SEOUL | Oct.7, 2016

GTCx Korea 2016

부산대학교 사물인터넷 연구센터

김 지 현

ENERGY DISAGGREGATION WITH DEEP LEARNING

2

소비전력 기반 가전기기 분류

▸ 소비전력 기반 가전기기 분류 기술은 가정에서 에너지 사용의 효율성을 증진시키기 위하여 유럽을 중심으로 꾸준히 연구되고 있는 분야

▸ Non-Intrusive Load Monitoring

▸ 기기 별로 센서를 부착할 필요없이 전체 소비전력을 센싱할 수 있는 하나의 센서로 실현가능

▸ 전체 소비전력 중 특정 가전기기의 패턴을 추출하여 가전기기를 분류

3

국제 연구 동향

International NILM Workshops European NILM Workshops

Date : June 3rd, 2014 Location : University of Texas, Austin, TX, USA

Date : September 3rd, 2014 Location : Imperial College London, UK

4

시장 규모

▸ Smart Home 시장은 점점 증가하고 있음

▸ Energy Management는 전체 시장의 약 15%를 차지함

▸ 시장 수요에 따라 관련 연구도 활발하게 진행될 것으로 예상됨(현재 Energy Disaggregation Group에서 NILM competition 기획중)

(Reference) Strategy Analytics(2015)

Cisco Monetization and Optimization Index

5

국내 관련 제품 및 서비스 동향

▸ Encored Technologies는 에너지 빅데이터 기술을 바탕으로 가정이나 건물에서 전력정보를 모니터링

▸ 가정이나 건물에서 발생하는 전기 데이터를 1초 단위로 수집하는 센서를 클라우드에 연결하여 빅데이터 기반 EnerTALK과 연동

▸ 가전기기 분류 서비스는 추후 지원 예정이며, 전압/전류 상관도, 전류/전력 스냅샷 신호 변형도, 유효/무효전력 상관도 등을 이용하여 가전기기를 분류하며, 소비전력 차가 큰 가전에 대해서 분류를 지원

<Encored의 EnerTAG> <Encored의 EnerTALK> <Encored의 EnerTALK> <Encored의 EnerTAG>

6

국외 관련 제품 및 서비스 동향

Energy Aware의 Neurio Ecoisme의 Intelligent Energy Monitoring System

▸ 가정의 분전반에 무선 센서를 부착하여 소비전력을 분석

▸ 외출 시 불필요한 전력 낭비를 메시지로 알려주거나, 원격 에너지 모니터링 제공

▸ 자사 테스트결과 최대 44%까지 전력 소비를 감소

▸ Load signature DB를 이용하여 분류를 수행하나 400W 이하의 전력은 분류 불가

▸ 스마트폰 어플리케이션 및 Web Page에서 전력 사용량 및 가전기기 사용량 제공(전력소비량 15%감소)

▸ NEST, WeMo 등 Thrid Party 제품과 연동 가능

▸ 스펙트럼 분석을 통해 기기 고유의 잡음을 추출하여 가전기기 분류를 수행

▸ INDIEGOGO 크라우드 펀딩 135%

7

기존 NILM 분류 모델

▸ 현재까지 진행된 연구의 경우 대부분 HMM(Hidden Markov Model)기반 FHMM(Factorial HMM) 모델을 활용함

▸ 기존 모델의 경우 가전기기 개수의 증가에 따라 정확도가 급격하게 하락하고, 동작 단계에 따라 다른 소비전력을 출력하는 가전기기(드라이기, 세탁기등)들의 경우 분류가 어려운 문제가 존재함

<FHMM을 이용한 가정의 전력 소비 모델>

8

기존 NILM 분류 모델

▸ Variant FHMM

<Relationships between variant FHMMs>

<CFHSMM>

(Reference) Kim, Hyungsul, et al. Unsupervised Disaggregation of Low Frequency Power Measurements.

9

DEEP LEARNING 적용의 필요성

▸ 기존 Variant FHMM 기반 분류 모델의 단점은, 모델구조에서 비롯되는 근본적인 문제

▸ 기존 연구들의 경우, 대체적으로 소비전력의 변화폭이 큰 가전기기들에 대해서만 높은 분류 성능을 보임

▸ Deep learning을 적용하게 되면 소비전력 뿐만 아니라, 소비전력에서 파생된 다양한 데이터를 입력으로 사용하여 고차원에서 분류가 가능

▸ 또한, 장기적인 패턴 학습이 가능하기 때문에 분류 성능이 상승

10

RECURRENT NEURAL NETWORKS

▸ Recurrent Nerual Networks(RNN)은 Deep Learning 알고리즘 중 순차적인 데이터를 학습하여 classification 또는 prediction을 수행

▸ 기존의 DNN(Deep Neural Networks)의 경우 각 layer마다 parameter들이 독립적이었으나, RNN은 이를 공유하고 있음

▸ 따라서 현재의 출력 결과는 이전 time step의 결과에 영향을 받으며, hidden layer는 일종의 메모리 역할을 하게됨

11

음성 인식 언어 번역 텍스트 생성

RECURRENT NEURAL NETWORKS

이전 단어들을 보고 다음 단어가 나올 확률을 예측하는 언어 모델을 기반으로 텍스트를 생성하는 generative model을 만들 수 있음

Acoustic signal을 입력으로 받아 phonetic segment의

sequence 또는 probabillity distribution을 추측

Word sequence를 입력으로 사용하여 번역할 언어의 word sequence로 출력

12

RNN PROBLEM AND SOLUTION

▸ Vanilla RNN은 vanishing gradient problem으로 인해 실제로는 아주 짧은 길이의 패턴(길이 10이하)만 학습이 가능함

▸ Vanishing gradient problem은 dependancy를 가지고 있는 RNN weights이 BPTT(Back Propagation Through Time)로 weight가 업데이트 되는 과정에서 반복적으로 곱해지는데, 이 때 gradient가 1보다 작은 값이 계속 곱해지면서 gradient가 사라지는 현상

<Vanishing Gradient Problem>

13

RNN PROBLEM AND SOLUTION

▸ LSTM(Long Short Term Memory)은 Vanishing gradient problem의 장기 의존성 문제를 해결하기 위하여 hidden layer에 적용되는 architecture

▸ LSTM은 3개의 gates(input, forget, output)로 현재 노드의 상태 정보를 제어

▸ Forget gate는 이전 상태 정보를 저장할지를 결정하고, input gate는 입력되는 새로운 정보를 저장할지 결정함. Output gate는 갱신된 cell의 값의 출력을 제어함

<RNN에 LSTM 적용> (Reference) http://colah.github.io/posts/2015-08-Understanding-LSTMs/

14

ENERGY DISAGGREGATION MODEL

▸ LSTM-RNN 기반 모델 구조

• Input layer의 입력은 소비전력 정보에 두 개의 Low-pass filter를 적용하여 추출한 2개의 basis 값의 차이 값과 기준 basis 값(온도, 습도 등 추가적인 센서 데이터 추가 가능)

• Ouput layer의 unit의 개수(l)는 분류하려는 가전기기의 수

• 각 ouput unit은 가전기기의 on/off 상태를 나타냄

…

……

15

NILM DATASET

▸ Reference Energy Disaggregation Data Set(REDD), MIT, 2011

HOUSE MONITORS DEVICE CATEGORY

1 20 Electronics, Lighting, Refrigerator, Disposal, Dishwasher, Furnace, Washer Dryer, Smoke Alarms,

Bathroom GFI, Kitchen Outlets, Microwave

2 19 Lighting, Refrigerator, Dishwasher, Washer Dryer, Bathroom GFI, Kitchen Outlets, Oven,

Microwave, Electric Heat, Stove

3 24 Electronics, Lighting, Refrigerator, Disposal, Dishwasher, Furnace, Washer Dryer, Bathroom GFI,

Kitchen Outlets, Microwave, Electric Heat, Outdoor Outlets

4 19 Lighting, Dishwasher, Furnace, Washer Dryer, Smoke Alarms, Bath- room GFI, Kitchen Outlets,

Stove, Disposal, Air Conditioning

5 10 Lighting, Refrigerator, Disposal, Dish- washer, Washer Dryer, Kitchen Out- lets, Microwave,

Stove

6 15 Kitchen_outlets, Washer_dryer, Stove, Electronics, Bathroom GFI, Refrigerator, Dishwasher,

Outlets, Lighting, Air Conditioning

(Reference) Kolter, J. Zico, and Matthew J. Johnson. REDD: A public data set for energy disaggregation research

16

MODEL PERFORMANCE

95.57

86.95 91.09

97.41

86.53

46.6 50.8

33.3

52 55.7

0

20

40

60

80

100

120

House 1 House 2 House 3 House 4 House 5

Accura

cy(%

)

LSTM-RNN FHMM

17

MODEL PERFORMANCE

98.8

99.8

92.7

91.5

93.7

97.4

98.8

97.7

90.9

92.9

93.9

92.5

96.7 97.1

97.8

92.6 93.3

93.8

96.4

86

88

90

92

94

96

98

100

102

2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Accura

cy(%

)

LSTM-RNN

18

TESTBED

전력센서

모니터

랩프

헤어 드라이어

IoT

브로커 지능형

인지 프레임워크 ① 수용가의 전력 사용량을 하나의 전력 센서에서 수집함

Node-RED 서비스 플로우

② 센서로부터 수집된 전력 사용정보를 파싱하여 DB에 저장함

전력량 기반 가전기기

분류 서비스 Agent

③ 전력량 기반 가전기기 분류 Agent는 지능형 인지 프레임워크의 알고리즘 등을 이용하여 실시간으로 현재 사용중인 가전기기를 분류함

④ 지난 주의 가전기기 사용을 요일별, 기기별로 분류하여 시각화

④ 어제 사용한 가전기기들의 사용비중을 시각화

④ 시간에 따른 전력 사용량을 요일별로 시각화

④ 좌측 실시간 전력 사용량을 기반으로 가전기기 분류 결과를 나타냄

분류 결과 Web Page

19

VIDEO DEMO

Inserting video: Insert/Video/Video from File. Insert video by browsing your directory and selecting OK.

File type that works best in PowerPoint is: .wmv

20

NILM 기술 응용 1 : SMART HOME

10/11/2016

▸ 가정의 소비전력 정보를 Service Provider의 서버로 전송하여 가전기기 분류를 수행

▸ 기기별 소비전력 정보는 사용자의 앱으로 확인하며, 불필요한 가전기기 사용 및 누진세 알림 등을 통하여 사용자의 비용 절감

▸ 기기별 소비전력 패턴을 이용한 가전기기 고장 탐지

21

NILM 기술 응용 2 : SMART FACTORY

10/11/2016

▸ 공장에서 동작하는 기기들의 전체 소비전력을 학습하여 각 기기들의 동작 상황을 모니터링

▸ 기기별 소비전력 패턴을 학습하여 고장상황 탐지 및 예측

▸ 전력소비를 모니터링하여 불필요한 전력을 줄임으로써 전력 소모 비용 감소

22

NILM 기술 응용 3 : 응급상황 알림

10/11/2016

▸ 딥러닝기반 가전기기 분류기술을 바탕으로 댁내 독거노인의 행동 모니터링 및 상황 발생시 대처하는 서비스

▸ 독거노인 가구의 스마트미터가 실시간으로 소비전력 정보를 독거노인 관리 유관기관으로 전송함

▸ 독거노인 관리 유관기관에서는 독거노인 가구의 소비전력 정보를 분석하여 이상징후를 판별하고 타유관기관과 연계하여 응급상황에 대처함

▸ 독거노인 가구에 모니터링을 위한 부가센서(손목 밴드 등)가 필요 없음

SEOUL | Oct.7, 2016

THANK YOU