NILM

תהליך ניטור עומסים בצורה לא פולשנית (באנגלית: Non-intrusive load monitoring, בראשי תיבות: NILM) הוא שם כולל לתהליך המיועד להפרדת מאפייני הספק פרטניים מתוך קריאת מסוכמת של אנרגיה, זאת על מנת להעריך את פעולתו של כל צרכן בנפרד.

תהליך זה מבוסס על קריאת מונה החשמל בנקודת כניסה יחידה (של בית, מבנה או מתחם) וניתוח קריאת המונה, תוך הפרדת מאפייני העומסים השונים, במטרה להעריך את צריכת האנרגיה הפרטנית של כל מכשיר ומכשיר.

הכלי הבסיסי המשמש את טכנולוגיית NILM הוא מונה חשמל אשר מפיק נתונים אודות הצריכה בזמן נתון, כחלופה הולמת וזולה לחיבור מכשירי ניתור על כל מכשיר ומכשיר.

רקע והגדרה

ניטור עומסים לא פולשני הומצא ב-MIT בתחילת שנות ה-80, על ידי צוות בניהולו של ג'ורג' וו. הארט^[1], מהנדס מכני בעל גישה לאלקטרוניקת הספק. המחקר של ג'ורג' מומן על ידי המכון האמריקאי לחקר החשמל (EPRI). צוות המחקר אף רשם פטנט^[2] על ההמצאה, בטרם פורסמה.

התהליך הבסיסי של NILM, כפי שהוגדר בפרסום המקורי, הוא ניתוח של קריאת המונה בהיבט שינויי מתח וזרם (או הספק) בנקודת הכניסה הרשת על מנת להסיק אילו מכשירים פועלים כרגע, תוך שימוש בתבניות התנהגות עבור צריכת האנרגיה הפרטנית של כל צרכן.

המטרה של תהליך NILM הוא להפריד בין העומסים השונים על ידי פירוק מאפייני ההספק לכל מכשיר ברשת, כאשר ההסתמכות היא על המאפיינים הפרטניים (כגון "חתימת אנרגיה") המשתנים בין מכשיר למכשיר. כך לדוגמה, אם נסמן את קריאת ההספק הרגעית של המונה כ- $P(t)$ , עבור רקע הזמן t. אז הפירוק של קריאה זו לפי צרכנים יהיה:

$P(t)=P_{1}(t)+P_{1}(t)+P_{2}(t)+...+P_{n}(t)$ , כאשר n הוא מספר הצרכנים הכולל והסימון $P_{i}(t)$ מייצג את צריכת ההספק הרגעית של הצרכן ה-i ברגע t.

תהליך NILM

ישנם סוגים רבים של תהליכי NILM, אולם רוב השיטות עוקבות אחר פורמט גנרי שיתואר להלן. אחד המרכיבים החשובים עליו מתבסס תהליך NILM הוא קיומו של מונה חשמל (והעדפה למונה חכם) אשר מפיק נתונים גולמיים בזמן אמת אודות צריכת האנרגיה.

שלבי תהליך NILM

קליטת המידע: המידע הנקלט מבוסס על פלט גולמי מהמונה.
זיהוי אירוע - החלטה בדבר קיומו של אירוע מתוך המידע הנקלט. הזיהוי מבוסס על הגדרה מקדימה של "מהו אירוע". כך לדוגמה, אירוע יכול להיות שינוי קיצוני במאפייני ההספק.
הוצאת מאפיינים - חישוב מאפייני ההספק הנדרשים עבור הזיהוי. כך לדוגמה המאפיינים יכולים להיות הפרשים בין קריאות מונה בזמנים נתונים. הוצאת המאפיינים תלויה בבחירה מקדימה של המאפיינים לניתוח.
זיהוי עומס - השוואת המאפיינים שהוצאו אל בסיס נתונים קיים, על מנת לקבוע מהו הצרכן המזוהה (או קביעה שזהו צרכן חדש שלא זוהה בעבר).
יצירת רשומה - תיעוד הזיהוי ופרטיו לצורך שימוש המשתמש או יישום כלשהו אחר המפיק תועלת משירותי NILM.

מחקר

ישנן גישות רבות ומגוונות של מחקר NILM. אנו נמנה מספר כיוונים מקובלים.

קצב דגימה

באופן גס, ניתן לחלק את פלטי המונים החכמים לשני סוגים עיקריים:

קצב נמוך - קצב של אחת לשנייה או איטי מכך (קרי: 1Hz).
קצב גבוה - קצב של מעל לאחד לשנייה.

רוב המונים ברמת המשתמש הביתי הם מונים בקצב נמוך, לפי ההגדרה הנ"ל ולכן עיקר המחקר כיום מרוכז בקצבים הנמוכים.

למידה

בהיבט הלמידה, נוהגים להפריד בין שני סוגי אלגוריתמים:

אלגוריתם מנוהל (Supervised) - משתמש במידע מקדים אודות המכשירים ברשת ו/או בשלב מקדים של "אימון", עליו יבוסס הזיהוי הבסיסי של סט הנתונים.
אלגוריתם לא-מנוהל (Unsupervised) - המודל לזיהוי הצרכנים יבוסס על המידע הנאסף בזמן אמת, ללא אימון או למידה מקדימה.

ככלל, אלגוריתם לא-מנוהל מייצג שיטה רצויה וגמישה יותר, אולם קשה בהרבה למימוש.

אופטימיזציה

קיימות שיטות רבות ומגוונות לאופטימיזציית זיהוי הצרכנים ברשת. השיטה הבסיסית ביותר היא "אופטימיזציית הפרדת המאפיינים" (מאנגלית: Feature Separation Optimization), אשר היא גישה המכוונת ליצירת רווחים גדולים ככל הניתן בין חתימות ההספק של הצרכנים המזוהים, כך שכל תוספת של רעש נתונים מקשה על ההפרדה.

שיטות אופטימיזציה נוספות כוללות שימוש בהרגלי הצריכה המזוהים (למשל שעה אופיינית ביממה להפעלת מכונת כביסה), זיהוי תבניות חוזרות בצריכת ההספק של המכשירים וכדומה. כך לדוגמה שיטת MCE (מאנגלית Modified Cross-Entropy) משתמשת בכלי אופטימיזציה בשם Cross-Entropy לצורך מיטוב התוצאות כחלק מיישום NILM ^[3].

סט-נתונים

בעבר, מדידות וסימולציות של NILM התבססו על מידע גולמי שהופק במעבדה, עבור הניסוי. המגמה ההולכת ומתהווה במחקרי NILM היא שימוש בסטי נתונים ציבוריים, כגון REDD^[4] או AMPds^[5], אשר כוללים מדידות רבות וברות-השוואה בין מחקרים.

שימוש מיועד

באופן כללי, ניתן להבדיל בין מערכות NILM המיועדות להקטנת צריכת אנרגיה ובין אלו המיועדות לזיהוי של תופעות שונות (כגון תקלה במכונת ייצור במפעל).

יש לציין כי רוב המחקר הנוכחי של NILM מרוכז ביישומי הפחתת הצריכה האנרגטית.

סוגי עומסים לזיהוי

נוהגים להבדיל בין סוגי עומסים וסוגי חתימות עומס שונים על ידי חלוקה למספר קטגוריות בסיסיות^[6]:

סוג I: מכשירי הפעל/הפסק פשוטים, המהווים את רוב הצרכנים הביתיים, כגון נורת חשמל ומצנם.
סוג II: מכונת מצבים סופית (מאנגלית: Finite-State-Machines, בראשי תיבות FSM). סוג זה של מכשירים פועלים בכמה מצבי צריכה, בדרך כלל גם בצורה מחזורית. דוגמאות נפוצות הן מכונת כביסה ומדיח כלים.
סוג III: מכשירים המשנים את מאפייני הצריכה בצורה משתנה ולעיתים אף לא צפויה. דוגמאות: כלי עבודה ועמעמים.
סוג IV: מכשירי צריכה קבועה, אשר בדרך כלל אינם כבים, כגון מערכות אזעקה, גלאי עשן וממירי טלווזיה.

דוגמאות לשימושים

ישנם שימושים רבים ל-NILM. להלן נפרט כמה מהם:

מערכות ניטור ביתיות (מאנגלית: Home Energy Management Systems, בראשי תיבות HEMS). מערכת HEMS היא אמצעי להפחתת צריכת האנרגיה בסביבה הביתית על ידי ניטור זמן-אמת ותזמון הפעלת מכשירים. שילוב מערכות NILM ביישומי HEMS נועד להפיק משוב חוזר של המלצות עבור המשתמש הביתי^[7], תוך ניבוי מראש של עלות ההפעלה של כל מכשיר בבית.
מערכות סיוע לסביבת חיים (מאנגלית Ambient Assisted Living, בראשי תיבות AAL). המונח מתייחס לאמצעי סיוע לאוכלוסייה המבוגרת, אשר נועדו לסייע למוגבלויות שונות ולאתר סממני אזהרה בריאותיים^[7]. השילוב של NILM ביישומי AAL כולל איתור תבניות צריכה והשוואה חוזרת אל תבניות אלו (כך למשל הפעלת מזגן קיצונית העלולה לסכן חיי אדם דמנצי שאינו כשיר להפעלת המזגן). כמו כן מנגנון השילוב עם AAL כולל בדרך כלל ממשק אנושי כלשהו אל מוקד סיוע.
מערכות חימום, אוורור וקירור (מאנגלית: Heating, Ventilation, and Air Conditioning, בראשי תיבות HVAC). אלו מערכות לשליטה על טמפרטורה ואוורור בסביבה הביתה. המערכות כוללות בדרך כלל שילוב של אמצעי הסקה, מיזוג וניתוב אוויר. השילוב של NILM במערכות אלו קשור לשליטה באמצעי המיזוג ומעקב אחר פעולתם, כאשר המוטיבציה היא (בדרך כלל) הפחתת הצריכה הביתית הכוללת.

ראו גם

מונה חשמל

הערות שוליים

^ Hart, G. W. (1992). "Nonintrusive appliance load monitoring". Proceedings of the IEEE. 80 (12): 1870–1891. doi:10.1109/5.192069.
^ U.S. Patent 4,858,141
^ R. Machlev, Y. Levron, Y. Beck, Modified Cross Entropy method for classification events in NILM system, IEEE Trans. Smart Grid, Sep. 2018
^ Kolter, J.Z.; Johnson, M.J., REDD: A Public Data Set for Energy Disaggregation Research, Proceedings of the Sust KDD Workshop on Data Mining Applications in Sustainability, San Diego, CA, USA, August 2011; pp. 1–6.
^ S. Makonin, F. Popowich, L. Bartram, B. Gill, I. V. Bajic, AMPds: A public dataset for load disaggregation and eco-feedback research, Electrical Power & Energy Conference (EPEC), pp 1-6, Aug 2013.
^ Ahmed Zoha , Alexander Gluhak , Muhammad Ali Imran and Sutharshan Rajasegarar, Non-Intrusive Load Monitoring Approaches for Disaggregated Energy Sensing: A Survey", Sensors 2012, 12, 16838-16866
^ ^7.0 ^7.1 Antonio Ruano, Alvaro Hernandez, Jesus Ureña, Maria Ruano, NILM Techniques for Intelligent Home Energy Management and Ambient Assisted Living: A Review, Energies 12, 2019-06-10, עמ' 2203 doi: 10.3390/en12112203

הערך באדיבות ויקיפדיה העברית, קרדיט,
רשימת התורמים
רישיון cc-by-sa 3.0

30089932NILM

[1] Hart, G. W. (1992). "Nonintrusive appliance load monitoring". Proceedings of the IEEE. 80 (12): 1870–1891. doi:10.1109/5.192069.

[2] U.S. Patent 4,858,141

[3] R. Machlev, Y. Levron, Y. Beck, Modified Cross Entropy method for classification events in NILM system, IEEE Trans. Smart Grid, Sep. 2018

[4] Kolter, J.Z.; Johnson, M.J., REDD: A Public Data Set for Energy Disaggregation Research, Proceedings of the Sust KDD Workshop on Data Mining Applications in Sustainability, San Diego, CA, USA, August 2011; pp. 1–6.

[5] S. Makonin, F. Popowich, L. Bartram, B. Gill, I. V. Bajic, AMPds: A public dataset for load disaggregation and eco-feedback research, Electrical Power & Energy Conference (EPEC), pp 1-6, Aug 2013.

[6] Ahmed Zoha , Alexander Gluhak , Muhammad Ali Imran and Sutharshan Rajasegarar, Non-Intrusive Load Monitoring Approaches for Disaggregated Energy Sensing: A Survey", Sensors 2012, 12, 16838-16866

[:0-7] 7.0 ^7.1 Antonio Ruano, Alvaro Hernandez, Jesus Ureña, Maria Ruano, NILM Techniques for Intelligent Home Energy Management and Ambient Assisted Living: A Review, Energies 12, 2019-06-10, עמ' 2203 doi: 10.3390/en12112203

[1]

[2]

[3]

[4]

[5]

[6]

[7]

NILM

תוכן עניינים

רקע והגדרה