การพัฒนาระบบตรวจรู้สภาวะโหลดทางไฟฟ้าแบบไม่ล่วงล้ำโดยการประยุกต์ใช้เทคนิคการเรียนรู้เชิงลึก

Abstract

ในปัจจุบันการพัฒนาระบบตรวจรู้สภาวะโหลดทางไฟฟ้าแบบไม่ล่วงล้ำ (Non-Intrusive Load Monitoring: NILM) เป็นสิ่งที่สำคัญและท้าทายสำหรับระบบบริหารจัดการด้านพลังงานและนำไปสู่การสร้างมิเตอร์อัจฉริยะ ทั้งนี้การออกแบบระบบตรวจรู้สภาวะโหลดทางไฟฟ้าแบบไม่ล่วงล้ำจำเป็นอย่างยิ่งที่จะต้องเก็บข้อมูลจำนวนมากของคุณลักษณะเฉพาะของอุปกรณ์ไฟฟ้าเพื่อนำมาวิเคราะห์ ในการออกแบบระบบจึงจำเป็นต้องอาศัยเครื่องมือและเทคนิคการประมวลผลที่รวดเร็วและแม่นยำในการวิเคราะห์และตรวจรู้สภาวะโหลดทางไฟฟ้าแบบไม่ล่วงล้ำ งานวิจัยนี้นำเสนอการพัฒนาระบบตรวจรู้สภาวะโหลดทางไฟฟ้าแบบไม่ล่วงล้ำโดยการประยุกต์ใช้เทคนิคการเรียนรู้เชิงลึกโดยอาศัยการประมวลสัญญาณในสภาวะสัญญาณทรานเชียนส์เท่านั้น ในการศึกษาและพัฒนาระบบที่นำเสนอนี้ได้แบ่งออกเป็น 3 ส่วนคือ 1) การอกแบบวงจรควบคุมกระแสและแรงดันร่วมกับอุปกรณ์ลอจิกแบบโปรแกรม (Field-programmable gate array: FPGA) 2) การเปลี่ยนแปลงลักษณะข้อมูลแบบเคอร์โตแกรม และ 3) การปรับปรุงโครงข่ายของเทคนิคการเรียนรู้เชิงลึกแบบคอนโวลูชัน ระบบที่ออกแบบได้ทำการทดสอบกับอุปกรณ์ไฟฟ้าจำนวน 5 ชนิดในสภาะการทำงานของเครื่องใช้ไฟฟ้าที่ละตัวและพร้อมกัน ( 2 ชนิด 3 ชนิด และ 4 ชนิด) เทคนิคของ F1-score และ Recall ถูกนำมาใช้ในการวัดประสิทธิภาพของระบบที่ออกแบบ ผลการทดลองพบว่า ระบบสามารถให้ประสิทธิภาพสูงสุดในการแยกแยะอุปกรณ์ไฟฟ้าในขณะที่กำลังเริ่มทำงาน หนึ่งชนิด สองชนิด สามชนิด และ สี่ชนิด ที่ร้อยละ 100, 99.95, 99.95 และ 99.85 และใช้เวลาน้อยสุดในการประมวลผลที่ 05.29, 05.35, 05.30 และ 05.12 นาทีตามลำดับ

The development of Non- Intrusive Load Monitoring ( NILM) is recently a key challenge for energy management systems and intelligent meters design. Designing a NILM is imperative to collect large amounts of electrical appliances characteristics for analysis, and system design requires fast and accurate processing tools and techniques for non- intrusive analysis and detection of electrical load conditions. This research presents the development of a NILM system by applying deep learning techniques based on the inrush current signal processing under transient signal condition only. The study and development of the proposed system are divided into three parts: 1) design of current and voltage control circuits with a field- programmable gate array (FPGA), 2) data pre- processing with the kurtogram technique, and 3) development of a convolutional neural network (CNN). The designed system was tested on five different electrical appliances while working individually and simultaneously (two types, three types, and four types). F1- score and Recall techniques were applied to evaluate the efficiency of the proposed system. The results showed that the system provided the maximum efficiency to classify appliances while working individually and simultaneously at 100, 99.95, 99.95 and 99.85%, and timeless processing at 05.29, 05.35, 05.30 and 05.12 min, respectively.