ar
جامعة حكومية, تصفح الفرص المماثلة
سياق الكلام
كان تطوير المباني الأكثر ذكاءً واخضرارًا مجالًا موسعًا للبحث على مدار العقود الماضية. أحد المتطلبات الأساسية لمرافق الطاقة هو معرفة أنماط استهلاك الطاقة على مستوى الجهاز الفردي. لتقدير هذه الأنماط دون استخدام مقياس طاقة فردي لكل جهاز ، تتكون مراقبة الأحمال غير المتطفلة (NILM) في تصنيف الأحمال الكهربائية من خلال فحص توقيع استهلاك الطاقة المحدد للجهاز ضمن قياس الحمل المجمع الفردي. لذلك ، تعتبر الطريقة غير تدخلية حيث يتم جمع البيانات من لوحة كهربائية واحدة خارج المبنى الذي يخضع للمراقبة. وهكذا ، كان NILM مجالًا نشطًا جدًا للأبحاث مع اهتمام متجدد خلال السنوات الماضية [7]. يمكن أن تؤدي معرفة استهلاك الطاقة على مستوى المكونات لكل جهاز في المبنى إلى توفير كبير في استهلاك الطاقة ، وبالتالي يمكن أن تلعب NILM دورًا مهمًا في إدارة الطاقة وتقليل المباني والمنازل.
تطبيق آخر لمراقبة الأجهزة الكهربائية يتعلق بالأمن. في سياقات معينة ، من المهم التعرف على التوقيع الكهربائي لمعدات تكنولوجيا المعلومات المصرح بها ، والقدرة على اكتشاف ما إذا كانت الأجهزة غير المصرح بها ، خاصة أجهزة الكمبيوتر ، متصلة بالتيار الكهربائي. استنادًا إلى منصة SmartSense وعلى آثار استهلاك الطاقة للأجهزة الكهربائية الفردية ومراقبة الطاقة على مستوى المبنى ، فإن الهدف من هذا العمل الممول من مشروع Sniffer هو اكتشاف ومراقبة المعدات المتصلة بمصدر التيار الكهربائي باستخدام تقنيات التعلم الآلي المتقدمة .
مراقبة الحمل غير المتطفلة بمساعدة المستشعر
تم النظر في الطرق المختلفة لحل مشكلة تحديد الجهاز في NILM مع نتائج مثيرة للاهتمام. تشمل الميزات المطبقة في النهج القائم على التردد المنخفض بشكل أساسي تغيير الخطوة (أو الحافة) والحالة المستقرة [7]. في [8] ، يستخدم المؤلف نهجًا احتماليًا لمواجهة هذا التحدي. في الآونة الأخيرة ، أظهرت أساليب التعلم الآلي ، وخاصة الشبكات العصبية العميقة ، تحسينات كبيرة في مشاكل التصنيف على مدى السنوات القليلة الماضية وتم تطبيقها لتحسين NILM [6].
يمكن استغلال الاستشعار البيئي والمعلومات غير المتجانسة الإضافية لمعالجة بعض التحديات السائدة التي تواجه تقنيات NILM الحالية. اقترحنا عدة طرق لتحسين أداء خوارزمية NILM باستخدام البيانات المستخرجة من شبكات المستشعرات وقدمنا مفهوم مراقبة الحمل غير المتطفلة بمساعدة المستشعر [1-2]. باستخدام هذه المستشعرات البيئية ، واختبار العديد من الخوارزميات ، نظهر أن مراقبة بعض الأجهزة يمكن أن تحسن أداء NILM بشكل كبير. يمكن أن يكون اكتشاف حالة الجهاز باستخدام أجهزة الاستشعار المناسبة مهمة منخفضة التعقيد. على سبيل المثال ، يمكن التعرف بسهولة على تشغيل طابعة في مكان العمل باستخدام مستشعر صوت. يمكن أيضًا مراقبة الأضواء بسهولة بواسطة المستشعرات. بافتراض أن حالة الجهاز معروفة ، فإن المهمة المثيرة للاهتمام هي تقدير خصائص قوة الحالة المستقرة لجهاز ما ، على تتبع طاقة ذو طول كبير. في عملهم حول ViridiScope [9] ، طبق المؤلفون نظام مراقبة الطاقة عن طريق الاستشعار غير المباشر مع المعايرة التلقائية للتعلم الذاتي لكل مستشعر.
في [1] قدمنا ثلاث خوارزميات لحل مشكلة تقليل مستوى L1 في NILM وعرض النتائج على قياسات الطاقة التي تم الحصول عليها من نشر جهاز حقيقي. مع عدد صغير من الأجهزة ، تتراوح الدقة التي تم الحصول عليها من 75٪ إلى 99٪ ، اعتمادًا على معيار التسامح لتحديد الحالة المستقرة لجهاز معين. في [2] ، نعالج مشكلة عدم دقة NILM في سياق المباني الصناعية أو التجارية ، من خلال دمج البيانات من شبكة استشعار لاسلكية منخفضة التكلفة وذات أغراض عامة. لقد اقترحنا نهجًا جديدًا يعتمد على حل بسيط لتقدير قيم حمل الطاقة للحالات الثابتة على النوافذ المنزلقة للبيانات ذات الأحجام المختلفة. لقد أظهرنا مبدأ النهج وأظهرنا اهتمامه وتعقيده المحدود وسهولة استخدامه.
SmartSense: منصة شبكة استشعار لأبحاث المباني الذكية
مع 150 عقدة منتشرة في INRIA (Lannion و Rennes) ، تجمع منصة SmartSense العديد من البيانات المختلفة المتعلقة بالطاقة المستهلكة واستخدامها في المباني. تمهد هذه البيانات الطريق لعدد كبير من التطبيقات ، لا سيما في استخراج البيانات ، وتصنيف الحمل الكهربائي أو في معالجة أجهزة الاستشعار. تضم كل عقدة ما يقرب من 20 مستشعرًا: كاميرا ، الأشعة تحت الحمراء ، الصوت ، استشعار الطيف الراديوي ، بالقصور الذاتي بـ 9 محاور ، الرطوبة ، الضغط الجوي ، درجة الحرارة ، الضوء (أحمر ، أخضر ، أزرق ، أبيض ، UVA ، UVB) ، مسافة دقيقة تتراوح ، C02 + المركبات العضوية المتطايرة.
الأهداف
في سياق تحليل اختراق الشبكة الكهربائية ، تتمثل الخطوة الأولى في تحديد المعدات المتصلة بقطاع التثبيت (على سبيل المثال ، المبنى ، المصنع) بالاعتماد على تقنيات التعلم الآلي. يستخرج التعريف خصائص المعدات (مثل الكمبيوتر الشخصي ، والشاشة ، وشحن الهواتف المحمولة) عند توصيلها بالتيار الكهربائي. بعد ذلك ، تتم معالجة هذه التواقيع الكهربائية لإجراء تعلم متعمق واكتشاف وجود أو عدم وجود معدات معينة على تلك الشبكة. هدفنا هو الجمع بين الإشارات الكهربائية والبيانات التي تم الحصول عليها من أجهزة الاستشعار ومن الإشعاع الكهرومغناطيسي والتي ترتبط ارتباطًا وثيقًا بالتيار والطاقة التي يستهلكها جهاز كهربائي. نريد أيضًا تقييم ما إذا كان برنامج معين يتم تشغيله على جهاز كمبيوتر ويتم تشغيله كخادم (عملية في الخلفية) يمكنه إنشاء بعض التوقيعات الفريدة على الشبكة الكهربائية.
يعتمد نهجنا على صياغة التجزئة كمشكلة تحسين ، والتي تتمثل في تقليل الفرق بين خرج عداد الطاقة الرئيسي ومجموع الأجهزة المعاد بناؤها المفصلة ومن خلال حل مشكلة التحسين هذه لاكتشاف ما إذا كان الجهاز موصلاً أم لا على التيار الكهربائي . للتحقق من الصحة ، سنعتمد بشكل أساسي على النظام الأساسي SmartSense الذي يوفر آثار طاقة كهربائية في الوقت الفعلي (ولكن بتردد منخفض) لمختبرنا ، إلى جانب العديد من معلومات المستشعر.
لذلك ، سيركز هذا العمل على حل مشكلة التحسين هذه عن طريق اختيار الخوارزمية الصحيحة لتحليل التوقيع في هذا السياق وإجراء تجارب على تتبعات القوة الحقيقية ، لتدريب المحسن وتقييم أدائه. سيتم التحقيق بشكل خاص في خوارزميات التعلم الآلي مثل تحسين Bayesian أو التعلم العميق أو تحليل التردد الزمني.
المراجع
اختر البلد الذي توّد السفر إليه للدراسة مجانا أو العمل أو التطوع