Anna DOMAŃSKA
Transkrypt
Anna DOMAŃSKA
Materiały X Konferencji Naukowej SP 2014 Piotr BILSKI, Krzysztof LISZEWSKI, Wiesław WINIECKI Politechnika Warszawska Instytut Radioelektroniki ANALIZA STOSOWALNOŚCI METOD SZTUCZNEJ INTELIGENCJI W NIEINWAZYJNEJ IDENTYFIKACJI ODBIORNIKÓW ENERGII ELEKTRYCZNEJ W artykule przedstawiono analizę możliwości wykorzystania metod sztucznej inteligencji do nieinwazyjnej identyfikacji odbiorników energii elektrycznej w budynku mieszkalnym. Omówiono techniki akwizycji danych pomiarowych, będące podstawą do tworzenia zbiorów uczących dla algorytmów inteligentnych. Zaprezentowano taksonomię stosowanych podejść do automatycznego rozpoznawania odbiorników, a także zaproponowano autorskie rozwiązania problemu. ANALYSIS OF THE ARTIFICIAL INTELLIGENCE APPLICABILITY TO THE NONINVASIVE IDENTIFICATION OF ELECTRICAL ENERGY APPLIANCES The paper presents the analysis of the artificial intelligence applications for the non-invasive identification of electrical energy appliances in the residential premises. The data acquisition techniques are discussed, being the source of the training data and knowledge for the intelligent algorithms. Taxonomy of the currently used approaches is also introduced. The new methods, not used so far for the task are also proposed. 1. WSTĘP Określenie poziomu zużycia energii elektrycznej w gospodarstwach domowych jest jednym z zadań stojących przed współczesnym sektorem energetycznym. Polityka państw rozwiniętych ma na celu minimalizację pobieranej energii w szczególności przez odbiorniki w budynkach mieszkalnych. Dlatego kładzie się nacisk na możliwości identyfikacji poszczególnych odbiorników. Ponadto możliwe stałoby się stworzenie profilu energetycznego typowego użytkownika. Celem artykułu jest przedstawienie aktualnego stanu wiedzy na temat metod identyfikacji urządzeń działających w domu na podstawie pomiaru parametrów w sieci energetycznej. Ponieważ skuteczność omawianych podejść zależy istotnie od dostarczonych danych, omówiono architekturę systemu, potem scharakteryzowano metody sztucznej inteligencji (SI) i zaproponowano metody dotąd nie używane. 2. ARCHITEKTURA SYSTEMU POMIAROWEGO System nieinwazyjnej identyfikacji odbiorników energii elektrycznej (Rys. 1) obejmuje pojedyncze urządzenie umieszczone w pobliżu rozdzielni oraz miernika energii elektrycznej. Tym samym identyfikacja musi być realizowana na podstawie pomiarów w jednej lokalizacji. Jest to system monitorowania nieinwazyjnego (ang. Non-Intrusive Load Appliance Monitoring - NIALM), w którym nie jest wymagana ingerencja w instalację elektryczną budynku, co znacząco upraszcza strukturę i zmniejsza koszt systemu. Wadą rozwiązania jest ograniczenie rozróżnialności między poszczególnymi urządzeniami w stosunku do systemów inwazyjnych, w których możliwe są pomiary w pobliżu każdego urządzenia. W zależności od zastosowanego sprzętu pomiarowego, możliwe jest pozyskiwanie odmiennych rodzajów parametrów, na podstawie których identyfikuje się odbiorniki. Metody pomiaru parametrów elektrycznych uzależnione są od rodzaju badanych odbiorników. W [1] wyróżniono urządzenia pracujące w trybie stałego poboru mocy (np. instalacje przeciwpożarowe), działające w trybie dwustanowym (np. telewizor), skończone maszyny stanów (ang. finite state machines, np. pralki lub zmywarki) i pracujące w trybie ciągłym (które nie są tematem artykułu). Monitorowanie urządzeń odbywa się na podstawie danych pozyskanych przez urządzenie pomiarowe 2 Piotr Bilski, Krzysztof Liszewski, Wiesław Winiecki ______________________________________________________________________________________ (Rys. 1) - w dziedzinie czasu i częstotliwości. Identyfikacja urządzeń polega na wykryciu określonych zdarzeń w szeregu czasowym na podstawie analizy zmierzonych parametrów. Ich pozyskiwanie związane jest z koniecznością próbkowania sygnałów prądu i/lub napięcia z rosnącą częstotliwością (począwszy od 1Hz, poprzez 25kHz, a skończywszy na pojedynczych MHz). Rys. 1. Architektura nieinwazyjnego systemu identyfikacji odbiorników energii elektrycznej Fig. 1. Architecture of the NIALM system 3. ZASTOSOWANIE SZTUCZNEJ INTELIGENCJI W NIALM Wykorzystanie SI do automatycznej identyfikacji odbiorników wymaga zgromadzenia informacji na temat zachowania poszczególnych urządzeń w wybranych trybach pracy. W tym celu konieczne jest stworzenie zbiorów danych w warunkach laboratoryjnych. W wyniku pomiarów kolejnych urządzeń (analizowanych pojedynczo w celu uproszczenia procesu) uzyskuje się zbiory sygnatur (przykłady) si={s1, s2, …, sm}, na podstawie wielkości przedstawionych w punkcie 2. Każdy przykład otrzymuje etykietę identyfikującą odbiornik, z którym powiązana jest sygnatura si. W ten sposób tworzone są zbiory danych trenujących L, stanowiące źródło wiedzy dla metod SI: s1 L s n d1 s11 d n sn1 s1m snm d1 , d n (1) gdzie d1, …, dn to identyfikatory poszczególnych stanów odbiorników (jedno urządzeni może być reprezentowane przez wiele sygnatur). Na podstawie tak skonstruowanych zbiorów należy przygotować moduł decyzyjny (Rys. 1), zdolny do rzutowania wektora cech pobranego przez urządzenie pomiarowe w chwili t na pewną liczbę dyskretnych wartości oznaczających odbiorniki: d f st : st d , d . (2) Jest to zatem zadanie klasyfikacji obiektów, wymagające cyklicznego powtarzania pomiarów w celu wykrycia zmiany w poborze mocy, co sugeruje włączenie odbiornika, wyłączenie go lub zmianę trybu pracy. Następujące problemy mogą utrudnić pracę inteligentnego modułu decyzyjnego: Zbiór L jest przygotowywany tak, aby możliwe było wykrywanie pojedynczych urządzeń, może się jednak okazać, że pomiędzy sąsiednimi pomiarami zmianie uległy stany k odbiorników. Oba powinny zostać wykryte na podstawie wektora pomiarowego. Możliwe jest istnienie grup odbiorników nierozróżnialnych na podstawie zmierzonych parametrów. Powinny one zostać zidentyfikowane i opisane na etapie uczenia modułu. Ze względu na ogromną liczbę odbiorników wykrywanie wszystkich modeli i typów jest trudne ze względu na konieczność przeanalizowania w laboratorium każdego egzemplarza. Analiza stosowalności metod sztucznej inteligencji w nieinwazyjnej identyfikacji odbiorników… 3 ______________________________________________________________________________________ Obecność szumu addytywnego, utrudniającego klasyfikację, wymaga zastosowania operacji odszumiania mierzonych sygnałów elektrycznych, a także metod wstępnego przetwarzania danych (np. analizy głównej składowej). Na Rys. 2 przedstawiono klasyfikację metod SI wykorzystywanych dotychczas w NIALM. Najbardziej rozpowszechnione są metody uczenia z nadzorem, bezpośrednio stosowane do klasyfikacji odbiorników. Do metod numerycznych zaliczane są przede wszystkim sieci neuronowe (perceptrony wielowarstwowe oraz RBF), a także maszyny wektorów podpierających (ang. Support Vector Machines). Skuteczność perceptronów jest najlepiej rozpoznana, zaś zaleta SVM to wysoka dokładność w warunkach niepewności pomiarowej [2]. Problemem podczas badania przydatności sieci neuronowych do klasyfikacji jest wybór metody kodowania kategorii (identyfikatorów urządzeń) za pomocą neuronów o binarnych funkcjach aktywacji. np. „jeden-przeciw-wszystkim” (ang. „Onevs-All”) lub kodowanie minimalizujące liczbę neuronów (ang. „Minimum Output Coding”). SZTUCZNA INTELIGENCJA UCZENIE BEZ NADZORU numeryczne regułowe UCZENIE Z NADZOREM probabilistyczne OPTYMALIZACJA hybrydowe słownikowe Rys. 2. Klasyfikacja metod sztucznej inteligencji wykorzystywanych w NIALM Fig. 2. Taxonomy of the artificial intelligence methods used in NIALM Metody regułowe obejmują drzewa i lasy decyzyjne, a także algorytmy indukcji reguł. Jak dotąd do ich implementacji stosowano dobrze znane biblioteki programistyczne (np. Weka). Zaletą tej grupy jest zrozumiała dla człowieka forma przechowywania wiedzy oraz efektywne algorytmy uczące. Logika rozmyta (ang. Fuzzy Logic) stanowi rozwinięcie reguł poprzez uwzględnienie warunków niepewności pomiarowej. Jej wadą jest brak algorytmu uczącego. Metody probabilistyczne opierają się na uprzednim określeniu prawdopodobieństw a priori zaistnienia określonych sygnatur. W przypadku naiwnego klasyfikatora Bayesa obliczane są one z danych trenujących. Sieci bayesowskie oraz ukryte łańcuchy Markowa [3] zakładają istnienie eksperta, który może je dostarczyć. Metody hybrydowe obejmują rozwinięcie podejść opisanych powyżej. W ich skład wchodzą przede wszystkim rozmyte sieci neuronowe (ang. Fuzzy Neural Networks - FNN), stanowiące połączenie logiki rozmytej oraz sieci neuronowych. Ta pierwsza zapewnia dokładność w obecności szumu addytywnego, zaś sieci umożliwiają automatyczną generację modułu (reguł oraz wejściowych i wyjściowych funkcji przynależności). Do tej grupy mogą należeć również inne kombinacje, łączące algorytm uczenia maszynowego z właściwościami systemu ekspertowego (np. drzewa decyzyjne oraz logikę rozmytą). Tego typu rozwiązania nie były jednak dotąd stosowane w NIALM. Podejście słownikowe jest wyjątkowo prostą, a przez to atrakcyjną metodą, wykorzystaną np. do identyfikacji odbiorników na podstawie analizy zakłóceń EMI [4]. Wymaga ona obliczenia odległości między przykładami znajdującymi się w bazie danych (słowniku) oraz sygnaturą właśnie pozyskaną z mieszkania lub budynku. Identyfikatory najbliższych przykładów są wykorzystywane podczas podejmowania decyzji. Najpopularniejszą metodą tego typu jest k najbliższych sąsiadów (kNN). Metody uczenia bez nadzoru są wykorzystywane na ogół w charakterze pomocniczym dla innych podejść (np. rozmytych sieci neuronowych). Ich zadaniem jest wstępne pogrupowanie przykładów najbardziej podobnych do siebie (ang. cluster). Mogą one także zostać wykorzystane do wykrywania grup odbiorników nierozróżnialnych na podstawie zmierzonych sygnatur. Do najczęściej wykorzystywanych algorytmów należy metoda rozmytych średnich (ang. fuzzy means clustering), a także najbliższego sąsiada (ang. Nearest Neighbor). Piotr Bilski, Krzysztof Liszewski, Wiesław Winiecki 4 ______________________________________________________________________________________ Metody optymalizacyjne są stosowane do uzyskania najdokładniejszej skończonej maszyny stanów. Jest ona reprezentowana np. przez ukryte łańcuchy Markowa, jej optymalizację realizuje np. programowanie dynamiczne lub również algorytmy genetyczne. 4. ANALIZA I WNIOSKI Metody SI stosowane są w NIALM dość powszechnie ze względu na dostępność ich implementacji programistycznych oraz łatwość ekstrakcji wiedzy ze zbiorów trenujących. Dotychczasowe przykłady zastosowań każą jednak zauważyć problemy wymagające rozwiązania w toku badań: Poszczególne metody są stosowane w konkretnych, szczególnych przypadkach, brak natomiast ogólnej analizy porównawczej całych grup podejść. Dla przykładu, należałoby porównać metody numeryczne, probabilistyczne oraz regułowe. Celowe może być stworzenie fuzji klasyfikatorów, obejmujących różne metody współpracujące podczas klasyfikacji na podstawie głosowania. W arsenale proponowanych metod brakuje kilku algorytmów zyskujących ostatnio na popularności. Systemy regułowe mogą zostać wzbogacone o zbiory przybliżone (ang. Rough Sets), które wykazały swoją przydatność np. w diagnostyce technicznej. Z kolei w uczeniu bez nadzoru można wykorzystać samoorganizujące się mapy (ang. Self-Organizing Maps) oraz grupowanie grafowe (ang. graph clustering). W metodach optymalizacyjnych może zostać wykorzystany algorytm mrówkowy (ang. Ant Colony Optimization). Wymienione metody mogą zostać zastosowane w NIALM oraz ich skuteczność porównana z wcześniej wykorzystywanymi. Zbiór odbiorników, na których stosowano metody klasyfikacyjne jest dotychczas niewielki. W celu wyciągnięcia ogólnych wniosków na temat ich przydatności konieczne może okazać się przeprowadzenie intensywnych eksperymentów laboratoryjnych w celu pozyskania maksymalnej liczby sygnatur. Ze względu na znaczne koszty związane z tworzeniem takiego zbioru celowe jest stworzenie rozproszonej bazy danych, uzupełnianej przez zespoły badawcze z różnych ośrodków. Technologia NIALM wymaga jeszcze szeroko zakrojonych prac, obejmujących zarówno pozyskiwanie danych pomiarowych, jak i ich przetwarzanie. Efektem prac powinno być stworzenie możliwie uniwersalnego systemu klasyfikacyjnego implementowanego w typowym budynku mieszkalnym. W związku z pojawianiem się kolejnych modeli poszczególnych odbiorników, konieczne będzie cykliczne uzupełnianie wiedzy modułu klasyfikacyjnego. LITERATURA 1. 2. 3. Zeifman M., and Roth K.: Nonintrusive Appliance Load Monitoring: Review and Outlook, IEEE Transactions on Consumer Electronics, Vol. 57, No. 1, February 2011, pp. 76-84. Figueiredo M., Almeida A., and Ribeiro B.: Home electrical signal disaggregation for nonintrusive load monitoring (NILM) systems, Neurocomputing, 96, 2012, pp. 66–73. Kolter J.Z. and Jaakkola T.: Approximate Inference in Additive Factorial HMMs with Application to Energy Disaggregation, Proceedings of the 15th International Conference on Artificial Intelligence and Statistics, La Palma, Canary Islands, Vol. XX, 2012. Gupta S., Reynolds M.S., and Patel S.N.: ElectriSense: Single-Point Sensing Using EMI for Electrical Event Detection and Classification in the Home, Proceedings of UbiComp 2010, September 26–29, 2010, Copenhagen, Denmark. Praca wykonana w ramach projektu badawczego NCBiR PBS2/A4/8/2013 Materiały X Konferencji Naukowej SP 2014