Frequency invariant transformation of periodic signals for non-intrusive load monitoring
Transformée fréquentielle invariante des signaux périodiques pour le monitoring non intrusif des charges électriques
Résumé
This work is located in the area of Non-Intrusive Load Monitoring (NILM). The aim of NILM is to extract the individual power consumption of devices from the total power consumption. In order to develop the required algorithms, a new data set was generated and published. A non-linear signal transformation of the voltage and the current signal is a central component of this work. With this method changes of the mains frequency, as well as the variances of the sampling frequency, are deducted. Therefore, the method is called Frequency Invariant Transformation of Periodic Signals (FIT-PS). Different implementations of the method were examined regarding their quality and computational effort. Based on this signal representation a new improved event detector could be developed. The results were evaluated with our own data sets, as well as with already published data sets. The downstream feature extraction and classification is also based on the new signal representation. All information in the signal, as well as high-frequency signal components are used. A selection on certain signal components or feature is not required, which is advantageous in scenarios where initially not all devices or device combinations are known. With different classification methods, e.g. Naive Bayes Classifier, Support Vector Machine or Neural Networks, significantly better results could be achieved compared to standard signal forms.
Ces travaux rentrent dans le domaine du monitoring non intrusif des charges (NILM). L'objectif du NILM est d'extraire la consommation électrique individuelle des appareils à partir de la consommation électrique totale. Pour développer les algorithmes nécessaires, un nouvel ensemble de données a été généré et validé. La transformation non linéaire des signaux de tension et de courant est un élément central de ce travail. Cette méthode permet d’obtenir les modifications de la fréquence réseau ainsi que les variances de la fréquence d'échantillonnage. Par conséquent, la méthode est appelée Transformée des signaux périodiques par invariance de fréquence (FIT-PS). Différentes implémentations de la méthode ont été examinées pour leur qualité et leur coût de calcul. Sur la base de cette représentation, un nouveau détecteur d'événements amélioré pourrait être développé. Les résultats ont été évalués avec nos propres ensembles de données, ainsi qu'avec des ensembles de données déjà publiés. L'extraction et la classification des caractéristiques en aval sont également basées sur la nouvelle représentation du signal. Toutes les informations contenues dans le signal ainsi que les composantes du signal haute fréquence sont utilisées. Il n'est pas nécessaire de sélectionner certaines composantes ou caractéristiques du signal, ce qui est avantageux dans les scénarios où, au départ, tous les dispositifs ou combinaisons de dispositifs ne sont pas connus. Avec différentes méthodes de classification, par exemple le Naive Bayes Classifier, le Support Vector Machine ou les réseaux de neurones, il est possible d'obtenir des résultats nettement meilleurs que les formes de signaux standard.
Origine : Version validée par le jury (STAR)