Non-Intrusive Load Monitoring (NILM) : combining multiple distinct electrical features and unsupervised machine learning techniques
Common electricity meters measure only the overall energy consumption. To assist in energy savings and to enrich smart home applications with energy data, a detailed breakdown is necessary. Non-Intrusive Load Monitoring (NILM) analyzes the overall electrical signal and separates it into its components, by identifying specific electrical signatures.
So far most studies focused on low frequency NILM since standard measurement hardware can be used. In addition some specialized research has been carried out in the high frequency field. The goal of this work is to examine various electrical features and combine them in a holistic manner. Therefore we analyzed low, mid and high frequency features like active and reactive power, harmonics and line-conducted electromagnetic interference signals for their applicability in NILM. In a next step we developed an unsupervised learning algorithm which uses the most promising features to disaggregate the overall load profile. One property of our machine learning algorithm is the detection of also completely unknown devices. Another is the ability of real-time analysis of the meter data.
Our results showed that higher frequency features can assist significantly in the task of load disaggregation. Harmonics for example can be especially beneficial by separating devices with a similar active power intake. Line-conducted disturbances - a subclass of electromagnetic interference signals - on the other hand can be useful to trace variable loads or to split devices of the same model. Still some more work has to be carried out in the field of overlapping distortions. Our algorithm evaluation showed some promising results for a privately recorded and publically available dataset. In addition industrial measurements were examined resulting in a high event detection performance.
With this work we show the potential of combining low, mid and high frequency features. For future NILM algorithms the benefits of a high sampling rate should be considered and ideally be integrated into the smart meter rollout.
Handelsübliche Stromzähler messen heutzutage nur den Gesamtstromverbrauch. Um Energieeinsparpotentiale aufzuzeigen oder Smart Home Anwendungen mit Energiedaten zu bereichern, ist eine detaillierte Aufschlüsselung vonnöten. Hierfür analysiert die Non-Intrusive Load Monitoring (NILM) Technologie das Gesamtsignal, separiert dieses und ordnet die Bestandteile einzelnen Verbrauchern mit Hilfe von gerätespezifischen elektrischen Fingerabdrücken zu.
Bisher konzentrierten sich die meisten NILM-Untersuchungen auf niederfrequente Verfahren, da Standard-Messhardware verwendet werden kann. Vereinzelt wurden jedoch auch hochfrequente Merkmale in Betracht gezogen. Das Ziel dieser Arbeit ist es, unterschiedlichste elektrische Merkmale zu untersuchen und diese ganzheitlich in einen Algorithmus zu integrieren. Hierfür analysierten wir unterschiedlichste nieder-, mittel- und hochfrequente Merkmale, wie Wirk- und Blindleistung, Harmonische der Netzfrequenz oder leitungsgebundene Störaussendungen auf deren Anwendbarkeit im NILM-Bereich. Darauf aufbauend entwickelten wir, mit Hilfe von maschinellen Lernverfahren, einen unüberwachten Algorithmus, welcher die vielversprechendsten elektrischen Merkmale verwendet, um den Gesamtstromverbrauch aufzuschlüsseln. Eine wichtige Eigenschaft unseres Algorithmus ist es, komplett unbekannte Geräte detektieren zu können. Zusätzlich besteht die Möglichkeit, das Stromsignal in Echtzeit auswerten zu können.
Unsere Ergebnisse zeigen, dass hochfrequente Merkmale signifikant bei der Lastdisaggregation unterstützen können. Harmonische beispielsweise können besonders hilfreich sein, um Geräte mit einer ähnlichen Wirkleistungsaufnahme unterscheiden zu können. Leistungsgebundene Störaussendungen haben das Potential, variable Lasten oder sogar Geräte des gleichen Modells separieren zu können. Unsere Algorithmus-Evaluierung zeigt vielversprechende Ergebnisse für zwei Privathaushalt-Datensätze. Zusätzlich erzielte unser Verfahren gute Resultate bei Industriemessungen in der Erkennung und Zuordnung von Ereignissen.
Diese Arbeit zeigt die Vorteile einer Kombination von nieder-, mittel- und hochfrequenten Merkmalen auf. Diese sollten in zukünftigen NILM-Algorithmen zum Einsatz kommen und idealerweise bei dem Smart Meter Rollout in Betracht gezogen werden.
Vorschau
Zitieren
Zitierform:
Zitierform konnte nicht geladen werden.