19. Aboulian, A., Green, D. H., Switzer, J. F., Kane, T. J., Bredariol, G. V., Lindahl, P. et al. (2019). NILM Dashboard: A Power System Monitor for Electromechanical Equipment Diagnostics. IEEE Transactions on Industrial Informatics, 15 (3), 1405–1414. https://doi.org/10.1109/tii.2018.2843770
  20. Chen, Y.-Y., Chen, M.-H., Chang, C.-M., Chang, F.-S., Lin, Y.-H. (2021). A Smart Home Energy Management System Using Two-Stage Non-Intrusive Appliance Load Monitoring over Fog-Cloud Analytics Based on Tridium’s Niagara Framework for Residential Demand-Side Management. Sensors, 21 (8), 2883. https://doi.org/10.3390/s21082883
  21. Chen, C., Geng, G., Yu, H., Liu, Z., Jiang, Q. (2023). An End-Cloud Collaborated Framework for Transferable Non-Intrusive Load Monitoring. IEEE Transactions on Cloud Computing, 11 (2), 1157–1169. https://doi.org/10.1109/tcc.2021.3132929
  22. Zhang, R., Wang, Y., Song, Y. (2022). Nonintrusive Load Monitoring Method Based on Color Encoding and Improved Twin Support Vector Machine. Frontiers in Energy Research, 10. https://doi.org/10.3389/fenrg.2022.906458
  23. Chen, S., Zhao, B., Zhong, M., Luan, W., Yu, Y. (2023). Nonintrusive Load Monitoring Based on Self-Supervised Learning. IEEE Transactions on Instrumentation and Measurement, 72, 1–13. https://doi.org/10.1109/tim.2023.3246504
  24. Li, W., Kong, D., Wu, J. (2017). A Novel Hybrid Model Based on Extreme Learning Machine, k-Nearest Neighbor Regression and Wavelet Denoising Applied to Short-Term Electric Load Forecasting. Energies, 10 (5), 694. https://doi.org/10.3390/en10050694
  25. Hasan, I. J., Waheib, B. M., Jalil Salih, N. A., Abdulkhaleq, N. I. (2021). A global system for mobile communications-based electrical power consumption for a non-contact smart billing system. International Journal of Electrical and Computer Engineering (IJECE), 11 (6), 4659. https://doi.org/10.11591/ijece.v11i6.pp4659-4666
Моніторинг неінтрузивного навантаження: економічний підхід до ідентифікації побутової техніки з використанням машинного навчання

##submission.downloads##

Опубліковано

2025-02-27

Як цитувати

Halim, L. (2025). Моніторинг неінтрузивного навантаження: економічний підхід до ідентифікації побутової техніки з використанням машинного навчання. Eastern-European Journal of Enterprise Technologies, 1(8 (133), 46–55. https://doi.org/10.15587/1729-4061.2025.316694

Номер

Том 1 № 8 (133) (2025): Енергозберігаючі технології та обладнання

Розділ

Енергозберігаючі технології та обладнання

Ліцензія

Авторське право (c) 2025 Levin Halim, Reyvaldo Barthez, Nico Saputro

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.