서 론

인공 지능(AI), 사물 인터넷(IoT), 스마트 그리드 및 스마트 전력 계량기(스마트 미터, Smart meter)의 급속한 발전은 지속 가능한 친환경 도시 개발 연구에서 의미있는 진전이 이루어지고 있다(Janik et al., 2020). 지속 가능한 친환경 도시 설계의 범위는 사용 가능한 에너지 자원의 효율성의 증대, 환경 보존 및 에너지와 관련한 사회적 거버넌스 개선 등 인간 생활과 밀접하게 관련된 전반적인 요소를 포함하여 수행된다. 지속 가능한 친환경 도시 설계에는 에너지 시스템의 지속 가능성과 완전한 자립을 달성하기 위해 에너지 자원의 효율적인 활용에 중점을 둔 에너지 관리가 필수적이다(Ibrahim et al., 2018). 에너지 관리에는 에너지 활용을 최적화하여 에너지를 절약하거나 에너지 소비를 줄이기 위해 전기 설비를 모니터링하고 제어하는 것은 필수 기술 요소로 대두 되고 있다.

이러한 에너지 효율과 관련한 산업계의 요구와 더불어 에너지 수요가 점차 증가함에 따라 탄소 중립과 같은 환경 이슈도 함께 중요해지고 있다. 에너지 소비의 무분별한 증가는 에너지 위기, 기후 변화로 이어지고 국가의 전체 경제에 영향을 미친다(Hazas et al., 2011). 에너지 소비는 탄소 배출량과 밀접한 연관이 있으며, 탈소 배출량이 점진적으로 증가하면 금세기 동안 온도가 세계 평균 온도 상승 등 기후 변화를 야기 할 수 있으며 빈번한 홍수와 가뭄, 해수면 상승, 전염병 확산 등 전 지구적 위험에 노출 될 수 있다(Huovila, 2007). 따라서 탄소 배출량은 기후 변화를 완화하기 위해 건물, 산업 및 운송 등 산업 전 분야에 걸쳐 가능한 모든 방법으로 감소시킬 수 있는 방안 모색이 필요하다.

전 세계 에너지 소비의 25~40%에 상응하는 이산화탄소 배출량은 일반 주거용 건물에서 발생한다(Elma and Selamoğullar, 2017). 따라서 탄소배출량을 줄이기 위한 주거/상업용 건물의 에너지 사용을 최적화할 필요가 있다. 건물의 에너지 소비는 에너지 효율을 설계 단계에서 고려하여 건물 설계 및 건설 하거나 기존 건물의 에너지 사용을 분석하여 에너지 비효율이 발생하는 지점을 파악하여 요소별 최적화를 수행하여 줄일 수 있다. 첫 번째 방식은 현실적으로 정부, 산업계 및 연구계의 다양한 분야의 전문가들이 조직적으로 융합하고 비용과 시간이 많이 소요되는 방법이다. 두 번째 방식은 고급 에너지 모니터링 시스템을 사용하고 책임감 있는 방식으로 에너지를 활용함으로써 실현 가능하다. 에너지 낭비는 건물의 에너지 소비를 모니터링하고 필요한 조치를 취하기 위해 소비자에게 다시 보고함으로써 방지할 수 있다. 소비자의 행동은 에너지를 효과적으로 활용하는 데 큰 영향을 미친다(Armel et al., 2013).

이를 위해서는 단일 스마트 미터를 통해 건물의 총 전력 소비를 가전기기 단위로 분해하는 비침입 부하 모니터링(NILM, Non-Intrusive Load Monitoring) 기술이 필요하다(Hart, 1992). NILM 시스템은 데이터 수집, 특징 추출, 이벤트 감지, 부하 식별 및 에너지 분해(energy disaggregation)와 같은 프로세스를 모두 포함하는 방법 또는 장치를 뜻한다. NILM 시스템은 기기의 on/off 상태 또는 가전기기의 특수한 상태를 감지하고 단일 스마트 미터를 통해 수집된 집계 에너지(aggregated energy)에서 가전기기 단위의 에너지 소비를 가전기기 단위로 분해하여 모니터링 할 수 있다.

NILM 시스템의 에너지 분해(energy disaggregation)는 가진기기 신호의 데이터 패턴에 대한 특징과 스마트 미터에 집계(aggregation)된 전력 신호 간 관계를 추출하기 위한 특징 추출단계(feature extration), 추출된 특징을 바탕으로 실시간 시계열 에너지 데이터를 회귀(regression)하는 단계로 나뉘어진다(Gopinath et al., 2020; Schirmer et al., 2020).

기존의 NILM 기술은 주로 미리 파악된 가전기기의 시계열 통계 특징을 바탕으로 특징 추출 기반 분해 방법(Feature Extraction based method)이 사용되었다. 대표적인 머신러닝 알고리즘으로 SVM (Support Vector Machines) (Assan et al., 2013), HMM (hidden Markov models) (Bonfigli and Squartini, 2020), DT (Decision Tree) (Bilski and Winiechi, 2017), K-Nearest Neighbors (KNN) (Kim et al., 2014)이 있고, 딥러닝의 진보 이전에 NILM 시스템을 구현하는 주된 방법이었다.

그러나 전통 머신러닝 기반의 알고리즘은 다음과 같은 이유로 실제 가정 이나 건물에서 사용하기엔 제약요소가 있다. 가전기기가 고도화 되며 복잡하고 다수의 상태를 가질 수 있는 추세이며, On/Off 외에 다른 상태가 있는 다중 상태 가전기기(Multi-state appliances), 그리고 냉장고와 같이 일정한 온도를 유지하기 위해 모터의 회전수를 실시간으로 조정하는 상태조정 기능이 연속적으로 이루어지는 무한 상태 가전기기(Infinite-state appliances)가 대부분의 건물에서 사용되기 시작하였다. 이러한 가전기기 경우에는 스마트 미터에 집계된 에너지 데이터에서 특징 추출이 효율적으로 이루어 지지 않는다.

최근 딥러닝 기반 NILM 기법이 우수 사례로 보고되며, 기존 기계학습 기반의 한계점을 여러 측면에서 뛰어 넘고 있다. Convolutional Neural Networks (CNN) (Murray et al., 2019), Recurrent Neural Networks (RNN) (Cavdar and Faryad, 2019) 및 Long Short-Term Memory (LSTM) (Kim et al., 2021), denoising autoencoder (dAE) (Garcia et al., 2017)를 사용하는 방법론, Gated Recurrent Units (GRU) (Murray et al., 2019) 등이 있다.

본 연구에서는 다변량 시계열 예측(multivariate time series forecasting)을 위해 고안된 Long- and Short-term Time-series network (LSTNet) (Lai et al., 2018)을 활용하여 가전기기 4종에 대해 실제 측정 유효전력 데이터를 대상으로 가전기기 단위의 분해를 수행할 수 있는 NILM 프레임워크 구현 방안을 제안한다. LSTNet (Lai et al., 2018)은 CNN과 RNN을 함께 사용하는 하이브리드 모델(Hybrid model)로써, NILM에서 목표로 하는 특징 추출과 시계열 회귀 및 예측에 적합하다. 데이터 전처리 과정, 학습 과정을 설명하고 NILM 프레임워크 구현에 있어 LSTNet 적용 유효성을 검증하고자 한다.

스마트 미터를 활용한 가전기기 전력 데이터 측정

가전기기는 전력 신호 분석 관점에서 3가지 타입으로 나뉠 수 있다(Salem et al., 2020). 3가지 타입으로는, 단일 상태(Single-state, Type1), 다중 상태(Multi-state, Type2) 그리고 무한 상태(Infinite-state 또는 Continuous variational state, Type3) 가전기기이다. 단일 상태(Type1) 가전기기는 사용자가 on /off 신호를 명령할 수 있고, on 명령으로 작동 할 수 있는 가전기기의 state는 1가지 뿐이다. 다중 상태(Type2) 가전기기는 사용자가 on 명령으로 두 가지 이상 state로 작동한다. 사용자가 on 신호와 동시에 가전기기의 상태가 결정되는 수동 입력 가전기기와 on 신호에 가전기기가 스스로 상태를 변경하면서 작동하는 자동 입력 가전기기로 나뉠 수 있다. 사용자가 수동으로 선택하여 작동하는 가전기기는 선풍기, 헤어드라이어와 같은 가전기기가 대표적이며, 상태가 스스로 바뀌는 가전기기는 세탁기가 대표적이다. 한번 켜면 꺼질 때까지 작동하면서 일정 상태를 유지하는 것이 아닌 연속적으로 상태를 컨트롤하는 무한 상태(Type3)가전기기가 있다. 대부분 일정한 입력 온도를 유지하기 위해 PID와 같은 컨트롤러가 내장되어 있는 가전기기가 대부분이다. 냉장고, 인덕션, 온도 조절장치가 대표적 사례이며 특정 온도나 사용자의 입력 값을 유지하기 위해 모터의 RPM을 조절하거나, 가전기기 내부저항으로 전류를 제어하므로 실제 전력특성은 가전기기 마다 다른 패턴으로 작동한다. 최근에는 가전기기가 고도화되고 스마트폰 연동 등 사용자 입력 상태와 가전기기의 상태의 복잡도(특히 Type2와 Type3의 혼합형 작동 기기)가 증가하는 추세이다.

NILM 기술의 특성을 고려하면 여러 가전기기 타입을 가진 신호가 동시에 집계되는데, 효율적인 에너지 분해를 위해 모든 가전기기 상태를 고정하지 않고도 학습이 가능해야 하며, 서로 다른 가전기기가 동시에 작동할 때와 독립적으로 작동할 때를 모두 인식할 수 있어야한다. 이에 본 연구는 Type1, Type2, Type3의 대표적인 기기를 모두 포함시키고, 동시 작동 및 가전기기별 독립작동 시간을 구분하지 않고 데이터셋을 구성하였다. 또한 일반적으로 가전기기의 상태가 변경되면 일정 시간 천이 상태(transient state)를 거쳐 다음 상태로 넘어가는데, 이 또한 고려하여 학습할 수 있도록 하였다. 본 연구를 통해 구성한 학습용 데이터를 학습하면 작동 중 여러 타입의 가전기기가 동시에 사용되거나 상태가 복잡하게 뒤섞인 상태가 입력되어도 신뢰도 높은 에너지 분해 결과를 기대 할 수 있다.

타입별 측정 가전기기로써, Type1 가전기기는 TV, Type2 가전기기는 세탁기 및 인덕션, Type3 가전기기로는 냉장고로 선정하였다. 한편 인덕션은 본 연구에서 Type2로 분류했으나, Type2와 Type3의 혼합된 전기 신호 특성을 가지고 있다. Figure 1은 세 가지 가전기기의 상태 타입을 설명하고 있으며 Type2의 경우에는 수동 상태 변경과 자동 상태 변경으로 세분화하여 나타내었다.

Figure 1.

Classification according to the state of home appliances

본 연구는 Figure 2와 같이 스마트 미터를 구성하여 경기도 오산에 위치한 5인 가구 아파트 1개 세대에서 4대 가전기기의 전력데이터를 측정했다. 스마트 미터의 하드웨어 명세는 Table 1과 같다. 스마트 미터는 Programmable Logic Controller (PLC)를 거쳐 이더넷(ethernet) 통신을 활용하여 데이터를 전송할 수 있도록 구성되며, 가전기기별 유효 전력, 4대 가전기기 전체의 유효 전력을 1초 단위로 약 3주 동안 측정했다.

Figure 2.

Configuration diagram of the power measurement of 4 types of home appliances to build a training dataset

학습 효율을 증가시키기 위해 측정데이터의 전처리는 잔류전력 제거, Low-pass 필터 적용 순으로 수행하였다(Figure 3). 잔류전력이란, 가전 기기가 꺼진 상태(off state)에서도 발생하는 미세한 전력을 뜻하며, Figure 3(a)와 같이 가전 기기별로 잔류전력을 제거 할 수 있는 최소 임계값(minimum threshold 또는 cut-off value)를 지정하였다. 냉장고의 경우 데이터 측정 중 꺼진 상태(off state)가 된 적이 없으며, Type 3에 해당하는 가전기기이므로, 잔류전력 제거를 위한 최소 임계값을 지정하지 않았다. TV와 인덕션의 경우 25 W, 세탁기의 경우 3 W로 지정했고, 잔류 전력을 제거한 데이터는 Figure 3(b)와 같다.

Figure 3.

Preprocessing of aggregated raw data. Setting the minimum threshold value for each appliance (a) and the result after cut-off (b), and the result of preprocessing after applying the low-pass filter (c)

가전제품별 전력 노이즈, 배선 노후화 등으로 노이즈가 발생한다. 특히 전력 노이즈는 고주파수 영역에 분포하는 경우가 많아 Low-pass 필터를 적용했다. 본 연구는 Butterworth filter (Butterworth et al., 1930)를 적용하여 전처리를 수행하였다. 앞서 언급한 잔류전력을 제거 후 Low-pass 필터 적용 결과는 Figure 3(c)와 같고, 4개 가전기기와 스마트미터의 유효 전력으로 구성된 최종 학습용 데이터셋을 도식화 하면 Figure 4와 같다.

Figure 4.

Active power plot of smart meter (“Main” at the figure) and 4 appliances showing a part of the entire training data as a time series after preprocessing

LSTNet을 활용한 NILM 프레임워크

문제 정의

중앙 전력 집계 담당 스마트 미터에서 집계된 전력 데이터는 식 (1)로 표현 될 수 있다.

Pagg는 스마트 미터에서 측정된 S개 가전기기의 집계된 유효전력이고 ps는 개별 가전기기별로 측정되는 유효전력이다. pg는 개별 가전기기의 유효전력 외에 측정되는 전력데이터이다. 이는 하드웨어에 연결된 물리적 결함으로 인해 발생하는 전력 손실, 가전기기와 스마트 미터가 작동하는 주변 환경 등에 의해 발생하는 오차 전력 값이다. 따라서 함수 f(p1,p2,⋯,ps,pg)는 전력의 집계(aggregation)을 뜻하는 함수이다. NILM 시스템에서 에너지 분해 알고리즘의 주된 목적은 스마트 미터에서 측정된 Pagg에서부터 Ps신호를 분해(disaggregation)하는 것이므로 에너지 분해 함수는 식 (2)와 같이 역함수 f-1(Pagg)와 같다고 할 수 있다.

p1^+p2^+⋯+ps^은 가전제품에 전력 측정장치를 통하지 않은 실제로 소모되는 유효전력을 뜻한다. f-1(Pagg)은 스마트 미터를 통해 집계된 Pagg의 가전기기별 분해를 의미하는 함수이며, P^는 분해 이후의 가전기기의 유효전력의 합이다. f-1(Pagg)의 해석해(analytic solution)를 찾아내는 것은 가전기기의 고도화 속도와 가전기기의 상태 복잡도의 증가를 고려할 때 비효율적인 접근법으로 판단되며, 딥러닝 프레임워크가 적용 되는 것이 유효해 보인다. 따라서 본 전력 분해 알고리즘은 식 (3)을 만족하는 최적해(optimal solution)를 찾는 함수에 대한 알고리즘으로 정의할 수 있다.

NILM 프레임워크를 위한 LSTNet

LSTNet은 다변량 시계열 예측(multivariate time series forecasting)을 위해 고안된 신경망 프레임워크이다. 이 프레임워크는 3개 레이어(CNN, RNN, Skip-RNN)로 이루어져 있으며 신경망을 통하기 전 자동 회귀 컴포넌트로 구성된다. 본 연구에서는 NILM 프레임워크의 적용을 위해 입력 데이터 차원을 스마트 미터의 데이터, 가전제품의 전력 데이터로 수정했고, 자동 회귀 컴포넌트는 삭제하여 NILM을 위한 LSTNet을 구성하였다. 본 연구는 LSTNet의 최적 파라미터를 도출하여 NILM 프레임워크에 적용 유효성을 검증하고자 하며, 본 연구에서 제안하는 수정된 LSTNet의 구조를 시각화하면 Figure 5와 같다.

Figure 5.

An overview of the Long- and Short-term Time-series network (LSTNet) for NILM framework

LSTNet의 첫 번째 레이어는 CNN으로 전력 신호의 시계열 단기 특징과 유효전력과 관계된 측정 데이터(전압, 전류, 피상전력, 무효전력, 역률 등)간의 종속성을 추출하는 역할을 수행할 수 있다. 본 연구에서는 시계열 단기 특징에 초점을 맞추어 진행되었으며 유효전력만을 사용하여 가전기기별 특징을 추출하도록 하였다. CNN는 너비 ω와 높이 n의 필터로 구성되며, 필터의 개수는 하이퍼파라미터로 설정하였다. 필터의 높이(n)는 가전 제품의 수와 동일하게 설정해야 특징을 효과적으로 추출 할 수 있다. CNN에서 기대해볼 수 있는 효과는 스마트 미터에서 집계된 다수의 가전기기의 복잡도가 높은 상태를 가진 전력 신호를 개별 가전기기의 전력 사용 패턴과 함께 학습하여 그 특징을 효과적으로 추출해는 것이다. CNN의 출력 차원은은(필터 개수 × 가전 제품의 개수 × 시간)으로 설정 할 수 있다. CNN에서 출력된 특징 데이터는 순환 레이어(Recurrent layer)와 Recurrent-skip레이어로 동시에 전달된다. 순환 레이어는 다수의 GRU (Gated Recurrent Unit, Chung et al., 2014)로 이루어진 순환 레이어이며 활성화 함수로 RELU 함수를 사용한다.

순환 레이어에서 주로 사용되는 대표적인 네트워크 구성 유닛은 GRU (Chung et al., 2014) 및 LSTM (Hochreiter and Schmidhuber, 1997)이 있다. LSTM 또는 GRU 유닛으로 구성된 순환 레이어는 시간 차원으로 학습을 진행하며 과거 정보를 기억하고 상대적으로 장기적인 시계열 종속성을 학습하여 미래 시계열 데이터를 예측 할 수 있도록 설계되었다. 그러나 기존의 단순 GRU 및 LSTM은 특징을 추출하는데 어려움이 있음과 동시에, 시계열 데이터 예측을 수행함에 있어 그래디언트 소실(Gradient Vanishing) 또는 폭주(Exploding)로 인해 실제 계측 데이터에서 장기 기억을 이용한 시계열 예측에는 한계점이 있다. LSTNet의 Recurrent-skip 레이어는 가전기기의 전력 시계열 데이터에서 주기적 패턴을 효과적으로 포착 할 수 있다. Recurrent-skip레이어를 통해 그래디언트 소실 또는 폭주로 인해 학습 중단 문제를 완화 할 수 있다. 이와 더불어 가전기기는 주기적으로 On/Off 신호가 반복되며, Off신호 경우에는 학습에 있어 기억을 위한 유닛을 효과적으로 활용 할 수 있다. 다중 상태 가전기기의 경우 Off 신호를 모두 건너뛰고 On신호를 주로 장기 기억에 활용하여 장기 상관관계 예측에 효과적으로 활용 할 수 있다.

LSTNet 최적 파라미터

하이퍼파라미터

본 연구에서는 다음과 같이 주요 하이퍼파라미터를 설정하여 비교 실험을 통해 LSTNet의 NILM적용을 위한 최적 파라미터를 제안하고자 한다. 먼저 특징 추출을 위한 CNN의 필터 개수는 스마트 미터에서 가전기기에 맞는 특징을 추출해내기 위해 필수적으로 최적 파라미터를 도출 해야한다. 필터가 적으면 가전기기별 유효한 특징을 추출하기가 어렵고, 필터가 과도하게 많으면 상태를 대표 할 수 있는 유효한 특징과 별개로 유효하지 않은 특징까지 추출하게 되어 이 또한 비효율적이다. 순환 레이어의 GRU 유닛의 개수는 집계된 스마트 미터의 시계열 장기 상관관계를 예측하는데 이용되며, 이 또한 LSTNet의 성능에 큰 영향을 미치는 파라미터로써, 최적 파라미터 도출이 필수적이다. Recurrent-skip 레이어의 스킵 유닛의 개수는 본 연구에서 목표로 하는 4종 데이터셋의 복잡하게 구성되어 있는 가전기기별 상태의 특징을 효과적으로 추출하는데 큰 기여를 할 수 있어 필수적인 파라미터라고 할 수 있다. 따라서 본 연구의 하이퍼파라미터로 CNN의 필터 개수와 순환 레이어의 GRU 유닛의 개수, 그리고 Recurrent-skip 레이어의 스킵 유닛은 총 3가지 파라미터를 선정하였다.

학습환경 및 평가지표

본 연구의 평가지표는 식 (4)와 같은 지표를 사용하였다(Kolter and Johnson, 2011).

t는 학습하는 현재 시간을 뜻하고 T는 데이터의 시간 차원 총 길이를 뜻한다. s와 S는 분해 하고자 하는 가전기기의 인덱스와 개수이다. pst는 해당 시간, 해당 가전기기의 유효 전력이다. 본 평가지표는 개별 가전기기의 전체 시간에 대해 오차를 각기 계산하여, 집계된 에너지가 제대로 분해 되었는지를 평가 할 수 있는 지표이다. 학습(train) 및 검증(validation) 데이터셋은 시간 기준으로 7:3의 비율로 구성하였다. 학습 및 검증 데이터셋을 대상으로 각각 계산하였을 때 Eacc 값을 Train acc 및 Val acc로 Table 2 에 나타내었다. 학습 환경은 CPU i7 계열 단일 서버, Nvidia RTX-3090 GPU를 사용하였다. 학습 에폭은 100으로 모든 실험에 동일하게 수행하였다.

결과

Table 2는 하이퍼파라미터를 9가지 케이스로 선정하여 학습한 결과이며, 1개 실험당 학습시간은 10~30시간이 소요되었다. 실험 1~5 는 CNN 필터(50,100), GRU 유닛 (50,100), Recurrent-skip 유닛(50,100)에 대해 각 학습을 수행하였다. 학습결과 3개 파라미터 모두 100 까지 파라미터를 최대로 설정해도 학습 및 검증 정확도가 상승 추세를 보였다. 3개 파라미터 중 하나라도 100 이하를 적용했을 때 정확도는 8% 미만으로 산출되었다. 특히 5번 실험 중에서도 CNN 필터 개수만 50개에서 100개로 설정했을 때 정확도 상승률이 약 7%로 가장 높았다. 또한 Recurrent-skip 유닛만 파라미터를 100으로 상승하여 설정했을 때 오히려 정확도가 약 1% 하락했다. 이는 특징 추출 및 시간 차원 간 데이터 관계성이 부족한 상태에서 데이터를 건너뛰는 효과가 과도하게 적용된 것으로 판단된다. 실험 6-9는 CNN 필터, GRU 유닛, Recurrent-skip 유닛의 파라미터를(100,100,100)를 기준으로 300까지 점차 늘리는 실험을 진행하였다. 실험 결과 (200,200,100) 의 파라미터 케이스에서 학습 세트 정확도 92.4%, 검증 세트 정확도 90.2% 로 가장 높은 신뢰도를 가진 최적 파라미터를 도출 할 수 있게 되었다. 특히 CNN 필터의 개수가 200개를 넘어 300개까지 증가 하였을 때는 정확도가 하락하였고, GRU 유닛은 200에서 300까지 늘렸을때 정확도 상승은 거의 없었으며, 오히려 학습 중 메모리 효율성이 떨어졌다. 마찬가지로 Recurrent-skip 유닛 파라미터를 200으로 설정하였을 때 정확도가 미미하게 감소 하는 것을 확인 하였다. Figure 6는 앞서 도출한 최적 하이퍼파라미터로써 CNN 필터, GRU 유닛, Recurrent-skip 유닛(200,200,100)을 적용하여 100에폭 학습 후 최종 추론(inference) 결과이다. y축은 정규화된 유효전력, x축은 시간 인덱스를 뜻한다. 정규유효전력의 시계열 그래프는 냉장고, 인덕션, TV, 세탁기에 대해 on/off 및 다중 상태, 무한 상태를 모두 잘 예측한 것을 나타낸다. 냉장고의 경우에는 꺼져 있는 시간이 거의 없고 특정 온도를 맞추기 위해 모터를 일정 간격마다 작동시키는데 그러한 형태의 상태 변경 지점을 모두 잘 추출하여 분해를 하였다. 특히 사용자가 냉동실 문을 열거나 했을때, 냉장고 내부 온도가 급격히 하락하게 되는데 그때의 상태 변화도 잘 예측했다(시간 인덱스 3000). 인덕션의 경우 사용자가 레버를 돌려 특정 온도로 설정하게 되는데, 그 온도는 수시로 바뀔 수 있다. 그러한 경우 전력 사용량 변화에 대해서도 상태 인식 및 분해를 잘 수행한 것으로 보인다. TV의 경우에는 대표적인 단일 상태 가전기기로써, on 지점을 잘 인식하여 분해하였다. 그러나 실제 전력 소모 패턴은 on 이후 선형적인 형태를 보이게 되는데 본 연구의 추론 결과는 선형이 아닌 일부 노이즈가 발생한 것으로 추론 되었다. 다른 가전기기와 함께 겹쳐지고 집계된 전력신호를 기반으로 추론한 결과이므로 다른 가전기기의 전력 신호의 일부가 TV 신호로 섞여 추론 한 것으로 보인다. 세탁기의 경우에도 작동 지점을 잘 추론 하였으며 작동 이후 자동으로 세탁, 행굼, 탈수 등 스스로 상태를 변화하는 지점도 잘 인식하여 분해한 것으로 보인다. 그러나 Figure 6의 시간 인덱스 1000-2000을 보면 전력 스파이크(spike)가 발생하였으며, 이후의 세탁기의 전력의 일부가 다른 가전기기로 잘못 인식 하는 경우가 발생하였다. 이는 일시적으로 가전제품의 정상적 상태가 아닌 이상 상태(anormal state)로 볼 수 있으며, 본 연구에서는 고려되지 않았다.

Figure 6.

The result of active power signal disaggregated from smart meter

결 론

본 연구에서는 NILM 프레임워크 구성을 위해 가전기기 상태를 3가지 타입으로 정의하고, 각 타입별 가전기기 4종에 대해 3주간 유효전력 데이터를 측정하였다. 실측 데이터를 학습용 데이터로 구성하기 위해 Low-pass filter 등 전처리를 수행하였다. 또한 딥러닝 기반의 시계열 데이터 학습을 통해 복잡한 가전기기의 상태를 추정 및 분해 할 수 있도록 하였다. 다변량 시계열 예측을 위해 고안된 LSTNet를 NILM 프레임워크에 적용하였으며, 모든 가전기기에 대해 작동 구간의 인식 및 분해가 효과적으로 이루어져 LSTNet의 유효성을 확인하였다. LSTNet의 주요 하이퍼파라미터를 선정하여 다수의 실험을 통해 최적 파라미터를 도출 하였다. 학습 데이터 정확도 92%, 검증 데이터 정확도 90% 를 확보 하였다. 향후 연구로써 유효전력 이외의 무효전력, 피상 전력 등의 가전기기 상태의 특징이 될 수 있는 다른 전력 데이터를 다변량 시계열 예측의 방법으로 상관 관계를 학습한 분해 알고리즘을 개발할 예정이며, 최적파라미터 도출의 자동화에 대한 연구를 수행할 예정이다.