ارائه یک رویکرد جدید پایش غیر مداخله گر بار بر اساس استخراج ماتریس ویژگی و مدل یادگیری ماشین KNN

در سال های اخیر علاقه به انجام تحقیقات بر روی پایش غیر مداخله گر بار به دلیل افزایش مصرف انرژی الکتریکی به شدت در حال افزایش است. تحقیقات مختلف نشان داده اند که در صورت پیاده سازی روش های پایش غیر مداخله گر بار به غیراز مزایای مختلفی چون پاسخگویی بار، افزایش دقت پیش بینی های مصرف و غیره موجب افزایش سطح صرفه جویی در ساکنان ساختمان های مسکونی خواهد شد. در سال های اخیر با پیشرفت روش های مبتنی بر یادگیری عمیق استفاده از این روش ها نیز به منظور تفکیک بار مصرفی بسیار افزایش پیداکرده است. با این وجود مهم ترین مشکل این روش ها نیاز به سخت افزار پیچیده به منظور آموزش و بررسی روش ها است. به همین دلیل نیاز است تا سیگنال توان نمونه برداری شده از کنتور هوشمند به مراکز پردازش داده منتقل شده و مورد تجزیه وتحلیل قرار گیرد. این کار علاوه بر نیاز به شبکه های ارتباطی پرسرعت امنیت داده ها را نیز به خطر می اندازد. با توجه به نکات بیان شده در این مقاله یک روش پایش غیر مداخله گر بار بر اساس استخراج ماتریس ویژگی از سیگنال فرکانس لحظه ای به دست آمده از سیگنال توان لوازم خانگی ارائه شده است. مهم ترین ویژگی روش ارائه شده افزایش دقت مدل نزدیک ترین همسایه (KNN) کلاسیک است. روش ارائه شده با استفاده از داده های دسترسی آزاد با نام EMBED که شامل اطلاعات مصرف سه آپارتمان مختلف است مورد تجزیه وتحلیل قرارگرفته است. نتایج به خوبی نشان می دهد که مدل KNN در زمان استفاده از داده ها ماتریس ویژگی مورداستفاده در این مقاله از دقت بسیار بالاتری در مقابل دیگر روش های استخراج ویژگی برخوردار است.

کلیدواژه ها:

پایش غیر مداخله گر بار ، استخراج ویژگی ، ماتریس ویژگی ، فرکانس لحظه ای ، تبدیل هیلبرت ، KNN