Real Time NILM Based Power Monitoring of Identical Induction Motors Representing Cutting Machines in Textile Industry

Riepilogo Tecnico: Monitoraggio Energetico in Tempo Reale basato su NILM di Motori Induttivi Identici nell'Industria Tessile

Enunciato del Problema
L'industria tessile in Bangladesh è un importante contributore economico, ma rimane ad alta intensità energetica con pratiche di monitoraggio obsolete. La gestione energetica attuale in molte strutture si basa sul tracciamento manuale o sul Monitoraggio Intrusivo del Carico (ILM), che richiede un'estesa installazione di sensori, cablaggi complessi e costi di manutenzione elevati. Sebbene l'ILM fornisca dati dettagliati, è difficile da scalare in grandi fabbriche e soffre di problemi di calibrazione in ambienti industriali ostili. Il Monitoraggio Non Intrusivo del Carico (NILM) offre un'alternativa economicamente vantaggiosa stimando il consumo dei singoli elettrodomestici da un unico punto di misura aggregato. Tuttavia, la ricerca esistente sul NILM è prevalentemente focalizzata su ambienti residenziali con carichi diversificati. Esiste un significativo divario nell'applicazione del NILM a contesti industriali, specificamente per distinguere tra carichi azionati da motori identici (come le macchine da taglio tessili) in condizioni di monitoraggio in tempo reale a bassa frequenza.

Metodologia
Gli autori hanno sviluppato un framework hardware e software per affrontare queste sfide:

• Setup Sperimentale: Il sistema emula una sezione di taglio tessile utilizzando tre motori induttivi identici da 50W (rappresentanti le macchine da taglio) e due carichi a lampadina da 15W (rappresentanti l'illuminazione ausiliaria).
• Architettura Hardware:
  • Rilevamento: Sensori ZMPT101B (tensione) e ZMCT103C (corrente) acquisiscono dati dalla linea di alimentazione principale e dalle linee di carico individuali.
  • Elaborazione: Un Arduino Mega 2560 digitalizza i segnali e calcola i parametri elettrici in tempo reale.
  • Trasmissione: Un modulo Wi-Fi ESP8266 trasmette i dati alle piattaforme cloud.
  • Visualizzazione: I dati sono archiviati in Google Sheets e visualizzati tramite un LCD locale 20×4 e un'applicazione mobile/web remota Blynk.
• Creazione del Dataset: In un periodo di 15 giorni, il team ha raccolto 180.631 campioni con un intervallo medio di campionamento di 5 secondi. Il dataset include 16 diverse combinazioni di stati di carico, catturando sia dati di carico aggregato che individuale.
• Selezione del Modello: Lo studio impiega MATNILM (Monitoraggio Non Intrusivo del Carico Multi-Appliance-Multi-Task), un modello all'avanguardia che utilizza meccanismi Multi-Head Self-Attention (2DMA). A differenza di studi precedenti che hanno utilizzato dataset residenziali (REDD, UK-DALE), questo modello è stato addestrato e valutato sul nuovo dataset industriale creato.
• Strategia di Addestramento: Il dataset è stato diviso cronologicamente (81% addestramento, 7,6% validazione, 11,4% test) per preservare i pattern temporali del carico. Il modello è stato affinato con iperparametri specifici (dimensione del batch 32, tasso di apprendimento 0,001) e ha utilizzato l'aumento dei dati per gestire la dimensione limitata del dataset.
• Metriche di Valutazione: Le prestazioni sono state valutate utilizzando l'Errore Assoluto Medio (MAE), l'Errore Aggregato del Segnale (SAE), il punteggio F1 e l'Errore di Disaggregazione Normalizzato (NDE).

Principali Contributi

1. Creazione di un Dataset Industriale: Il documento introduce un nuovo dataset derivato da motori induttivi identici testati sperimentalmente, offrendo un benchmark specificamente rilevante per le applicazioni dell'industria tessile piuttosto che basarsi su dati sintetici o residenziali.
2. Framework Integrato in Tempo Reale: Gli autori presentano un sistema completo che combina l'acquisizione dei dati, il deployment del modello e il monitoraggio remoto (tramite Blynk), andando oltre la valutazione offline verso un prototipo industriale funzionale.
3. Valutazione su Carichi Identici: Lo studio testa specificamente le prestazioni del modello MATNILM in uno scenario impegnativo che coinvolge carichi identici, una condizione in cui la maggior parte degli algoritmi NILM fatica.
4. Identificazione delle Limitazioni Industriali: La ricerca evidenzia esplicitamente le difficoltà che il NILM incontra nei contesti industriali, in particolare per quanto riguarda la distinzione di macchine identiche e l'impatto del campionamento a bassa frequenza.

Risultati e Approfondimenti

• Prestazioni Aggregato vs. Disaggregato: Il sistema ha dimostrato una ragionevole accuratezza nella stima del consumo energetico aggregato totale (SAE medio dell'8,65%). Tuttavia, la disaggregazione per apparecchio ha affrontato sfide significative.
• Impatto dei Carichi Identici: Il modello ha funzionato bene quando era attiva una sola macchina. Tuttavia, le prestazioni sono peggiorate drasticamente quando due o più motori identici operavano simultaneamente. In questi scenari, il modello ha spesso allocato erroneamente l'energia tra le unità identiche, portando a un MAE più elevato (che va da 6,20W a 12,68W) e a punteggi F1 più bassi (0,66–0,79).
• Rilevamento dello Stato: Il modello ha faticato a distinguere le transizioni ON/OFF per i motori identici a causa di firme di potenza sovrapposte. Al contrario, ha tracciato il carico non motore (lampadine) in modo più efficace, sebbene le grandezze dello stato stazionario fossero ancora soggette a errori.
• Deployment in Tempo Reale: Dopo il deployment, il sistema è rimasto funzionale con accessibilità remota. Sebbene i punteggi F1 siano migliorati nel test in tempo reale (indicando una migliore rilevazione della presenza del carico), MAE e SAE sono aumentati, probabilmente a causa del rumore dei sensori e di spostamenti dei dati non presenti nell'ambiente di addestramento controllato.

Significato e Affermazioni
Il documento conclude che, sebbene il NILM abbia un potenziale per il monitoraggio energetico industriale, la sua applicazione a carichi azionati da motori identici è attualmente limitata. Gli autori affermano con modestia che il loro lavoro evidenzia sia la fattibilità pratica di un framework di monitoraggio in tempo reale a basso costo sia le specifiche barriere tecniche che rimangono.

Lo studio afferma che le principali limitazioni che impediscono una disaggregazione ad alta accuratezza in questo contesto sono:

1. L'incapacità dei modelli attuali di distinguere tra firme di potenza identiche.
2. La dipendenza da dati a bassa frequenza, che non riescono a catturare le firme transitorie necessarie per la differenziazione.
3. I vincoli dei dataset su piccola scala sulla generalizzazione del modello.

Gli autori suggeriscono che i futuri miglioramenti richiedono la raccolta di dati ad alta frequenza, dataset industriali più ampi e diversificati e approcci di deep learning avanzati specificamente progettati per gestire carichi identici. Non affermano di aver risolto il problema della disaggregazione di carichi identici, ma forniscono piuttosto una valutazione critica delle capacità attuali in un ambiente industriale.