Konutlardaki Elektrikli Cihazların Evrişimli Sinir Ağı ile Otomatik Sınıflandırılması

Yıl 2022, Cilt: 10 Sayı: 4, 940 - 952, 30.12.2022

Ebra Nur Zurel , Zeynep Mine Alçin , Muzaffer Aslan

https://doi.org/10.29109/gujsc.1119624

Öz

Günümüzde teknolojik gelişmeler enerji kaynaklarına olan talebi büyük bir oranda artmaktadır. Özellikle konutlarda kullanılan elektrikli cihaz sayılarının artması endüstri de olduğu gibi konutlarda elektrik enerji tüketimini oldukça artmaktadır. Arz-talep dengesini etkili bir şekilde sağlanabilmesi konutlardaki elektriksel yüklerin tanımlanmasına ve müdahaleci olmayan yük izleme (MOYİ) sistemlerinin tasarımına bağlıdır. MOYİ sistemleri vasıtasıyla kullanıcılar, ev aletleri kullanım alışkanlıklarını kontrol edebilir ve ardından elektrik tasarrufu için davranışlarını ayarlayabilir. Bu nedenle, son zamanlarda hem akademik hem de endüstride ilgi çeken bir konudur. MOYİ, cihaz veya aktivite seviyesindeki tüketim dökümü ile ilgili faydalı bilgileri ortaya çıkarmak için kullanılır, bu nedenle çeşitli akıllı ev hizmetleri ve fırsatlarını ortaya çıkarmak için önemli bir çözüm olabilir. Bu amaçla, derin öğrenme öne çıkan bir çözüm olarak ortaya çıkmaktadır. Bu çalışmada, konutlarda kullanılan elektrikli cihazların hızlı ve etkili bir şekilde tespit için etkin bir evrişimli sinir ağı (ESA) modeli önerilmiştir. Önerilen modelde, daha düşük hesaplama karmaşıklığına sahip ELU aktivasyon fonksiyonu içeren yeni bir ESA modeli tasarlanmıştır. Deneysel çalışmalar, konutlarda kullanılan 18 farklı elektrikli cihazların güç tüketim zaman serilerini içeren veri seti ile gerçekleştirilmiştir. Ön işlem zaman serileri, kısa süreli fourier dönüşümü (KSFD) ile renkli görüntülere dönüştürüldü. Daha sonra bu görüntüler özellik çıkarımı ve sınıflandırma için ESA’ya uygulandı. Yapılan deneysel çalışmalarda önerilen yöntemin doğruluk, duyarlılık, özgüllük, kesinlik ve F1-skor değerleri sırasıyla %94,78, %87,371, %99,70, %90,5404 ve %88,62 olarak elde edilmiştir. Ayrıca önerilen yöntem son teknoloji yöntemlerden doğruluk ölçütünde %1,78 ve %1,98, ayrıca F1-skor ölçütünde %11,02 ve %13,12 oranlarında daha yüksek başarım sağlamıştır.

Anahtar Kelimeler

DERİN ÖĞRENME

Destekleyen Kurum

Türkiye Bilimsel ve Teknolojik Araştırma Kurumu (TÜBİTAK)

Proje Numarası

121E347

Teşekkür

Bu çalışma, Türkiye Bilimsel ve Teknolojik Araştırma Kurumu (TÜBİTAK) (Proje No: 121E347) tarafından desteklenmiştir. Katkılarından dolayı TÜBİTAK’a teşekkürlerimizi sunarız.

Kaynakça

• [1] Yoon SH, Kim SY, Park GH, Kim YK, Cho CH, Park BH. Multiple power-based building energy management system for efficient management of building energy. Sustain Cities Soc 2018;42:462–70. https://doi.org/10.1016/j.scs.2018.08.008.
• [2] Pérez-Lombard L, Ortiz J, Pout C. A review on buildings energy consumption information. Energy Build 2008;40:394–8. https://doi.org/10.1016/j.enbuild.2007.03.007.
• [3] Li W, Zhou Y, Cetin K, Eom J, Wang Y, Chen G, et al. Modeling urban building energy use: A review of modeling approaches and procedures. Energy 2017;141:2445–57. https://doi.org/10.1016/j.energy.2017.11.071.
• [4] Lin S, Zhao L, Li F, Liu Q, Li D, Fu Y. A nonintrusive load identification method for residential applications based on quadratic programming. Electr Power Syst Res 2016;133:241–8. https://doi.org/10.1016/j.epsr.2015.12.014.
• [5] Liu Y, Wang X, Zhao L, Liu Y. Admittance-based load signature construction for nonintrusive appliance load monitoring. Energy Build 2018;171:209–19. https://doi.org/10.1016/j.enbuild.2018.04.049.
• [6] Bouhouras AS, Milioudis AN, Labridis DP. Development of distinct load signatures for higher efficiency of NILM algorithms. Electr Power Syst Res 2014;117:163–71. https://doi.org/10.1016/j.epsr.2014.08.015.
• [7] Yan D, Jin Y, Sun H, Dong B, Ye Z, Li Z, et al. Household appliance recognition through a Bayes classification model. Sustain Cities Soc 2019;46:101393. https://doi.org/10.1016/j.scs.2018.12.021.
• [8] KOÇ F, KARABİBER A. Makine Öğrenmesi Yöntemleri Kullanılarak Elektrikli Cihazların Sınıflandırılması. Türk Doğa ve Fen Derg 2021. https://doi.org/10.46810/tdfd.846174.
• [9] Hassan T, Javed F, Arshad N. An empirical investigation of V-I trajectory based load signatures for nonintrusive load monitoring. IEEE Trans Smart Grid 2014;5:870–8. https://doi.org/10.1109/TSG.2013.2271282.
• [10] De Baets L, Ruyssinck J, Develder C, Dhaene T, Deschrijver D. Appliance classification using VI trajectories and convolutional neural networks. Energy Build 2018;158:32–6. https://doi.org/10.1016/j.enbuild.2017.09.087.
• [11] Athanasiadis C, Doukas D, Papadopoulos T, Chrysopoulos A. A scalable real-time nonintrusive load monitoring system for the estimation of household appliance power consumption. Energies 2021;14:767. https://doi.org/10.3390/en14030767.
• [12] Devlin MA, Hayes BP. Nonintrusive Load Monitoring and Classification of Activities of Daily Living Using Residential Smart Meter Data. IEEE Trans Consum Electron 2019;65:339–48. https://doi.org/10.1109/TCE.2019.2918922.
• [13] Paiva Penha D de, Garcez Castro AR. Home Appliance Identification for Nilm Systems Based on Deep Neural Networks. Int J Artif Intell Appl 2018;9:69–80. https://doi.org/10.5121/ijaia.2018.9206.
• [14] Du L, Restrepo JA, Yang Y, Harley RG, Habetler TG. Nonintrusive, self-organizing, and probabilistic classification and identification of plugged-in electric loads. IEEE Trans Smart Grid 2013;4:1371–80. https://doi.org/10.1109/TSG.2013.2263231.
• [15] Meehan P, McArdle C, Daniels S. An efficient, scalable time-frequency method for tracking energy usage of domestic appliances using a two-step classification algorithm. Energies 2014;7:7041–66. https://doi.org/10.3390/en7117041.
• [16] Le TTH, Kang H, Kim H. Household appliance classification using lower odd-numbered harmonics and the bagging decision tree. IEEE Access 2020;8:55937–52. https://doi.org/10.1109/ACCESS.2020.2981969.
• [17] Liu H, Wu H, Yu C. A hybrid model for appliance classification based on time series features. Energy Build 2019;196:112–23. https://doi.org/10.1016/j.enbuild.2019.05.028.
• [18] Nalmpantis C, Vrakas D. On time series representations for multi-label NILM. Neural Comput Appl 2020;32:17275–90. https://doi.org/10.1007/s00521-020-04916-5.
• [19] De Baets L, Develder C, Dhaene T, Deschrijver D, Gao J, Berges M. Handling imbalance in an extended plaid. 5th IFIP Conf. Sustain. Internet ICT Sustain. Sustain. 2017, IEEE; 2018, p. 1–5. https://doi.org/10.23919/SustainIT.2017.8379795.
• [20]Kryonidis GC, Barzegkar-Ntovom GA, Papadopoulos TA, Marinopoulos AG, Covrig CF, Doukas DI, et al. A Bottom-up Modelling Approach for Household Power Profiles Using Time-series Measurements. UPEC 2020 - 2020 55th Int. Univ. Power Eng. Conf. Proc., IEEE; 2020, p. 1–6. https://doi.org/10.1109/UPEC49904.2020.9209849.
• [21] SgLab. The smart grid interoperability laboratory n.d. https://ses.jrc.ec.europa.eu/sgil-petten.
• [22] Samiee K, Kovács P, Gabbouj M. Epileptic seizure classification of EEG time-series using rational discrete short-time fourier transform. IEEE Trans Biomed Eng 2015;62:541–52. https://doi.org/10.1109/TBME.2014.2360101.
• [23]Gabor D. Theory of communication. part 1: The analysis of information, Journal of the Institution of Electrical Engineers-Part III: Radio and. Commun Eng 1946;93:429–441.
• [24]Ghaderpour E, Pagiatakis SD, Hassan QK. A survey on change detection and time series analysis with applications. Appl Sci 2021;11:6141. https://doi.org/10.3390/app11136141.
• [25]Sejdić E, Djurović I, Jiang J. Time-frequency feature representation using energy concentration: An overview of recent advances. Digit Signal Process A Rev J 2009;19:153–83. https://doi.org/10.1016/j.dsp.2007.12.004.
• [26]Alzubaidi L, Zhang J, Humaidi AJ, Al-Dujaili A, Duan Y, Al-Shamma O, et al. Review of deep learning: concepts, CNN architectures, challenges, applications, future directions. J Big Data 2021;8:53. https://doi.org/10.1186/s40537-021-00444-8.
• [27] Lecun Y, Bengio Y, Hinton G. Deep learning. Nature 2015;521:436–44. https://doi.org/10.1038/nature14539.
• [28]Shrestha A, Mahmood A. Review of deep learning algorithms and architectures. IEEE Access 2019;7:53040–65. https://doi.org/10.1109/ACCESS.2019.2912200.
• [29]Kattenborn T, Leitloff J, Schiefer F, Hinz S. Review on Convolutional Neural Networks (CNN) in vegetation remote sensing. ISPRS J Photogramm Remote Sens 2021;173:24–49. https://doi.org/10.1016/j.isprsjprs.2020.12.010.
• [30]ASLAN M. Derin Öğrenme ile Şeftali Hastalıkların Tespiti. Eur J Sci Technol 2021:540–6. https://doi.org/10.31590/ejosat.883787.
• [31] Turkoglu M, Alcin OF, Aslan M, Al-Zebari A, Sengur A. Deep rhythm and long short term memory-based drowsiness detection. Biomed Signal Process Control 2021;65:102364. https://doi.org/10.1016/j.bspc.2020.102364.
• [32]ASLAN M. Derin Öğrenme Tabanlı Otomatik Beyin Tümör Tespiti. Fırat Üniversitesi Mühendislik Bilim Derg 2022. https://doi.org/10.35234/fumbd.1039825.