Hidden Markov model for recognizing home appliances based on energy consumption measurements

Abstract

Denne oppgaven bruker strømforbruksmålinger til å lage et system som kan bruke strømforbruk til å forutsi om et apparat har vært av eller på i løpet av en gitt periode for å lage et strømsparesystem. Et system som dette vil hjelpe brukeren med bevissthet og lære om strømforbruket i hjemmet for bruk for strømsparing. Dette vil hjelpe en bruker å administrere eget strømforbuk i tilleg til å gi miljøfordeler. Ved å vite forbruksmønsteret kan et system som dette automatisk gi strømsparetips og periodebaserte rapporter.

For å lage et system som dette trenger man mye tid og målinger før det vil fungere som ønsket. Det overordnete målet er å bruke strømmålinger fra enkelte apparater for å lære forbruksmønsteret og forbruket til hver apparat. Deretter trenes en Hidden Markov modell for hvert apparat, basert på de individuelle målingene. Etter trening, vil disse modellene bli brukt med total strømforbruk for hjemmet til å forutsi om apparatene har vært på eller av i løpet av en tidsperiode.

En av de største utfordringene er å få nok data til å trene de individuelle modellene, og deretter bruke denne dataen til å trene modellene for de totale forbruksdataene. For å løse dette problemet er oppgaven delt opp i flere mindre delmål for å gi et bevis på konseptet. Den totale forbruksdataen for en dag inkluderer mye ulik data og det er vanskelig å identifisere ulike apparater. Videre forskning burde bruke tid på å trene modellen til å kunne brukes på de totale strømforbruksmålingene, og jobbe med å lage en god modell for det. Når man klarer å kjenne igjen ulike apparater fra de totale målingene, kan systemet automatisk gi rapporter og tips til strømsparing.

This paper uses energy consumption measurements to make a system that can use energy measurements to predict if an appliance has been on or off during a given period for the purpose of building an energy saving system. A system like this will help the user's awareness and learn energy consumption habits for the purpose of energy saving. This will help a user to manage their consumption at home, as well as giving environmental benefits. With the knowledge of the consumption pattern a system like this might be able to automatically give saving tips and periodical reports.

However, it needs a lot of time and measurements before it will be able to work as needed. The overall goal is to use energy measurements from single appliances to learn the consumption pattern and usage for each appliance. There will be trained a Hidden Markov model for each appliance, based on individual measurements. After training, these models will be used on the total consumption data for the home to classify weather the appliance has been on or off during a period.

One of the biggest challenges are to get enough data to train the individual models, and then use this data to train the models for the total consumption data. To address this, the task is parted up in different parts with smaller goals to give a proof of concept. The total consumption data for a day includes a lot of different data, and it it hard to identify individual appliances. Future research should spend time training the model to fit the total consumption measurements, and look into making a good model for it. When you are able to recognize different appliances in the total consumption measurements, the system will be able to automatically give reports and tips on energy saving.