ОБЛАСТЬ ТЕХНИКИ
Заявленное техническое решение в общем относится к области вычислительной техники, а в частности к способу дезагрегации сигнала совокупного энергопотребления с помощью модели машинного обучения, автоматической разметки измерений и генерации сигналов совокупного энергопотребления.
Работы выполнены в рамках реализации постановления Правительства Российской Федерации № 220 от 9 апреля 2010 г. и Соглашения № 075-10-2021-067 от 17 июня 2021 г. о предоставлении из федерального бюджета грантов в форме субсидий в соответствии с пунктом 4 статьи 78.1 Бюджетного кодекса Российской Федерации, заключенного между Министерством науки и высшего образования Российской Федерации и Автономной некоммерческой образовательной организацией высшего образования «Сколковский институт науки и технологий» (идентификатор государственного контракта 000000S707521QJX0002).
УРОВЕНЬ ТЕХНИКИ
Цифровой переход в электроэнергетике является перспективной целью развития отрасли. В последние годы широкий спектр технологий внедряется в различные виды деятельности энергокомпаний, в том числе значимое внимание уделяется технологиям, реализующим управление спросом на электроэнергию, переводящим потребителей из категории пассивных потребителей в активные, а также открывающим новые возможности в энергоменеджменте.
Дезагрегация энергии широко используется в коммерческих приложениях по всему миру. В основном она используется компаниями, которые предоставляют домохозяйствам, коммунальным службам и предприятиям решения по дезагрегации энергии, чтобы получить представление об их энергетической активности. Это помогает домохозяйствам и предприятиям экономить на потреблении энергии, а коммунальным службам улучшать взаимодействие со своими потребителями, развивать программу управления спросом, предотвращать несанкционированные подключения к источникам энергии, находить утечки энергии и т.д.
В наши дни повышенное внимание к расходу энергии представляет наивысшую важность как для сокращения расходов, связанных с энергопотреблением, так и для обеспечения экологической устойчивости.
Из уровня техники известен патент US9612286B2 «Systems and methods for improving the accuracy of appliance level disaggregation in non-intrusive appliance load monitoring techniques» (патентообладатель BIDGELY INC, опубл. 04.04.2017). В данном решении описан подход создания сигнатур приборов на основе сигнала совокупной нагрузки дома. Способ включает в себя такие этапы, как: идентификация примитивных элементов сигналов, включая элементы переходных и устойчивых процессов; группирование примитивных элементов по нескольким измерениям для формирования импульсов; объединение импульсов в пучки; объединение пучков друг с другом или импульсами с образованием сложных пучков; и определение конкретных сигнатур устройств, которые по существу соответствуют сложным пучкам.
Из уровня техники известна также заявка на патент US20180348711A1 «Energy Disaggregation Techniques for Low Resolution Whole-House Energy Consumption Data» (патентообладатель GUPTA ABHAY et al, опубл. 15.06.2021). Данная заявка на изобретение описывает способ дезагрегирование энергии всего дома с измерениями низкой частоты дискретизации, а именно, одно измерение осуществляют за 15-60 мин. Способ включает этапы на которых: получают профиль нагрузки всего дома; осуществляют выборочную связь с базой данных, включающей в себя неэлектрическую информацию; осуществляют выборочный обмен данными с другой базой данных, включающей в себя обучающие данные; и определяют профили нагрузки отдельных приборов на основе профиля всего дома, неэлектрической информации и обучающих данных. Результатом для потребителей является детализированный счет за электроэнергию с предложениями по оптимизации энергопотребления.
Из уровня техники известна заявка на патент US20160070286A1 «Systems and Methods for Optimizing Energy Usage Using Energy Disaggregation Data and Time of Use Information» (патентообладатель GUPTA ABHAY et al., опубл. 10.03.2016). Данная заявка на изобретение описывает систему и способ оптимизации использования энергии в домашнем хозяйстве. Способ оптимизации использования энергии в домашнем хозяйстве включает этапы: получение с использованием устройства оптимизации энергопотребления полных данных профиля энергии, связанных с домашним хозяйством; получение с помощью устройства оптимизации энергии времени использования (TOU) структуры ценообразования на энергию; обработка всех данных энергетического профиля для создания дезагрегированных данных на уровне бытовых приборов, относящихся к одному или нескольким бытовым приборам, используемым в домашнем хозяйстве; извлечение исторических моделей использования энергии домохозяйством как в пиковые, так и в непиковые периоды времени; применение анализа изменения поведения к дезагрегированным данным, основанному, по меньшей мере частично, на структуре ценообразования на энергию TOU, дезагрегированных данных и исторических закономерностях использования энергии; и прогнозирование потенциальной экономии энергии, основанное, по крайней мере частично, на анализе изменения поведения.
Из уровня техники известен патент US9691030B2 «Assisted labeling of devices with disaggregation» (патентообладатель SENSE LABS INC, опубл. 27.06.2017), описывающий способ маркировки используемых приборов в доме. В некоторых реализациях изобретения пользователь может предоставить информацию о первом приборе, и далее эта информация может использоваться для получения множества математических моделей, каждая из которых соответствует прибору или классу приборов. Математические модели могут использоваться для обработки электрического сигнала, и для каждой математической модели может быть сгенерирована оценка. Математическая модель может быть выбрана из множества математических моделей путем выбора модели с наивысшей оценкой. Таким образом, первое устройство может быть связано с выбранной математической моделью.
Из уровня техники также известен патент US9699529B1 «Identifying device state changes using power data and network data» (патентообладатель SENSE LABS INC, опубл. 04.07.2017). Данное решение описывает подход, в котором изменение состояния приборов в здании определяют, используя комбинацию из мониторинга мощности и сетевого мониторинга. Мониторинг мощности может выполняться путем получения сигнала мощности и обработки полученного сигнала мощности с помощью моделей для определения информации об изменениях состояния одного или нескольких приборов в здании. Сетевой мониторинг может выполняться путем получения информации о сетевых пакетах, передаваемых устройствами в здании, и обработки информации о сетевых пакетах для определения информации об изменениях состояния одного или нескольких устройств в здании. Для некоторых устройств и некоторых реализаций информация об изменениях состояния устройства может быть определена с использованием как мониторинга мощности, так и сетевого мониторинга.
Указанные выше известные решения в данной области техники имеют схожесть в том, что для обучения алгоритмов дезагрегации энергии на основе моделей машинного обучения используются данные, собираемые традиционным способом, а именно осуществляют измерение сигналов энергопотребления для каждого отдельного прибора распределительной сети, а также данные о совокупном энергопотреблении всеми приборами данной распределительной сети. Обычно, данная процедура повторяется для множества различных распределительных сетей, например, для разных домохозяйств, офисных помещений, предприятий и т.д. В традиционном способе каждому сигналу энергопотребления присваивается метка измеряемого прибора. Совокупности приборов с общими метками называются классами приборов. Наиболее общеизвестные классы приборов это: холодильники, стиральные машины, кондиционеры, системы освещения, чайники, компьютеры и т.д.
Одним из недостатков известных из уровня техники решений является то, что одни решения используют измерения с высокой частотой дискретизации, то есть от тысяч точек в секунду до нескольких точек в минуту, а другие технологии работают с измерениями менее высокой частотой дискретизации, а именно, от нескольких точек в минуту, до нескольких точек в день.
Основным недостатком традиционного способа сбора данных является ошибочное назначение разных меток одинаковым или похожим сигналам (например, по форме) энергопотребления некоторых приборов, используемых при обучении алгоритмов дезагрегации энергии. Например, такие устройства как холодильник и кондиционер, являясь электрическими приборами разного назначения и разного исполнения, местами могут иметь схожие сигналы энергопотребления за счет общего элемента - компрессора. Существует также ситуация, когда основная функция отдельного электроприбора может являться одним из режимов работы другого электроприбора. Например, электрический чайник и водяной насос во время своей основной работы могут производить сигналы электропотребления схожие с сигналами разных режимов работы стиральной машины, такими как нагрев и забор воды соответственно.
В основном, описанные выше ситуации возникают тогда, когда различные электроприборы имеют схожие электрические элементы, и тем вероятнее это происходит, чем больше электроприборов имеется в конкретной распределительной сети. С точки зрения машинного обучения, назначение разных выходных меток достаточно близким к друг другу входным данным приводит к нестабильности обучения, и впоследствии, к ухудшению распознавательной способности. Таким образом, назначив разные метки одинаковым или схожим сигналам разных приборов, может настать ситуация, в которой алгоритм дезагрегации, основанный на модели машинного обучения, не сможет быть корректно обучен, и, следовательно, точность дезагрегации уменьшится.
Предлагаемое техническое решение направлено на устранение недостатков современного уровня техники и отличается от известных ранее решений тем, что предложенное решение использует нетрадиционные классы сигналов для обучения модели машинного обучения, используемой при дезагрегации совокупного энергопотребления, что позволяет производить дезагрегацию энергопотребления вплоть до различных режимов работы приборов.
Данное техническое решение автоматически назначает естественные классы приборов, чтобы избежать одинаковых или схожих сигналов между полученными классами, и в дальнейшем использует полученные классы при генерации сигналов совокупного энергопотребления, на основе которых обучается модель машинного обучения для дезагрегации совокупного энергопотребления.
Кроме того, заявленное решение осуществляет работу с измерениями любой частоты дискретизации, то есть высокой и менее высокой.
СУЩНОСТЬ ИЗОБРЕТЕНИЯ
В заявленном техническом решении предлагается новый подход к дезагрегации совокупного энергопотребления, основанный на автоматической разметке сигналов энергопотребления отдельными приборами, и на генерации сигналов совокупного энергопотребления для дальнейшего обучения модели машинного обучения, а также на использовании обученной модели машинного обучения для дезагрегации сигнала совокупного энергопотребления.
Таким образом, решается техническая проблема - дезагрегации совокупного энергопотребления при помощи модели машинного обучения, обученной на нетрадиционных классах сигналов.
Техническим результатом, достигающимся при решении данной проблемы, является повышение точности и интерпретируемости результатов дезагрегации энергии с целью проведения автоматизированного энергоаудита.
Указанный технический результат достигается благодаря осуществлению способа дезагрегации энергопотребления по сигналу совокупного энергопотребления с помощью модели машинного обучения, автоматической разметки измерений и генерации сигналов совокупного энергопотребления, содержащего этапы, на которых:
a) формируют базу данных сигналов энергопотребления отдельными приборами и меток;
b) выделяют естественные классы приборов, хранящихся в базе данных;
c) добавляют метки полученных естественных классов приборов соответствующим сигналам энергопотребления в базу данных;
d) генерируют базу данных сигналов совокупного энергопотребления;
e) обучают модель машинного обучения на основе базы данных, сгенерированной на предыдущем этапе, где входные данные - это сигналы совокупного энергопотребления, а выходные данные - это сигналы энергопотребления и/или доли участия и/или индикатор присутствия в совокупном энергопотреблении для меток естественных классов приборов;
f) получают сигнал совокупного энергопотребления из распределительной сети и выполняют его дезагрегацию при помощи обученной модели машинного обучения.
В частном варианте реализации описываемого решения, для генерации базы данных сигналов суммарного потребления на этапе d) выполняют:
g) определяют целочисленный интервал K со значениями от 1 до числа естественных классов приборов, полученных на этапе b);
h) для каждого числа N из интервала K генерируют случайным образом множество комбинаций из N меток естественных классов приборов;
i) повторяют метки в каждой комбинации от 1 до Ri раз, где Ri - максимальное число повторений для данного естественного класса приборов;
j) для каждой полученной комбинации получают сигналы, хранящиеся в базе данных, полученной на этапе а), путем случайного выбора сигналов с соответствующими метками из комбинаций;
k) для каждой полученной комбинации сигналов выполняют предобработку для удовлетворения условий композиции данных сигналов физической системе;
l) для каждой комбинации сигналов получают сигнал суммарного энергопотребления путем композиции соответствующих сигналов;
m) для каждого полученного сигнала суммарного энергопотребления сохраняют ссылки на сигналы, участвовавших в композиции, в базу данных, полученную на этапе а).
КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ
Признаки и преимущества настоящего технического решения станут очевидными из приводимого ниже подробного описания и прилагаемых чертежей.
Фиг. 1 - иллюстрирует блок-схему выполнения заявленного способа;
Рис. 2 (а) - иллюстрирует сигналы энергопотребления трех традиционных классов приборов, спроецированные на 2D-плоскость из временной области;
Рис. 2 (б) - иллюстрирует сигналы энергопотребления пяти естественных классов приборов, спроецированные на 2D-плоскость из временной области.
ДЕТАЛЬНОЕ ОПИСАНИЕ ИЗОБРЕТЕНИЯ
В приведенном ниже подробном описании реализации изобретения приведены многочисленные детали реализации, призванные обеспечить отчетливое понимание настоящего изобретения. Однако квалифицированному в предметной области специалисту, будет очевидно каким образом можно использовать настоящее изобретение, как с данными деталями реализации, так и без них. В других случаях хорошо известные методы, процедуры и компоненты не были описаны подробно, чтобы не затруднять излишне понимание особенностей настоящего изобретения.
Кроме того, из приведенного изложения будет ясно, что изобретение не ограничивается приведенной реализацией. Многочисленные возможные модификации, изменения, вариации и замены, сохраняющие суть и форму настоящего изобретения, будут очевидными для квалифицированных в предметной области специалистов.
Ниже будут описаны понятия и термины, необходимые для понимания данного технического решения.
Прибор - физическое устройство, оборудование, или электронный компонент, который потребляет энергию для совершения полезной работы.
Прибором или устройством, потребляющим энергию, может быть как само оборудование, например, стиральная машина, чайник, холодильник, микроволновая печь, газовая плита, газовый насос, смеситель для раковины, душ, посудомоечная машина и т.д., так и компонент этого оборудования, например, лампочка в камере микроволновой печи, барабан стиральной машины, нагревательный элемент стиральной машины и т.д.
Сигнал энергопотребления - цифровой сигнал, получаемый аналого-цифровым преобразователем измерительной аппаратуры и состоящий из упорядоченных во времени значений физического параметра (например, активная мощность, сила тока).
Сигнал совокупного энергопотребления - сигнал энергопотребления всеми приборами и устройствами в наблюдаемом участке распределительной сети.
Сигнал составляющий сигнал совокупного энергопотребления - это сигнал энергопотребления отдельным прибором или устройством, который участвует в формировании сигнала совокупного энергопотребления.
Распределительная сеть - это система, которая доставляет энергию через физические соединения (электрические проводники в случае переменного или постоянного тока, газопроводы в случае газа, и водопроводы в случае воды) к отдельным приборам или устройствам.
Естественный класс приборов - это такой класс, где любая пара других классов приборов не содержит одинаковых или очень похожих сигналов энергопотребления.
Похожие сигналы - это такие сигналы, что модель машинного обучения или оператор могут затрудниться отличить их друг от друга.
Данное изобретение применимо к дезагрегации различных форм энергии, таких как электричество переменного тока, электричество постоянного тока, газ, вода и др. Разные виды энергии могут быть описаны разными физическими параметрами, примеры приведены в таблице 1.
Напряжение (Вольт, В)
Активная мощность (Ватт, Вт)
Реактивная мощность (Вольт-Ампер реактивный, вар)
Полная мощность (Вольт-Ампер, ВА)
Напряжение (Вольт, В)
Мощность (Ватт, Вт)
Массовый расход (Торричелли-Литры в секунду, Торр⋅л/с; или Ватт, Вт)
Объемный расход (литры в секунду, л/с)
Объемный расход (литры в секунду, л/с; или кубометры в секунду, м3/с)
Алгоритм дезагрегации энергии - это алгоритм, который анализирует сигнал совокупного энергопотребления и извлекает из него для каждого отдельного класса приборов сигнал энергопотребления и/или долю участия и/или индикатор присутствия в совокупном энергопотреблении.
Модель машинного обучения - метод искусственного интеллекта, который решает задачу на основе опыта, полученного в результате обучения на наборе данных.
Гиперпараметры - параметры модели машинного обучения, значения которых устанавливаются до процесса обучения и используются для контроля процесса обучения.
Как показано на Фиг. 1 заявленный способ дезагрегации энергопотребления по сигналу совокупного энергопотребления с помощью модели машинного обучения, автоматической разметки измерений и генерации сигналов совокупного энергопотребления (100) состоит из нескольких этапов.
В заявленном решении, на первом этапе a) формируют базу данных сигналов энергопотребления отдельными приборами и меток. Соответствующая база данных может включать сигналы как с предобработкой, так и без нее. Под предобработкой понимается, но не ограничивается, применение цифровых фильтров, сглаживание, интерполяция, экстраполяция, извлечение значимых участков, например, при помощи изменений значений производной какой-либо характеристики исходного сигнала.
Извлечение значимых участков при помощи методов извлечения событий из сигналов энергопотребления позволяет в автоматическом режиме дополнять информацию о режимах работы данного прибора. Например, используя метод извлечения событий начала и конца установившегося режима, можно заключить, что данный участок сигнала энергопотребления данного прибора является сигналом установившегося режима. Полученное заключение можно отразить в метке. Применяя также другие методы обнаружения событий можно аналогично назначить метки другим участкам сигнала энергопотребления данного прибора. Существует множество таких методов, среди которых также метод обнаружения переходного процесса, методы обнаружения нагревательного цикла, методы обнаружения неисправностей и т.д.
Допускается, что помимо самого сигнала энергопотребления, в базе данных могут храниться также и сопутствующие ему сигналы. Например, сигнал тока определенного прибора может храниться совместно с соответствующим сигналом напряжения. Таким образом, каждая запись в описываемой базе данных включает, но не ограничивается: сигналы энергопотребления и сопутствующие сигналы (если имеются); метку; данные об измерительном устройстве (например, частота дискретизации, разрядность и т.д.); данные о приборе (например, заявленные характеристики, модель устройства, производитель и т.д.).
На этапе b) выделяют естественные классы приборов, хранящихся в полученной ранее базе данных. Необходимость в поиске естественных классов возникает, как уже было обозначено ранее, из-за возможного совпадения сигналов энергопотребления (например, по форме) различных режимов работы отличных по классу приборов (рис. 2а). В таблице 2 и в таблице 3 приведены примеры, когда разные по классу приборы могут иметь одинаковые или похожие сигналы на высокой и низкой частоте дискретизации соответственно. Следовательно, дезагрегировать на данные классы приборов будет проблематично. Таким образом, требуется назначение новых меток для каждого прибора таким образом, чтобы обеспечить дезагрегацию на все классы приборов.
Эффективность данной идеи хорошо иллюстрируется примером из линейной алгебры, а именно из условия векторной декомпозиции. Условие гласит, что вектор можно однозначно разложить на линейную комбинацию набора векторов тогда и только тогда, когда эти векторы линейно независимы. В противном случае, существует несколько комбинаций векторов, сумма которых дает один и тот же вектор.
Поиск естественных классов осуществляется, но не ограничивается, путем применения методов кластеризации, которые, в свою очередь, зачастую также являются методами машинного обучения. Весьма популярными методами кластеризации являются основанная на плотности пространственная кластеризация для приложений с шумами, иерархическая кластеризация, модели гауссовой смеси, метод K-средних и т.д.
Из определения естественных классов следует, что геометрически, границы классов не должны пересекаться. Добиться этого можно задав оптимальные гиперпараметры методу кластеризации. Оптимальными гиперпараметрами в данном случае можно считать такие параметры, при которых метод кластеризации определяет границы классов таким образом, что достигается их минимальное для данной задачи количество пересечений. Контролировать качество кластеризации позволяют соответствующие метрики, среди которых силуэт, индекс Калински-Харабаса, индекс Дэвиса-Болдина и т.д. Таким образом, выбор оптимальных гиперпараметров для метода кластеризации может выполняться автоматически либо оператором путем решения задачи оптимизации соответствующей метрики.
Стоит отметить, что кластеризация может выполняться как по всем сигналам энергопотребления целиком, так и по подмножествам с общими метками, например, по каждому отдельному классу приборов. Кластеризация каждого отдельного класса приборов может существенно увеличить интерпретируемость результатов будущего алгоритма дезагрегации энергии за счет автоматического определения режимов работы отдельных приборов, о чем будет сказано в описании к пункту f).
Техническим результатом кластеризации является новый набор меток для каждого сигнала энергопотребления отдельного прибора из базы данных (рис. 2б). Отсюда следует, что любой произвольно взятый сигнал из естественного класса не всегда соответствует исходному классу приборов. Например, сигналы энергопотребления от приборов трех классов - чайников, водонагревателей и кофемашин, в установившемся режиме нагревательного цикла, будут отнесены к одному общему естественному классу приборов. Стоит отметить, что метки естественных классов могут быть представлены в произвольном виде. Например, в виде целых чисел, то есть 0, 1, 2, 3 и т.д., в виде строки, которая содержит исходные метки сигналов и т.п. Основная идея здесь в том, чтобы минимизировать нелинейность границ принятия решений будущей моделью машинного обучения за счет новых границ классов сигналов.
На этапе c) добавляют метки полученных естественных классов приборов соответствующим сигналам энергопотребления в базу данных, после чего на этапе d) генерируют базу данных сигналов совокупного энергопотребления.
Каждая запись в полученной базе данных включает, но не ограничивается: сигнал совокупного энергопотребления; ссылки в базу данных, полученную на этапе a), для сигналов энергопотребления отдельными приборами, составляющих сигнал совокупного энергопотребления.
Генерация сигналов совокупного энергопотребления является возможным благодаря закону сохранения энергии, где анализируемый сигнал совокупного энергопотребления равняется сумме сигналов энергопотребления отдельными приборами. В частности, в электрических цепях эта формулировка известна как первый закон Кирхгофа. Таким образом, имея аналитическую формулу сложения сигналов энергопотребления, представляется возможным осуществить симуляцию сигналов совокупного энергопотребления исходя из имеющихся сигналов энергопотребления отдельными приборами.
После чего на этапе е) обучают модель машинного обучения на основе базы данных, сгенерированной на предыдущем этапе, где входные данные - это сигналы совокупного энергопотребления, а выходные данные - это сигналы энергопотребления и/или доли участия и/или индикатор присутствия в совокупном энергопотреблении для меток естественных классов приборов.
Традиционно алгоритмы дезагрегации энергии представляют собой модель или совокупность моделей машинного обучения. С точки зрения машинного обучения и, согласно определению алгоритма дезагрегации энергии, дезагрегация энергии может рассматриваться либо как задача регрессии, либо как задача классификации. В случае извлечения сигналов и/или долей участия для каждого отдельного естественного класса сигналов, участвующего в совокупном энергопотреблении, задача дезагрегации формулируется как задача многовыходной регрессии. Многовыходность возникает из-за необходимости предсказывать значения для каждого естественного класса сигналов отдельно. В случае извлечения индикаторов присутствия задача ставится как задача многовыходной классификации, где оценивается вероятность присутствия каждого отдельного естественного класса приборов в совокупном энергопотреблении. Возможно также комбинированное решение, когда, например, сначала решается задача регрессии, а затем классификации, или наоборот. Как правило, на практике используется комбинированное решение с целью максимизации информации о приборах, участвующих в совокупном энергопотреблении.
Моделью машинного обучения в данном случае может быть любая известная модель, но не ограничиваясь, которая поддерживает многовыходность или может быть расширена до многовыходности, например, разбив задачу многовыходной регрессии или классификации на подзадачи бинарной регрессии или классификации соответственно. Примерами известных моделей машинного обучения являются линейная регрессия, логистическая регрессия, k-ближайших соседей, метод опорных векторов, метод анализа независимых компонент, дерево решений, случайный лес, градиентный бустинг, нейронные сети и т.д. Могут быть также использованы ансамбли моделей, последовательности моделей, ансамбли из последовательностей моделей, последовательности из ансамблей моделей, а также иные схожие модификации.
Ансамблем моделей машинного обучения принято считать решение одной и той же задачи путем, например, осреднения множества решений разными и/или одинаковыми, но с разными гиперпараметрами моделями машинного обучения.
Последовательностью моделей машинного обучения, принято считать решение задачи путем последовательного применения моделей машинного обучения, например, сначала происходит понижение размерности с использованием различных соответствующих методов (метод анализа независимых компонент, метод главных компонент, стохастическое вложение соседей с t-распределением и т.д.), а далее применяются другие модели машинного обучения, например, из описанных выше. Также возможно комбинированное использование ансамблей и последовательностей моделей на разных уровнях вложенности, например, последовательности из ансамблей последовательности моделей и т.п.
В заявленном решении, в качестве входных данных используются сигналы совокупного потребления, хранящиеся в базе данных, сгенерированной на этапе d). Входные сигналы совокупного энергопотребления могут быть предобработаны путем, описанным в дополнении к этапу a). Также допускается предварительное извлечение каких-либо характеристик (признаков) данных сигналов. Характеристиками или признаками сигнала могут быть, например, амплитуды и фазы частотного спектра, среднее значение сигнала, коэффициент гармонических искажений, спектральный центроид, спектральная плоскостность и т. д. Более того, характеристики или признаки также могут получены, но не ограничиваясь, при помощи методов понижения размерности, например, метода анализа независимых компонент, метода главных компонент, автоэнкодера и т.д.
В качестве выходных данных модель машинного обучения получает сигналы энергопотребления и/или доли участия и/или индикатор присутствия в совокупном энергопотреблении для меток естественных классов приборов. Расчет долей участия может осуществляться, например, путем деления среднеквадратического значения сигнала энергопотребления отдельного естественного класса приборов на среднеквадратическое значение соответствующего сигнала совокупного энергопотребления.
Возможна ситуация присутствия сразу множества сигналов одного класса в сигнале совокупного энергопотребления, например, 100 светодиодных ламп, 20 холодильников, 10 кондиционеров, 5 компьютеров, 10 вентиляторов и т.д. В этом случае оценивается совокупный сигнал и/или совокупная доля участия и/или совокупный индикатор присутствия для каждого естественного класса приборов.
Обучение модели машинного обучения производится путем, предусмотренным для данной модели. Например, в случае с искусственными нейронными сетями, могут использоваться, но не ограничиваясь, следующие известные методы оптимизации: градиентный спуск, стохастический градиентный спуск, градиентный спуск с моментом, Adam, Adamax, Adadelta, RMSProp и т. д. Для моделей не являющимися искусственными нейронными сетями, то есть по типу линейной регрессии, логистической регрессии, k-ближайших соседей, градиентного бустинга и т.д., применяются предусмотренные им методы обучения. Например, задача линейной регрессии может решаться путем оптимизации квадрата ошибки. Общим для всех моделей является тот факт, что целевая функция во время обучения рассчитывается путем сравнения ожидаемых выходных данных и тех, что выдаются моделью на шаге обучения. Целевой функцией, например, может быть функция ошибки, которая выбирается в зависимости от рода решаемой задачи (регрессия или классификация), от рода выходных данных (число, вектор или матрица, бинарные или вещественные числа), и эмпирически в зависимости от результатов обучения. Среди известных функций ошибки - квадрат ошибки, перекрестная энтропия и т.д.
На следующем этапе f) получают сигнал совокупного энергопотребления из распределительной сети и выполняют его дезагрегацию при помощи обученной модели машинного обучения.
Так как метка естественного класса приборов может не содержать названия единственного прибора, то производится постобработка распознанных моделью машинного обучения меток путем их сопоставления с соответствующими данными о приборах из базы данных, полученной на этапе a). Основная цель постобработки - переназначить распознанную метку таким образом, чтобы однозначно сказать, какой прибор был обнаружен. Постобработка может осуществляться также путем сравнения результата дезагрегации в данный момент времени с историей дезагрегации до данного момента времени. Например, если ранее был обнаружен чайник, а в данный момент времени был определен такой естественный класс, который включает в себя сигналы установившегося режима как чайника, так и кофемашины, то с наибольшей вероятностью можно заключить, что конечным прибором все также является чайник, так как не было переходного процесса кофемашины.
Возможна также ситуация, когда сразу множество разных меток естественных классов приборов явно относятся к одному и тому же прибору. В таком случае, сопоставляя их с соответствующими данными из базы данных, полученной на этапе a), можно также доопределить такие метки до режимов работы прибора, например, переходного или установившегося, нагревания, вращения, ожидания, освещения, неисправности и т.д.
Кроме того, для генерации базы данных сигналов суммарного потребления на этапе d) выполняют следующие этапы:
g) определяют целочисленный интервал K со значениями от 1 до числа естественных классов приборов, полученных на этапе b). Данный шаг необходим для имитации одновременной работы множества различных или одинаковых приборов. Любое число данного интервала соответствует количеству естественных классов приборов, из которых в дальнейшем будут выбираться сигналы, составляющие сгенерированные сигналы совокупного энергопотребления.
После чего, на этапе h) для каждого числа N из интервала K генерируют случайным образом множество комбинаций из N меток естественных классов приборов. Суть данного этапа заключается в том, чтобы определить какие именно естественные классы будут использованы в дальнейшем. Важно отметить, что сгенерированные комбинации упорядочены и не включают повторений меток естественных классов. Множество комбинаций может генерироваться любым известным компьютерно-реализованным методом для поиска комбинаций, например, перебором.
Далее, на этапе i) повторяют метки в каждой комбинации от 1 до Ri раз, где Ri - максимальное число повторений для данного естественного класса приборов. Данный этап необходим в связи с тем, что в реальных условиях может встречаться множество приборов одного типа, работающих одновременно.
На этапе j) для каждой полученной комбинации получают сигналы, хранящиеся в базе данных, полученной на этапе а), путем случайного выбора сигналов с соответствующими метками из комбинаций, а на этапе k) для каждой полученной комбинации сигналов выполняют предобработку для удовлетворения условий композиции данных сигналов физической системе.
Данная предобработка необходима с целью минимизации погрешности симуляции сигналов совокупного энергопотребления. Например, если исходные сигналы представляют собой мгновенные значения тока, то композиция путем поэлементного сложения может привести к вычитанию сигналов, находящихся в противофазе, которые в реальных условиях не должны были бы вычитаться. В том же примере такая композиция может привести к появлению биений. Таким образом, чтобы избежать некорректной композиции в указанном примере необходимо привести все сигналы рассматриваемой комбинации к условию, где все эти сигналы синхронизированы по фазе с напряжением. Стоит также отметить, что некоторые типы сигналов могут обойтись без такого рода предобработки, например, сигналы среднеквадратических значений активной мощности.
На этапе l) для каждой комбинации сигналов получают сигнал суммарного энергопотребления путем композиции соответствующих сигналов и на этапе m) для каждого полученного сигнала суммарного энергопотребления сохраняют ссылки на сигналы, участвовавших в композиции, в базу данных, полученную на этапе а).
Существует несколько широких возможных применений заявленного изобретения:
Используя дезагрегированные данные, можно проводить автоматизированный энергоаудит. Например, установив хотя бы по одному измерительному прибору для каждого типа энергии в распределительную сеть некоторого предприятия, магазина, кафе, поликлиники, административного здания, офиса, домохозяйства и т.д., и используя заявленный метод можно получить структуру энергопотребления по всем приборам в конкретный момент времени. Анализируя дезагрегированные данные, можно выявлять неисправности в работе приборов, а также делать оценку количества приборов каждого класса. Используя историю изменения структуры энергопотребления за некоторый промежуток времени (день, неделя, месяц, год и т.д.) можно определить аномалии в энергопотреблении при помощи методов машинного обучения или оптимизации. Кроме того, по обнаруженным аномалиям можно сформировать список рекомендаций по их устранению. Таким образом, каждый шаг энергоаудита, за исключением установки измерительных приборов, может быть полностью автоматизирован, что существенно ускоряет процедуру проведения энергоаудита, уменьшает ее стоимость, а также исключает ее воздействие на бизнес-процессы анализируемого объекта.
Данное техническое решение может быть реализовано на компьютере, в виде автоматизированной информационной системы (АИС) или машиночитаемого носителя, содержащего инструкции для выполнения вышеупомянутого способа.
Техническое решение может быть реализовано в виде распределенной вычислительной системой, которая обеспечивает реализацию заявленного способа или является частью компьютерной системы, например, сервером, персональным компьютером, частью вычислительного кластера, обрабатывающим необходимые данные для осуществления заявленного технического решения.
В общем случае, система содержит объединенные общей шиной информационного обмена один или несколько процессоров, средства памяти, такие как ОЗУ и ПЗУ, интерфейсы ввода/вывода, устройства ввода/вывода и устройство для сетевого взаимодействия.
Процессор (или несколько процессоров, многоядерный процессор и т.п.) может выбираться из ассортимента устройств, широко применяемых в настоящее время, например, таких производителей, как: Intel™, AMD™, Apple™, Samsung Exynos™, MediaTEK™, Qualcomm Snapdragon™ и т.п. Под процессором или одним из используемых процессоров в системе также необходимо учитывать графический процессор, например, GPU NVIDIA или Graphcore, тип которых также является пригодным для полного или частичного выполнения способа, а также может применяться для обучения и применения моделей машинного обучения в различных информационных системах.
ОЗУ представляет собой оперативную память и предназначено для хранения исполняемых процессором машиночитаемых инструкций для выполнения необходимых операций по логической обработке данных. ОЗУ, как правило, содержит исполняемые инструкции операционной системы и соответствующих программных компонент (приложения, программные модули и т.п.). При этом, в качестве ОЗУ может выступать доступный объем памяти графической карты или графического процессора.
ПЗУ представляет собой одно или более устройств постоянного хранения данных, например, жесткий диск (HDD), твердотельный накопитель данных (SSD), флэш-память (EEPROM, NAND и т.п.), оптические носители информации (CD-R/RW, DVD-R/RW, BlueRay Disc, MD) и др.
Для организации работы компонентов системы и организации работы внешних подключаемых устройств применяются различные виды интерфейсов В/В. Выбор соответствующих интерфейсов зависит от конкретного исполнения вычислительного устройства, которые могут представлять собой, не ограничиваясь: PCI, AGP, PS/2, IrDa, Fire Wire, LPT, COM, SATA, IDE, Lightning, USB (2.0, 3.0, 3.1, micro, mini, type C), TRS/Audio jack (2.5, 3.5, 6.35), HDMI, DVI, VGA, Display Port, RJ45, RS232 и т.п.
Для обеспечения взаимодействия пользователя с вычислительной системой применяются различные средства В/В информации, например, клавиатура, дисплей (монитор), сенсорный дисплей, тач-пад, джойстик, манипулятор мышь, световое перо, стилус, сенсорная панель, трекбол, динамики, микрофон, средства дополненной реальности, оптические сенсоры, планшет, световые индикаторы, проектор, камера, средства биометрической идентификации (сканер сетчатки глаза, сканер отпечатков пальцев, модуль распознавания голоса) и т.п.
Средство сетевого взаимодействия обеспечивает передачу данных посредством внутренней или внешней вычислительной сети, например, Интранет, Интернет, ЛВС и т.п.В качестве одного или более средств может использоваться, но не ограничиваться: Ethernet карта, GSM модем, GPRS модем, LTE модем, 5G модем, модуль спутниковой связи, NFC модуль, Bluetooth и/или BLE модуль, Wi-Fi модуль и др.
Программа - последовательность инструкций, предназначенных для исполнения устройством управления вычислительной машины или устройством обработки команд.
В настоящих материалах заявки было представлено предпочтительное раскрытие осуществление заявленного технического решения, которое не должно использоваться как ограничивающее иные, частные воплощения его реализации, которые не выходят за рамки испрашиваемого объема правовой охраны и являются очевидными для специалистов в соответствующей области техники.
| название | год | авторы | номер документа |
|---|---|---|---|
| СПОСОБ ДИАГНОСТИРОВАНИЯ КОМПЛЕКСА БОРТОВОГО ОБОРУДОВАНИЯ ВОЗДУШНЫХ СУДОВ НА ОСНОВЕ МАШИННОГО ОБУЧЕНИЯ И УСТРОЙСТВО ДЛЯ ЕГО ОСУЩЕСТВЛЕНИЯ | 2023 |
|
RU2816667C1 |
| СПОСОБ УПРАВЛЕНИЯ АВТОМАТИЗИРОВАННОЙ СИСТЕМОЙ ПРАВОВЫХ КОНСУЛЬТАЦИЙ | 2019 |
|
RU2718978C1 |
| СПОСОБ ДИАГНОСТИРОВАНИЯ КОМПЛЕКСА БОРТОВОГО ОБОРУДОВАНИЯ ВОЗДУШНЫХ СУДОВ НА ОСНОВЕ МАШИННОГО ОБУЧЕНИЯ | 2023 |
|
RU2809719C1 |
| СПОСОБ И СИСТЕМА АВТОМАТИЧЕСКОЙ ПОЛИГРАФИЧЕСКОЙ ПРОВЕРКИ | 2023 |
|
RU2809489C1 |
| СПОСОБ И СИСТЕМА АВТОМАТИЧЕСКОЙ ПОЛИГРАФИЧЕСКОЙ ПРОВЕРКИ С ПРИМЕНЕНИЕМ ТРЕХ АНСАМБЛЕЙ МОДЕЛЕЙ МАШИННОГО ОБУЧЕНИЯ | 2023 |
|
RU2809595C1 |
| СИСТЕМА И СПОСОБ ФОРМИРОВАНИЯ ОБУЧАЮЩЕГО НАБОРА ДЛЯ АЛГОРИТМА МАШИННОГО ОБУЧЕНИЯ | 2017 |
|
RU2711125C2 |
| СПОСОБ И СИСТЕМА АВТОМАТИЧЕСКОЙ ПОЛИГРАФИЧЕСКОЙ ПРОВЕРКИ С ПРИМЕНЕНИЕМ ДВУХ АНСАМБЛЕЙ МОДЕЛЕЙ МАШИННОГО ОБУЧЕНИЯ | 2023 |
|
RU2809490C1 |
| Способ и сервер для определения обучающего набора для обучения алгоритма машинного обучения (MLA) | 2020 |
|
RU2817726C2 |
| Способ распознавания и классификации действий сотрудников ручного труда по данным с носимых устройств, оснащённых сенсорами физической активности | 2020 |
|
RU2776599C2 |
| СПОСОБ И СИСТЕМА АВТОМАТИЧЕСКОЙ ПОЛИГРАФИЧЕСКОЙ ПРОВЕРКИ С ПРИМЕНЕНИЕМ ДВУХ МОДЕЛЕЙ МАШИННОГО ОБУЧЕНИЯ | 2023 |
|
RU2810149C1 |
Изобретение относится к области вычислительной техники. Техническим результатом является повышение точности и интерпретируемости результатов дезагрегации энергии. В способе выделяют естественные классы приборов, хранящихся в базе данных, не содержащие одинаковых или схожих сигналов в полученных классах, путем выполнения метода кластеризации каждого отдельного класса приборов, в котором выбирают параметры, при которых метод кластеризации определяет границы классов таким образом, что достигается их минимальное количество пересечений; генерируют базу данных сигналов совокупного энергопотребления из сигналов энергопотребления отдельными приборами, хранящихся в базе данных, с присвоенными метками естественных классов приборов; обучают модель машинного обучения на основе базы данных, сгенерированной на предыдущем этапе, где входные данные - это сигналы совокупного энергопотребления, а выходные данные - это сигналы энергопотребления и/или доли участия и/или индикатор присутствия в совокупном энергопотреблении для меток естественных классов приборов; получают сигнал совокупного энергопотребления из распределительной сети и выполняют его дезагрегацию при помощи обученной модели машинного обучения; причем дополнительно выполняют постобработку полученных на выходе модели машинного обучения меток естественных классов приборов путем их сопоставления с соответствующими данными о приборах из базы данных сигналов энергопотребления отдельными приборами и меток, а также путем сравнения результата дезагрегации в данный момент времени с историей дезагрегации до данного момента времени и определение на основании постобработки результата дезагрегации режимов работы отдельных приборов. 1 з.п. ф-лы, 3 ил., 3 табл.
1. Компьютерно-реализуемый способ дезагрегации энергопотребления по сигналу совокупного энергопотребления с помощью модели машинного обучения, автоматической разметки измерений и генерации сигналов совокупного энергопотребления, содержащего этапы, на которых:
a) формируют базу данных сигналов энергопотребления отдельными приборами и меток;
b) выделяют естественные классы приборов, хранящихся в базе данных, не содержащие одинаковых или схожих сигналов в полученных классах, путем выполнения метода кластеризации каждого отдельного класса приборов, в котором выбирают параметры, при которых метод кластеризации определяет границы классов таким образом, что достигается их минимальное количество пересечений;
c) добавляют метки полученных естественных классов приборов соответствующим сигналам энергопотребления в базу данных;
d) генерируют базу данных сигналов совокупного энергопотребления из сигналов энергопотребления отдельными приборами, хранящихся в базе данных, сформированной на этапе а), с присвоенными метками естественных классов приборов;
e) обучают модель машинного обучения на основе базы данных, сгенерированной на предыдущем этапе, где входные данные - это сигналы совокупного энергопотребления, а выходные данные - это сигналы энергопотребления и/или доли участия и/или индикатор присутствия в совокупном энергопотреблении для меток естественных классов приборов;
f) получают сигнал совокупного энергопотребления из распределительной сети и выполняют его дезагрегацию при помощи обученной модели машинного обучения, где на выходе модели машинного обучения получают сигналы энергопотребления и/или доли участия и/или индикатор присутствия в совокупном энергопотреблении для меток естественных классов приборов; причем дополнительно выполняют постобработку полученных на выходе модели машинного обучения меток естественных классов приборов путем их сопоставления с соответствующими данными о приборах из базы данных сигналов энергопотребления отдельными приборами и меток, а также путем сравнения результата дезагрегации в данный момент времени с историей дезагрегации до данного момента времени и определение на основании постобработки результата дезагрегации режимов работы отдельных приборов.
2. Способ по п. 1, характеризующийся тем, что для генерации базы данных сигналов суммарного потребления на этапе d) выполняют:
g) определяют целочисленный интервал K со значениями от 1 до числа естественных классов приборов, полученных на этапе b);
h) для каждого числа N из интервала K генерируют случайным образом множество комбинаций из N меток естественных классов приборов;
i) повторяют метки в каждой комбинации от 1 до Ri раз, где Ri - максимальное число повторений для данного естественного класса приборов;
j) для каждой полученной комбинации получают сигналы, хранящиеся в базе данных, полученной на этапе а), путем случайного выбора сигналов с соответствующими метками из комбинаций;
k) для каждой полученной комбинации сигналов выполняют предобработку для удовлетворения условий композиции данных сигналов физической системе;
l) для каждой комбинации сигналов получают сигнал суммарного энергопотребления путем композиции соответствующих сигналов;
m) для каждого полученного сигнала суммарного энергопотребления сохраняют ссылки на сигналы, участвовавшие в композиции, в базу данных, полученную на этапе а).
| US 10175276 B2, 08.01.2019 | |||
| ПОЛНОПРИВОДНОЕ ТРАНСПОРТНОЕ СРЕДСТВО | 2005 |
|
RU2290328C1 |
| US 10983496 B1, 20.04.2021 | |||
| CN 115392318 A, 25.11.2022 | |||
| US 11499999 B2, 15.11.2022 | |||
| Аппарат для очищения воды при помощи химических реактивов | 1917 |
|
SU2A1 |
