ارائه يك رويكرد جديد پايش غير مداخله‌گر بار بر اساس استخراج ماتريس ويژگي و مدل يادگيري ماشين KNN

در سال‌هاي اخير علاقه به انجام تحقيقات بر روي پايش غير مداخله‌گر بار به دليل افزايش مصرف انرژي الكتريكي به ‌شدت در حال افزايش است. تحقيقات مختلف نشان داده‌اند كه در صورت پياده‌سازي روش‌هاي پايش غير مداخله‌گر بار به‌غيراز مزاياي مختلفي چون پاسخگويي بار، افزايش دقت پيش‌بيني‌هاي مصرف و غيره موجب افزايش سطح صرفه‌جويي در ساكنان ساختمان‌هاي مسكوني خواهد شد. در سال‌هاي اخير با پيشرفت روش‌هاي مبتني بر يادگيري عميق استفاده از اين روش‌ها نيز به‌منظور تفكيك بار مصرفي بسيار افزايش پيداكرده است. با اين‌ وجود مهم‌ترين مشكل اين روش‌ها نياز به سخت‌افزار پيچيده به‌منظور آموزش و بررسي روش‌ها است. به همين دليل نياز است تا سيگنال توان نمونه‌برداري شده از كنتور هوشمند به مراكز پردازش داده منتقل‌شده و مورد تجزيه‌وتحليل قرار گيرد. اين كار علاوه بر نياز به شبكه‌هاي ارتباطي پرسرعت امنيت داده‌ها را نيز به خطر مي‌اندازد. با توجه به نكات بيان‌شده در اين مقاله يك روش پايش غير مداخله‌گر بار بر اساس استخراج ماتريس ويژگي از سيگنال فركانس لحظه‌اي به‌دست‌آمده از سيگنال توان لوازم‌خانگي ارائه ‌شده است. مهم‌ترين ويژگي روش ارائه ‌شده افزايش دقت مدل نزديك‌ترين همسايه (KNN) كلاسيك است. روش ارائه ‌شده با استفاده از داده‌هاي دسترسي آزاد با نام EMBED كه شامل اطلاعات مصرف سه آپارتمان مختلف است مورد تجزيه‌وتحليل قرارگرفته است. نتايج به‌خوبي نشان مي‌دهد كه مدل KNN در زمان استفاده از داده‌ها ماتريس ويژگي مورداستفاده در اين مقاله از دقت بسيار بالاتري در مقابل ديگر روش‌هاي استخراج ويژگي برخوردار است.