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 st  : st   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