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

기술 요약: 섬유 산업의 동일 유도 모터 실시간 NILM 기반 전력 모니터링

문제 제기
방글라데시의 섬유 산업은 주요 경제 기여자이지만, 구식 모니터링 관행으로 인해 여전히 에너지 집약적입니다. 많은 시설의 현재 에너지 관리 방식은 수동 추적 또는 침습적 부하 모니터링 (ILM) 에 의존하는데, 이는 광범위한 센서 설치, 복잡한 배선, 그리고 높은 유지보수 비용을 요구합니다. ILM 은 상세한 데이터를 제공하지만, 대형 공장에서 확장하기 어렵고 가혹한 산업 환경에서의 보정 문제로 고통받고 있습니다. 비침습적 부하 모니터링 (NILM) 은 단일 집계 측정 지점에서 개별 가전제품의 소비량을 추정함으로써 비용 효율적인 대안을 제공합니다. 그러나 기존 NILM 연구는 주로 다양한 부하를 가진 주거 환경에 집중되어 있습니다. 실시간 저주파 모니터링 조건에서 동일 모터 구동 부하 (예: 섬유 절단 기계) 를 구별하기 위해 NILM 을 산업 환경에 적용하는 데에는 상당한 격차가 존재합니다.

방법론
저자들은 이러한 과제를 해결하기 위해 하드웨어 및 소프트웨어 프레임워크를 개발했습니다:

• 실험 설정: 이 시스템은 절단 기계를 나타내는 세 개의 동일한 50W 유도 모터와 보조 조명을 나타내는 두 개의 15W 전구 부하를 사용하여 섬유 절단 구역을 모의실험했습니다.
• 하드웨어 아키텍처:
  • 감지: ZMPT101B(전압) 및 ZMCT103C(전류) 센서가 메인 공급 라인 및 개별 부하 라인에서 데이터를 수집합니다.
  • 처리: Arduino Mega 2560 이 신호를 디지털화하고 실시간 전기 파라미터를 계산합니다.
  • 전송: ESP8266 Wi-Fi 모듈이 데이터를 클라우드 플랫폼으로 전송합니다.
  • 시각화: 데이터는 Google Sheets 에 저장되며, 로컬 20×4 LCD 와 원격 Blynk 모바일/웹 애플리케이션을 통해 시각화됩니다.
• 데이터셋 생성: 15 일 동안 팀은 평균 5 초의 샘플링 간격으로 180,631 개의 샘플을 수집했습니다. 데이터셋에는 집계 및 개별 부하 데이터를 모두 포착하는 16 가지 다른 부하 상태 조합이 포함되어 있습니다.
• 모델 선택: 이 연구는 Multi-Head Self-Attention(2DMA) 메커니즘을 활용하는 최첨단 모델인 MATNILM(Multi-Appliance-Task Non-Intrusive Load Monitoring) 을 사용합니다. REDD, UK-DALE 와 같은 주거용 데이터셋을 사용한 이전 연구와 달리, 이 모델은 새로 생성된 산업용 데이터셋으로 훈련 및 평가되었습니다.
• 훈련 전략: 시간적 부하 패턴을 보존하기 위해 데이터셋을 시간 순서대로 분할했습니다 (81% 훈련, 7.6% 검증, 11.4% 테스트). 모델은 특정 하이퍼파라미터 (배치 크기 32, 학습률 0.001) 로 미세 조정되었으며 제한된 데이터셋 크기를 처리하기 위해 데이터 증강을 활용했습니다.
• 평가 지표: 성능은 평균 절대 오차 (MAE), 신호 집계 오차 (SAE), F1-점수, 그리고 정규화 분해 오차 (NDE) 를 사용하여 평가되었습니다.

주요 기여

1. 산업용 데이터셋 생성: 이 논문은 실험적으로 테스트된 동일 유도 모터에서 파생된 새로운 데이터셋을 소개하여, 합성 데이터나 주거용 데이터에 의존하는 대신 섬유 산업 응용에 직접적으로 관련된 벤치마크를 제공합니다.
2. 통합 실시간 프레임워크: 저자들은 데이터 수집, 모델 배포, 원격 모니터링 (Blynk 를 통한) 을 결합한 완전한 시스템을 제시하여 오프라인 평가를 넘어 기능적인 산업 프로토타입으로 발전시켰습니다.
3. 동일 부하에 대한 평가: 이 연구는 대부분의 NILM 알고리즘이 어려움을 겪는 조건인 동일한 부하가 관련된 까다로운 시나리오에서 MATNILM 모델의 성능을 특별히 테스트했습니다.
4. 산업적 한계 식별: 이 연구는 NILM 이 산업적 맥락, 특히 동일 기계의 구별과 저주파 샘플링의 영향과 관련하여 직면하는 어려움을 명시적으로 강조합니다.

결과 및 통찰

• 집계 대 분해 성능: 시스템은 총 집계 에너지 소비량 추정 (평균 SAE 8.65%) 에서 합리적인 정확도를 보여주었습니다. 그러나 기기별 분해는 상당한 도전에 직면했습니다.
• 동일 부하의 영향: 단일 기계만 작동할 때 모델은 잘 수행되었습니다. 그러나 두 개 이상의 동일 모터가 동시에 작동할 때 성능은 급격히 저하되었습니다. 이러한 시나리오에서 모델은 종종 동일 단위 간에 에너지를 잘못 할당하여 더 높은 MAE(6.20W12.68W 범위) 와 더 낮은 F1-점수 (0.660.79) 를 초래했습니다.
• 상태 감지: 모델은 중첩된 전력 서명 때문에 동일 모터의 ON/OFF 전환을 구별하는 데 어려움을 겪었습니다. 반면, 비모터 부하 (전구) 는 더 효과적으로 추적되었지만, 정상 상태 크기에는 여전히 오차가 존재했습니다.
• 실시간 배포: 배포 후 시스템은 원격 접근성을 유지하며 기능적으로 작동했습니다. 실시간 테스트에서 F1-점수가 향상되어 (부하 존재 감지 개선) MAE 와 SAE 는 증가했는데, 이는 통제된 훈련 환경에는 존재하지 않았던 센서 노이즈 및 데이터 변화 때문일 가능성이 높습니다.

의의 및 주장
이 논문은 NILM 이 산업용 에너지 모니터링에 잠재력을 지니고 있지만, 동일 모터 구동 부하에 대한 적용은 현재 제한적이라고 결론지었습니다. 저자들은 그들의 작업이 실시간 저비용 모니터링 프레임워크의 실질적 실현 가능성과 남아 있는 특정 기술적 장벽을 모두 강조한다고 겸손하게 주장합니다.

이 연구는 이러한 맥락에서 고정밀 분해를 방해하는 주요 한계는 다음과 같다고 주장합니다:

1. 현재 모델들이 동일한 전력 서명을 구별하지 못함.
2. 분별에 필요한 과도기적 서명을 포착하지 못하는 저주파 데이터에 대한 의존성.
3. 모델 일반화에 대한 소규모 데이터셋의 제약.

저자들은 향후 개선이 더 높은 주파수의 데이터 수집, 더 크고 다양한 산업용 데이터셋, 그리고 동일 부하를 처리하도록 특별히 설계된 고급 딥러닝 접근법을 필요로 한다고 제안합니다. 그들은 동일 부하 분해 문제를 해결했다고 주장하는 것이 아니라 산업 환경에서의 현재 역량을 비판적으로 평가한 것입니다.