Распознавание потребителей электричества в сети

    Что мы думаем, когда видим показания счетчика электроэнергии? Наверное, большинство из нас сразу переводят набежавшее за последний месяц число в рубли, которые необходимо будет отдать за столь нужную в наш век услугу. Некоторые задумываются о том, как снизить потребление из заботы о нашей планете (за что таким людям я выражаю огромное уважение, в отличие от тех, кто хочет "заморозить" счетчик исключительно из заботы о кошельке). Какой бы ни была мотивация, хочется потреблять поменьше электроэнергии. Но трудно понять, что для этого можно сделать с минимальным уроном своим привычкам и комфорту, просто глядя на счетчик. Но если посмотреть на то, какие устройства ответственны за "поедание" электричества у нас дома, то можно выделить наименее полезные из них и выкинуть их из окна постараться, например, пользоваться ими поменьше.

    Но ходить с блокнотом и записывать времена включения-выключения приборов не кажется хорошей идеей - тем более, в случае холодильника пришлось бы сидеть и слушать моменты включения компрессора. Значит, единственно верный путь - автоматизация этого процесса.

    Наши рассуждения привели нас к довольно актуальной на сегодня задаче - распознавание потребителей в сети (англ. power disaggregation), причем очень желательно избежать дополнительных серьезных вложений в средства измерения. Ведь устанавливать отдельный счетчик (пусть и самый простой) на каждую розетку - довольно затратный выход, как с точки зрения финансов, так и времени, требуемого на их монтаж и настройку.

    если вам кажется, что чего-то не хватает, то это тут

    Давайте посмотрим, какие подходы используются для ее решения. Начать стоит с пристального взгляда в доступные данные - помогает всегда. Просмотрев различные датасеты, можно разбить их на группы по частоте сбора данных. Тогда у нас появится три принципиальных сценария:

    1. Данные с высокой частотой

    2. Со средней частотой

    3. И с низкой частотой

    (Подразумевается высокая/низкая частота в сравнении с током в розетке). Для каждого из этих сценариев есть свои хорошо работающие методы, о которых и пойдет речь далее.

    1. Высокочастотные данные и нейросети

    Одним из примеров данных, собранных на высокой частоте, является датасет PLAID. Он включает в себя измерения по 11 типам приборов на частоте 30 кГц, собранные индивидуально для каждого устройства. Да, это немного противоречит нашему пожеланию об отсутствии большого числа приборов-измерителей, но вдруг результаты перевесят этот недостаток?

    Поскольку 30 кГц - это намного больше, чем частота тока в наших розетках, есть смысл посмотреть на картины зависимости напряжения от тока V(I) в течение периода. Получается примерно следующее:

    Источник: https://github.com/jingkungao/PLAID/blob/master/ParseData.ipynb
    Источник: https://github.com/jingkungao/PLAID/blob/master/ParseData.ipynb

    Как видно, разные устройства обладают различными характерными кривыми (что-то похожее на фигуры Лиссажу, которым заметно поплохело). Но если эти фигуры различимы даже глазами, значит, можно попробовать на их основе классифицировать сами устройства?

    Да, можно, и тут на помощь приходят нейросети. Тем более, сверточные сети вроде как умеют натренировываться на некие геометрические примитивы, из которых, по сути, и состоят графики. В этой статье исследователи пошли описанным выше путем: по данным за несколько периодов (5, 10 или 20) строился график в осях V-I, затем он сжимался до размеров 50х50 и подавался на вход свёрточной нейросети. В результате F-score, использовавшийся в этой работе для оценки точности, составил порядка 0,7 на датасете PLAID, для некоторых классов достигая величин > 0,9.

    Архитектура нейронной сети, использовавшейся для классификации графиков
    Архитектура нейронной сети, использовавшейся для классификации графиков

    Но обязательно ли идти на такие сложности, как построение графиков и использование на них сверточных сетей? Ведь если рассматривать данные за период, то получается, что у нас есть 600 отсчетов тока и 600 отсчетов напряжения (здесь числа указаны в предположении о том, что частота тока в сети - 50 Гц. Если Вы найдете в оригинальных статьях другое количество значений за период, то, возможно, это связанно с другой частотой тока в сети в других странах).

    Оказывается, нет. Можно просто подавать нейросети сырые данные тока и напряжения за период и надеяться на лучшее. Способ, который первым приходит в голову - сделать сеть, на выходе предсказывающую 1 из всех классов на основе данных за период. Но не все так просто. В этом исследовании для классификации используется ансамбль из двухслойных полносвязных нейросетей, каждая из которых решает задачу бинарной классификации - то есть, классы сравниваются попарно, а истинный класс устройства выбирается взвешенным голосованием всех моделей (т.к. классов 11, получается С(11, 2) = 55 моделей).

    По словам авторов, такая структура стабильно показывала более высокую точность по сравнению с предсказанием 1 из 11 классов, добиваясь результата в 88%.

    Одна из сетей ансамбля, решающая задачу попарного предсказания класса устройства
    Одна из сетей ансамбля, решающая задачу попарного предсказания класса устройства

    В заключение об этом подходе в целом: он действительно интересный и замечательно применим для классификации устройств по одному. Но у него есть 2 принципиальные проблемы.

    Во-первых, огромный объем собираемых данных (30000 * 2 = 60000 значений/сек), который нужно передавать и обрабатывать. Во-вторых, неясно, как поведет себя модель, если стоит задача распознать N > 1 устройств по одному входному "измерителю". Будут ли репрезентативными графики за период? Или из-за наложения все смешается в неразличимую кашу? А такой сценарий весьма реален - например, когда в розетку с измерителем включается удлинитель, а в него - несколько устройств.

    Этот вопрос не был освещен ни в одной статье. Кажется, что это реальная проблема метода, поэтому перейдем к другим подходам.

    2. Низкочастотные данные и статистические модели

    Рассмотрим подход с совершенно другой стороны - анализ данных с низкой частотой сбора. Под низкой частотой будем понимать все данные с периодом больше минуты. Для такого типа задач хорошо работают статистические модели, такие как ARIMA и SARIMA.

    Очень коротко про ARIMA модель

    ARMA-модель объединяет в себе 2 идеи: авторегрессии (AR) и скользящего среднего (MA):

    • авторегрессия означает, что каждый из членов временного ряда зависит от предыдущих. Порядок авторегрессии - число предшествующих членов, которые оказывают влияние на текущий. Например, AR-процесс второго порядка:

    X_{t} = c + a_{1} X_{t-1} + a_{2} X_{t-2}
    • процесс со скользящим средним - текущий член ряда моделируется с помощью случайных ошибок предыдущих членов. Порядок процесса снова определяется числом учитываемых слагаемых. Пример:

    X_{t} = c + b_{1} \epsilon_{t-1} + b_{2} \epsilon_{t-2}

    Вооружившись этими знаниями, несложно осознать, что происходит в ARMA-процессе. В ней каждый член ряда описывается константой с, авторегрессией порядка p, процессом со скользящим средним порядка q и случайным отклонением:

    ARMA(p, q): X_{t} = c + \sum_{i=1}^{p}a_{i}X_{t-i} +  \sum_{j=1}^{q}b_{j}X_{t-j}

    ARIMA-модель эксплуатирует ту же идею и применяется в случаях, когда с помощью ARMA-модели нужно описать не сам член ряда Y{t}, а разность между членами Y{t - d}. Чаще всего используется d=0 (то есть чистый ARMA-процесс) или d=1. Такое преобразование позволяет избавиться от тренда, и с помощью этого сделать число значимых в авторегрессии челнов значительно меньше:

    Переход от ARMA к ARIMA модели. Сверху - фактические значения, снизу - попарные разности
    Переход от ARMA к ARIMA модели. Сверху - фактические значения, снизу - попарные разности

    Невероятно полезной идеей является сезонная ARIMA-модель (SARIMA). Она добавляет три новых гиперпараметра для указания порядка авторегрессии (AR), разности (I) и скользящего среднего (MA) для сезонной составляющей ряда. То есть, теперь текущий член ряда зависит не только от непосредственных предшественников, но и от членов, стоящих на "сезонном" удалении от него. Например, если у нас есть ежемесячные данные, то учесть тот же месяц прошлого года нужно использовать "сезонное удаление" (лаг) 12. Вот как сезонность может помочь в описании поискового запроса песни "All I Want For Christmas Is You":

    Данные взяты из Google Trends.
    Данные взяты из Google Trends.

    Видно, что пытаясь предсказать популярность запроса, связанного с этой песней, хорошей идеей будет смотреть на данные не за прошлый месяц, а за тот же месяц прошлого года.

    ARIMA-модели хорошо подходят для предсказания суточных/недельных/прочих циклов суммарного потребления. Например, для планирования потребления целых районов и максимально эффективного производства и распределения энергии с электростанции. В этой статье с помощью достаточно простых SARIMA-моделей (второго порядка и в основной, и сезонной части) авторы смогли получать весьма точные предсказания потребления электричества целого кампуса университета. А в этом исследовании SARIMA-модель показала точность прогнозирования потребляемой в США электроэнергии, сравнимую с нейросетями (при этом статистическая модель легко интерпретируема и имеет заметно более простую структуру).

    Как видно из примеров, подход с измерениями на очень низкой частоте тоже имеет много практических приложений - в основном связанных с анализом относительно долгосрочных периодов времени, но, скорее всего, не подходит для распознавания потребителей в сети. Хотя бы потому, что за один период можно успеть какой-нибудь прибор включить и выключить - и он без следа растворится в пропасти между отсчетами.

    Тут стоит оговориться: если снимать какие-то интегральные величины, а не мгновенные значения, то след все же останется. Например, фотографируя счетчик раз в 2 минуты мы все же заметим включение какого-то прибора на 1 минуту. Но без мгновенных данных не представляется возможным решить задачу классификации потребителей - ведь просто по разности потребленных киловатт-часов за 2 минуты нельзя сказать, грели ли мы еду в микроволновке минуту или пылесосили комнату 2 минуты.

    3. Данные со средней частотой и... и что с ними делать-то?!

    Кажется, мы рассмотрели обе крайности - высокую и низкую частоты сбора показаний. И ни один из этих подходов не видится идеальным для задачи распознавания устройств, включенных в сеть. Быть может, присмотреться к золотой середине? Тем более, есть поле для экспериментов - в этой середине лежит датасет REDD, данные в котором собирались с частотой 1-3 секунды.

    Сразу развеем иллюзии о применимости методов, описанных выше. Поскольку период тока в розетке составляет 1/50Гц = 20мс, с частотой сбора порядка секунды не имеет смысла надеятся уловить хоть какую-то структуру поведения тока и напряжения за период. Авторегрессии преследует другая крайность: допустим, у нас есть холодильник, включающий компрессор раз в 10 минут. Тогда, чтобы предсказать это, модели нужно "помнить" 10 * 60 = 600 лагов (при этом на практике я не видел, чтобы порядок ARIMA-моделей превосходил 7-8). Стоит ли говорить, что получающаяся таким образом модель невероятно сложна и очень долго считается...

    Частичная функция автокорреляции для данных потребления холодильника.
    Частичная функция автокорреляции для данных потребления холодильника.

    Подождите, но есть же прекрасная идея, называющаяся сезонностью - она позволяет подстраиваться под периодичность в данных, которые мы желаем предсказывать авторегрессией. Но, к сожалению, тут она вряд ли применима, потому что у всех наших устройств разные периоды включения-выключения (об этом ниже). Она могла бы помочь точнее аппроксимировать данные по суткам, неделям и так далее, но внутри одних суток кажется бесполезной.

    Итак, и эта идея не работает на наших данных. Но взгляд на ARIMA-модели позволил нам сформулировать один из возможных подходов к распознаванию потребителей: а давайте помнить, кто у нас включен, а кто выключен, и подстраивать состояния устройств под суммарное показание мощности. И для воплощения такой идеи очень хорошо подходят скрытые марковские модели.

    Немного о скрытых марковских моделях

    Марковская цепь - это последовательность случайных событий, где вероятность наступления каждого события зависит от состояния, достигнутого в предыдущем событии. Основное свойство - независимость от прошлого - можно представить себе так: мы стоим у перекрестка и наблюдаем за тем, из какого ряда куда поедет машина, а ее состояние описывается рядом, в котором она стоит. На то, куда она повернет, не влияют все предыдущие перестроения (смены состояний) машины, но влияет текущее - из левого ряда направо поворачивать у нас не принято.

    А если долго наблюдать за перекрестком, то можно заметить, что машины не одинаково часто едут из разных рядов в разных направлениях. То есть, можно говорить о вероятности того, в какую сторону поедет автомобиль (в какое состояние перейдет) в зависимости от полосы движения (текущего состояния).

    Формализуем эту идею, для этого взглянем на иллюстрацию. На ней каждое из S {1,...3} соответствует состоянию системы, каждая из стрелок - переход между соответствующими состояниями. Но в реальном мире не все переходы происходят одинаково часто (некоторые и вовсе невозможны), поэтому каждому из них соответсвует своя вероятность a{i, j}.

    Марковская цепь. Изображение: https://www.pngegg.com/en/png-ihczt
    Марковская цепь. Изображение: https://www.pngegg.com/en/png-ihczt

    Если продолжить наш пример, то скрытая марковская модель подразумевает, что мы не видим машину в момент проезда перекрестка. Мы только знаем, куда после проезда перекрестка машина поехала, и знаем вероятности, из какого ряда куда она могла повернуть. Еще раз: очень важно понять, что наблюдаем мы не состояния, а нечто, по чему можно сделать вывод о том, насколько вероятно каждое из них. Идею, лежащую в основе скрытых марковских моделей (СММ) тоже проще осознать, глядя на картинку:

    Изображение: https://en.wikipedia.org/wiki/Hidden_Markov_model#/media/File:HiddenMarkovModel.svg
    Изображение: https://en.wikipedia.org/wiki/Hidden_Markov_model#/media/File:HiddenMarkovModel.svg

    Здесь наблюдатель может видеть только значения O{1,...4}, а сама система от него скрыта. По-прежнему известны вероятности переходов между состояниями самой системы a{i, j}, и теперь добавляются вероятность пронаблюдать величину O{k} в зависимости от истинного состояния системы S{i} (на рисунке обозначены b{i, k}). 

    Как применить эту идею к задаче распознавания потребителей? Пусть S{i} будут векторами состояний устройств, а O - значением суммарной потребляемой мощности. Переходы между S{i} - это, по сути, включение и выключение устройств, а наблюдаем мы суммарное потребление в какой-либо момент времени. На графике ниже q = {q1, q2, q3} - вектор состояний; каждую из компонент q{i} можно представить себе как индикатор включения i-того устройства:

    Скрытая марковская модель с несколькими устройствами-потребителями во времени
    Скрытая марковская модель с несколькими устройствами-потребителями во времени

    Итак, кажется, в скрытых марковских моделях заложена неплохо подходящая для распознавания потребителей идея, к которой мы пришли рассуждениями:

    • сама модель может описывать состояния устройств (помнить состояния вкл/выкл на предыдущем шаге времени и уровни потребления энергии, соответствующие этим состояниям);

    • в ней есть вероятности перехода между состояниями. Этот параметр можно трактовать как частоту включения устройств;

    • скрытое состояние системы потребителей определяет наблюдаемое значение - потребляемую мощность.

    Посмотрим, как можно реализовать все эти идеи на практике.

    Применение скрытых марковских моделей

    Стандартная схема fit - predict для марковских моделей реализуется следующим образом:

    1. Сначала происходит обучение модели на данных как общего потребления, так и всех устройств по отдельности. Модель запоминает параметры каждого из устройств: уровни потребления в различных режимах работы и вероятности переходов между ними.

    2. Затем модели доступны данные только об общем потреблении, и на их основе строится предсказание поведение всех потребителей по одиночке. 

    Принципиальная разница между этими этапами - наличие "индивидуальных" показаний на обучении и их отсутствие в дальнейшем.

    Выделение состояний

    Для того, чтобы установить уровни потребления приборов, используется кластеризация обучающих данных по каждому из устройств (ниже все примеры построены с помощью алгоритма k-means из sklearn'а). Кажется логичным, что у каждого устройства должно быть по 2 состояния - включено и выключено. Но в библиотеке NILMTK, предназначенной как раз для задачи распознавания потребителей, по умолчанию в скрытых марковских моделях отведено по 3 состояния на устройство. Поскольку это немного не соответствует ожиданиям, взглянем на результаты кластеризации данных из датасета REDD.

    Кластеризация данных потребления электроэнергии для холодильника. Данные из REDD
    Кластеризация данных потребления электроэнергии для холодильника. Данные из REDD
    Кластеризация данных потребления электроэнергии для микроволновой печи. Данные из REDD
    Кластеризация данных потребления электроэнергии для микроволновой печи. Данные из REDD
    Кластеризация данных потребления электроэнергии для розетки. Данные из REDD
    Кластеризация данных потребления электроэнергии для розетки. Данные из REDD

    Как видно, в третий кластер попадают точки, которые вряд ли относятся к нормальной работе устройств. Видимо, они появляются из-за некоторых переходных процессах при включении или выключении, при которых достигаются такие необычные значения потребления. Некоторые классы приборов (например, нечто именуемое в датасете "розетка" - видимо, в нее включалось все подряд) вообще не имеют четкого разделения по уровню потребляемой мощности.

    Из графиков видно, что для описания поведения приборов скорее имеет смысл использовать 2 состояния, а не 3, как создатели библиотеки заложили по умолчанию. Этот вывод подтверждается и на практике. Вот как различаются предсказания моделей, обученных на 2 и на 3 состояния соответственно, для данных холодильника:

    Предсказанное потребление холодильника моделью, обученной на 2 состояния. Данные из REDD
    Предсказанное потребление холодильника моделью, обученной на 2 состояния. Данные из REDD

    Конечно, нельзя судить о качестве только на примере предсказания для одного устройства, но подобная картина наблюдается и для других потребителей: третье состояние соответствует шумовым точкам, а остальные 2 состояния не сильно отличаются между моделями. Причем в конкретном примере видно, что предсказанный "пик" не относится к "пику" именно холодильника (скорее всего, включилось другое устройство).

    В целом, если "приближать" данные о потреблении пятью наиболее часто встречающимися классами устройств (напомним, что модель стремится на основе общего потребления предсказать работу каждого из устройств), получается такая картина:

    О том, как считалась точность

    В качестве точности использовалась следующая идея: если предсказание попадает в какую-то окрестность (скажем, 30 Вт) от истинного показания, оно считается точным. Ведь важно угадать не мгновенное потребление прибора, а его состояние, чтобы понимать, включен он или нет. Точность во время работы - то же самое, но для моментов, когда потребление больше некого порога (устройство включено).

    Иллюстрация идеи подсчета точности предсказания
    Иллюстрация идеи подсчета точности предсказания

    Доля правильных предсказаний (попаданий в голубой коридор на графике) и есть точность.

    Модель с 2 состояниями намного лучше описывает устройства, когда они работают, но из-за вышеупомянутой "подгонки" под суммарное потребление страдает общая точность (ведь чем больше у модели "свободы" - в нашем случае состояний - тем точнее она может подстроится под общее потребление). Поэтому, похоже, если предварительно не проводить кластеризацию исходных данных, лучше пользоваться 2 состояниями на каждого потребителя. Но совсем хорошо - все же внимательно изучать режимы работы (и соответствующие им параметры) конкретных устройств.

    Переходы между состояниями

    Еще один крайне важный для практического применения аспект работы нашей модели состоит в том, что она, на самом деле, является набором нескольких скрытых марковских моделей. Каждому устройству в ней сопоставляется своя СММ, чтобы избежать вычисления громоздкой матрицы переходов.

    Допустим, в некоторой комнате, на которую мы хотим натравить модель, находится 10 различных устройств. В самом простом случае, при котором работу каждого из них мы описываем 2 состояниями, у нашей системы выйдет 1024 состояния. Понятно, что нереально воспроизвести каждое из них, чтобы модель могла их запомнить. Но даже если мы бы пошли на это, нам пришлось бы тренировать параметры модели - вероятности переходов между каждой парой всех этих состояний (а это (1024^2)/2 - порядка 500000 значений). Еще немного неприятностей, связанных с таким подходом:

    • экспоненциальный рост числа параметров с ростом числа устройств;

    • отсутствие возможности добавления устройств в модель - нам придется смоделировать работу нового прибора со всеми комбинациями уже запомненных, чтобы сформировать новые строки матрицы переходов между состояниями.

    И тут возникает замечательная идея: за редким исключением, работа устройств не сильно зависит от всех остальных в квартире, поэтому их можно "разделить". А то, что данные собираются с периодом 1 секунда, позволяет предположить, что очень редко за один период будут меняться состояния сразу двух устройств (пользователь, хочется верить, не будет с такой скоростью бегать между кухней и компьютером). Поэтому можно сделать модель, которая будет представлять из себя стопку моделей, описывающих каждое отдельное устройство.

    Этот подход помогает избавиться от неприятностей, описанных выше. Рассмотрим для простоты все ту же схему с 10 устройствами и 2 состояниями на каждое:

    • теперь модели нужно помнить 20 уровней потребления - по 2 на каждый прибор;

    • вместо одной матрицы переходов с >500000 элементами, вероятности изменения состояний описываются 10 отдельными матрицами 2х2;

    • при обучении модели нам нужно знать только о режимах работы и соответствующие им параметры каждого устройства, а не моделировать комбинации с всех потребителей.

    И тут проявляется еще один плюс такого подхода: предположим, у нас уже есть система, следящая за N устройствами в квартире, и пользователь покупает еще один девайс. Тогда "регистрация" этого прибора будет подразумевать сбор информации только о нем (например, через умную розетку) и занесение всех параметров в словарь параметров всех приборов, а не поочередное включение его вместе со всеми остальными устройствами в квартире.

    P.S. Бонусное фото: начало пути - собираем данные:

    Миландр
    Разрабатываем микросхемы, приборы, ПО

    Комментарии 67

      +3
      У меня больше всего электричества компьютер потребляет, но экономить я на нем не могу — я на нем работу работаю на удаленке.

      А вот от электрического чайника в пользу обычного (газового счетчика нет) — это получилось. И лампочки все поменял на энергоэффективные.
      Итого — счет снизился на 20%, не сильно, но приятно)
        +2

        Экономия на чайнике? Точно экономия? Не первый раз слышу ахинею. Вы ж вложились в ковшик или в чем там воду кипятите? И при этом лишились комфорта и безопасности.

          +1

          Газовый чайник не особо медленнее греется, но вот сам не выключается, увы.

            0
            Есть модели со звуковой индикацией готовности, правда только индикации, да и глючит она в некоторых конфигурациях иногда.
              0

              газовый чайник + свисток. Не глючит, если пользователь не забыл привести систему в правильное состояние или если устройство "свисток" не расплавилось нафиг.

                +2
                В этом его ахиллесова пята — сначала сгорает пластиковая ручка на свистке из-за чуть сдвинутого спросонок чайника, пользоваться свистком становится неудобно и он отставляется, потом к нему присоединяется распаянный чайник.
            0
            А вы уверены что электрический чайник безопаснее? Мне вот жизненный опыт говорит обратное.
              +1
              Меня 8 лет мучает вопрос — чайник-термопот экономит энегрию или наоборот?
                0

                Зависит от потребления горячей воды. Если вы выпиваете пару стаканов в день, то явно выгоднее их подогреть 2 раза, чем держать несколько литров горячими 24 часа. Но ещё он может экономить время, так что всё индивидуально.

                  0
                  Чайник экономичнее.
                0
                У меня больше всего электричества компьютер потребляет
                Тоже была такая проблема. Заменил ПК на современный, и настроил его с учетом энергосбережения. Получил 20–30 кВт⋅Ч ежемесячной экономии. Производительность увеличилась, шум, нагрев, и занимаемое место уменьшились.
                  0
                  В домашнем компьютере процессор (tdp 51 Вт в девичестве) потребляет максимум 17, при полной загрузке ядер, включая встроенное видеоядро. Компьютер не фонтанирует хешрейтом, но со своими задачами вполне справляется, включая тихую музыку перед сном.
                    0

                    райзен 3800х, хороший бп, отличный кулер, частоты в районе 1.4-1.5 вместо примерно 1.3… По датчикам Ватт 50 обычно, до 74 Вт и столько же С было при долгой нагрузке на все ядра (поиск похожих изображений)

                +9
                Уберите пожалуйста Шварца и афроамериканца с выпученными глазами — они КМК плохо сочетаются с остальным контентом, который, в общем-то, довольно серьезен. Кроме того, «тратиться» в данном случае — это банально неграмотно. Энергия что делает — тратиТСЯ.

                Основная проблема еnergy disaggregation — не в детекции классов приборов (они как раз более-менее неплохо берутся фазовым, спектральным и временным методами), а в построении набора догадок о текущем содержании смеси включенных потребителей, выборе наиболее релевантной догадки, и достраивании набора сложных потребителей исходя из нее.

                В жизни портреты приборов в смеси не только накладываются друг на друга, они еще и влияют на сами составляющие через конечное сопротивление и индуктивность сети — особенно это заметно для мощных импульсных приборов.

                Чисто активные потребители (отопители, водонагреватели) не ловятся ни фазовым, ни спектральным методом (очевидно, да) — только временным, и маскируют своей мощностью себе подобных, но меньшей мощности.

                Лампы накаливания хорошо ловятся методом Iэфф = F(t) — то есть транзитивным — без всяких фаз и спектров, но абсолютно неразличимы внутри квартиры.

                Все импульсные блоки питания дают очень похожие картинки — потребление тока только в короткие моменты почти у вершин синусоиды. Отличить БП телевизора от БП ноута в общем случае невозможно — только научив систему внутри дома на портреты конкретных приборов. Можно попробовать ловить обратное паразитное излучение в сеть от ВЧ-преобразования, но для этого частота дискретизации должна быть как минимум пара сотен кГц, и даже с учетом БПФ на лету скорость генерации и обработки спектральных данных должна быть очень высокой.

                Прочие бытовые приборы одного класса могут иметь заметно разные спектральные и фазовые портреты (например, в старом пылесосе — искрящий коллектор, в новом — тиристорное фазовое управление). Без (под)обучения в конкретной квартире будет неточно.

                Для сложных бытовых приборов нужно строить их внутренние модели. Например, стиральная машина состоит из абсолютно активного водонагревателя и набора маломощного коллекторного (слив) и мощного коллекторного или синхронного двигателей. Можно подобучить систему на детекцию СМ исходя из типичных ее циклов и соответствующих профилей в нагрузочной смеси. Если просто смотреть на мотор — это может быть фен, на нагреватель — бойлер.

                То есть, физический класс прибора (активный нагреватель, лампа, импульсный БП, двигатель коллекторный, двигатель асинхронный, двигатель с тиристорным регулированием итд) можно легко выявить в одиночку. Сложнее выявить в смеси.

                Чтобы это хорошо работало in vivo, еще нужно следующее:

                1. Подобучение системы на конкретные home appliances в квартире (начальное и далее адаптивное с участием пользователя)
                2. Правильный маппинг физических классов на метаклассы (модели устройств) — тоже с подобучением
                3. Отказ от детекчии трудноразделяемых и неразделяемых классов (списывание их в other) — для повышения точности прогноза по разделяемым классам
                4. Обучение системы на временной статистике включения приборов (вечером — телевизор, по утрам субботы — пылесос, ночью — стиральная машина) — по классам и метаклассам, включая типовые циклы работы устройств

                  +2
                  искрящий коллектор, в новом — тиристорное фазовое управление). Без (под)обучения в конкретной квартире будет неточно.
                  А китайская индукционная плита просто положит процессор счётчика :) И заодно — всё что сможет вокруг.
                  ps про картинки — согласен
                    0
                    Почему положит, что она такого делает?
                      +2
                      Неск раз уже слышал как рядом с ней в сети, приборы которые ориентируются на zero cross, начинают сходить с ума. Паяльник с фазоимпульсным управлением разогревается до красна. Он правда — тоже китайский)
                    0
                    С заглавной картинкой действительно нехорошо вышло, поправил. Спасибо, что заметили.
                    По Вашим последним пунктам: подразумевается, что скрытые марковские модели (или другой алгоритм детекции) будут обучаться в квартире пользователя какое-то время. Плюс, есть идея использовать статистические модели как раз для учета статистики приборов и «сезонности» их включения.
                    Про отбрасывание не самых значимых приборов задумывался, но в статью не включил. Как видно, зря.
                    А вот идея с физическим классом устройства, которую Вы описали, очень может помочь. В этом направлении я вопрос не изучал, но звучит как весьма полезный метод. Спасибо!
                      +3
                      Я изучал этот вопрос в рамках RFP на предложение одной из компаний. Там очень много подводных камней нужно обойти, для того, чтобы лабораторный прототип довести до уровня коммерческого использования.

                      Вопрос метаклассов — один из ключевых — без него, если вы будете кормить любой классификатор противоречивыми данными, он нормально не обучится. А если записывать целые циклы устройств — то для стиралок, например, это 2-3 часа работы, причем длина циклов зависит от режима, температуры набираемой воды, количества белья итд.

                      Детекция состава смеси — вторая большая проблема. Скорее всего, она решается методом обратного синтеза — то есть, имея отдельные портреты классов, вы их комбинируете в разумных возможных комбинациях (здесь пригодятся опять модели метаклассов), и сравниваете суперпозицию синтезируемых параметров (с учетом их физики ессно) со слепками тех мгновенных значений, которые получаете от сети. Дальше выбираете N наиболее близких вместе с их вероятностями, и отдаете на следующий уровень.

                      Как я уже писал, видится несклолько подсистем — одна — детектор базовых классов исходя из мгновенных или быстроменяющихся параметров (спектр тока, cosФ, транзиентная мощность (или эфф. ток) при включении/отключении), вторая — выделитель наиболее вероятных составов смеси базовых классов, третья — вероятностный маппер базовых классов на метаклассы (с учетом статистики конкретного дома по времени и дням недели и долговременных параметров мощности). Между второй и третьей подсистемами существует двусторонняя статистическая связь — то есть предполагаемые метаклассы вместе с их вероятностями умножаются на стат. кривую по времени и дню, и их исходные базовые могут корректироваться на предыдущем уровне.

                      Здесь чистая аналогия с voice-to-text и OCR-системами, которые уточняя вероятность на семантическом уровне, распространяют сигнал назад, на символьный (фонемный), чтобы скорректировать вероятности исходных сигналов, и затем попытаться распознать снова.

                      Важно построить систему так, чтобы весь поток данных на уровнях, в которых есть петли обратной связи, тэгировался их вероятностями, и только на последнем вероятность либо доопределялась до достоверной человеком (при дообучении), либо самой машиной по результату с максимальной достоверностью
                      0
                      Если кратко, то постановка задачи в статье такая: на небольших временных интервалах, сравнимых с периодом напряжения в сети, по графикам (наборам данных) тока и напряжения на вводе определить текущий состав потребителей.

                      Предлагаю изменить метод на следующий: «Измерять очень часто, на длительных интервалах». Что в основе?
                      1. Каждый потребитель имеет свой уникальный образ электрического потребления (как функция комплексного сопротивления от времени). Поэтому временной ряд по току будет характерным отпечатком конкретного потребителя.
                      2. Мгновенный ток на вводе есть суперпозиция от комплексного сопротивления потребителей.

                      Дополнение. Импульсные потребители при детальном рассмотрении (около 1 МГц) по току имеют уникальные различия между собой. Можно сказать имеют токовый портрет. И эти портреты при потреблении не сливаются в один всеобщий резонанс.

                      Если проводить измерения тока и напряжения с частотой в разы превращающей работу импульсных блоков питания, то можно использовать временной ряд токового потребления для выделения образов и идентификации потребителей.

                        0

                        предложение интересное, но в статье об этом говорится прямо — для систем на мк получается очень много данных, которые ещё нужно быстро обработать и где-то хранить.

                          0
                          Согласен, для простого МК много, при желании можно организовать внешний стек FIFO. Важнее другое, сложная математическая статистическая обработка, в статье заявленная, для МК также вещь малоподъёмная. Может быть посмотреть в сторону одноплатных компьютеров? Либо, развернуться в сторону классической цифровой обработки сигналов и искать совпадения по спектрограммам.
                            0

                            дешевле будет кучка ардуинок в схемах diy ваттметра на каждую розетку (не знаю сколько стОят готовые ваттметры). И дальше смотреть что в эту розетку включено

                      +6
                      Всё это очень круто но как вы различите 10 лампочек накаливания от одного кипятильника?
                      Кроме того могу подсказать на что реально тратится электричество — на приборты, которые плохо спроектированы и включены в сеть всегда. Например дешевые светодиодные лампы могут творить в сети такой шторм что ваши нейросети никогда на их фоне ничего не различат. Никто не различит. и как быть с симисторными регуляторами в кофемашинах бойлерах и прочие регулируемые нагрузки? про индукционную плиту я молчу как и отличить чайник от утюга — просто нереально.
                      Но самый главный вопрос — а зачем это делать?
                      Ведь если взять все лампочки и поменять на светодиодные то даже если они все 24/7 будут гореть — нагорит всего 100 рублей! это ниачом.
                      А если взять компьютер то он работает круглосуточно почти и скорее всего не один и хоть потребляет не много — накрутит достаточно. или например телефоны/планшеты/ноуты — зарядник вам покажет картину зарядок но никак не картину использования ноута! :)
                      А если у нас электроотопление или кондиционирование? Какой толк ходить с сосулями в носу если лечение стоит дорого и для здоровья не проходит бесследно? Утеплять дом — ну так это очевидно и безо всяких замеров. Переходить на другое отопление — ну тоже очевидно что это невозможно т.к. топить электричеством всегда было дорого а значит альтернатив нет.
                      С чайниками вообще сложная ситуация — они вроде как жрут ведрами но на самом деле это не чайники жрут ведрами а мы пьем чай ведрами а они — побочка этой потребности но даже с учетом заварки и разбивания чашек это всеравно выгоднее чем поход в кафе. Так что тут экономия вобщем-то нереальна. Самые экономные уже есть на планете — буддисты отказавшиеся от всего мирского :) Но нужна ли кому такая жизнь — практика показывает что не все готовы стать буддистами.
                        +2
                        У Вас, кажется, крайне радикальный подход к экономии — баланс с комфортными условиями для жизни никто не отменял :)
                        По поводу различий чайника и утюга — тут как раз очень полезны вероятности переходов между состояниями и сезонность. Чайником пользуемся несколько раз в день, а утюгом — ну пару раз в неделю. Значит, даже при примерно одинаковом потреблении во время работы при детектировании можно ориентироваться на эти параметры.
                        Лампочка действительно выглядят как интересный предмет:
                        Во-первых, не нашел в открытых данных деление на дешевые и дорогие лампочки, но шторм в сети нужно будет проверить, спасибо за идею;
                        Во-вторых, про них пока говорить можно только количественно. Но если в модель вносить потребителя «люстра», то (если люстры разные в разных комнатах) можно и их попытаться различить.
                          +2
                          Вы не уловили сути моего поста!
                          Зачем детектить лампочки если всеравно их месячное/годовое потребление копейки и стоит одной чашки чая если чашка на 1 литр :)
                          у меня на доме 16 амперные автоматы. При этом я использую электроотопление электрочайник и электроплиту, опять же электростиральную машинку и электропосудомойку — во всех этих приборах стоит 2 киловатный тэн +- одинаковый + симисторный регулятор для поддержания нагрева + симисторный регулятор двигателя у стиралки — их невозможно отслеживать по потреблению т.к. у них есть программа которая сильно зависит от типа белья как оно там скомкалось, напора воды и температуры воды на подаче и т.д.
                          Потому у меня на бойлере, чайнике, плите, на тепловом насосе — стоят esp8266 и ещё одна стоит на вводе в дом. проблема усугубляется ещё и тем что 160вольт на входе не редкость в наших краях — потому все тяжелые устройства разделены на приоритетные и неприоритетные. например чайник — неприоритетный — он может подождать, бойлер аналогично — перекрывается клапан подачи холодной воды и включается рециркуляция — горячая вода есть но она за 2-3 дня остынет. эти устройства могут работать только тогда когда на вводе есть запас притом они расчитывают результирующий ток на вход т.к. на дом стоит стабилизатор и когда на входе 220 — наброс 1 киловатта приведет к повышению входного тока на 4 ампера а когда на вводе 110 то наброс 1 киловата приведет к набросу 8-ми ампер — устройства имеют приоритет и выжидают когда появится свободная мощность.
                          высокоприоритетные приборы это стиралка и посудомойка — в логику их работы я вмешиваться не могу а потому когда они «просят» нагреть воду — всё что сейчас включено — немедленно выключается для обеспечения работы стиралки — т.к. она греет мощно но быстро. как и посудомойка. естественно зачастую этих конфликтов нет т.к. и стиралка и посудомойка ставятся на таймеры ночью когда всё выключено но иногда есть форсмажоры.
                          Ну а общее потребление дома я вижу по той же esp на вводе дома — она показывает ежесуточныое ежедневное и ежечасное потребление с прогнозированием и сравнением с предыдущим периодом по дням недели. и я там уже вижу что когда приехали гости — мне это обошлось в +20 квтч в день их пребывания. но что делать — гости нужны, стиралка нужна, утюг после стиралки нужен. а стирать надо чаще и тщательнее когда на улице слякоть дождь и прочее. и нагревать дом сложно именно когда -20 но а что делать? не успеваю я выращивать деревья которыми потом отапливаюсь, уголь у нас очень дорогой а газа нет не только магистрального но и за балонным ездить за 120 км. И Кстати да — я владелец электромобиля и электромотоцикла. там тоже всё просто — таймер и подзарядка на работе.
                          Моё мнение — лучше подумать над способом своей жизни чем выключать свет каждый раз входя в комнату. один раз стоит поваляться месяц с переломом мизинца на ноге изза того что в темноте запнулся об чтото и больше речи об экономии на освещении стоять не будет. Экономить в итоге надо не на свете/газе/топливе а на стиле жизни и на отношении к этой жизни. от того что вы не будете оставлять наночь телефон на зарядке — станет хуже только вам — телефон не станет есть меньше. вот если уходя из дома выключать все ненужные устройства полностью из розетки — это да — это позволит экономить но когда ты 99% времени сидиш дома т.к. удаленка фриланс — какая уж тут экономия — одни затраты.
                          А по вашей системе конечно да… инетерсно было бы глянуть но достаточно просто бытового ваттметра и недели хождений по квартире с ним чтоб понять что жрет и почему. Но повторюсь — у меня этот вопрос сильно остро стоит и я пришел к тому что электричество не сэкономить не пойдя на уступки с собой, сожителями и домом вцелом.
                          И да — всреднем в отопительный период я жру 1500 киловаттчасов электричества на дом 120 квадратов и двух проживающих человек. Посторонних энергоресурсов нет — ни газа балонного ни бензина ни магистрального газа ни угля ни дров. Считаю что это приличный показатель. И есть ресурсы его улучшить раза в полтора не меняя уклада жизни и комфортности — утепление стен, утепление потолков, применение не фанкойлового отопления а теплых полов — тогда понизится температура теплоносителя а вместе с тем — повысится COP теплового насоса.
                            0
                            Колллега! А я вот Вас прекрасно понимаю. Особенно в разрезе обогреватель+нагреватель+мультиварка+ чайник=отгоревший ввод.
                            Можете подробней про ESP и отключение не приоритетных потребителей.
                              0
                              дак ничего сложного нет.
                              На вводе стоит esp32 и сама мониторит ввод.
                              дальше на неё приходят json запросы — мол я чайник id12 — хочу включиться, мощность 1900 ватт. это дело принимаем, расшифровываем, находим по таблицам что у этого чайника приоритет 8 и ложим его в очередь.
                              дальше раз в 2 секунды esp32 эту очередь сортирует по возрастанию приоритетов и начинает считать — если первый в очереди запросил мощность 1 киловатт а у нас напряжение 180 и ток 5 ампер то у нас ещё осталось (16-5)*180 = 1980 ватт свободных — отсылаем этому несчастному ответ — если ещё надо — можеш включаться и помечается эта строка как отосланная. Удаляется если чайник ответит включился. и так далее по списку пока мощность не кончится. когда чайник выключается — он сообщает я всё. ну или сама esp32 видит что потребление упало.
                              Соответственно esp32 на вводе — ведет учет какие приборы уже сказали что работают но ещё не говорили что выключились и опять же ведет очередь на выключение принудительное. как только приходит сигнал от стиралки «Я МАТЬ ВАШУ ВОДУ ГРЕТЬ БУДУ» — просто с тэна стиралки оптопарой на вход мелкой esp — наша esp32 видит что ток ввода улетел в космос — начинается рассылка по очереди отключения сообщения — гасись — нет мощи. если через 2 секунды не погасилось — следующему потребителю говорится гаситься и так пока ток не вернется в рамки.
                              Вот и вся логика. соответственно я могу на esp32 зайти и «кикать» потребителей нахрен когда хочу например варить сваркой или ещё чтото делать такое что жрет энергию неравномерно. Пока в планах перевод всего дома на инвертор и завод питания через аккумулятор от лифа. тоесть даже если мне и надо больше 4-х киловатт — с розетки я всеравно беру сколько надо а вот у аккумулятора беру в долг. потом верну. это касается духовки с мощным тэном и регуляцией механическим терморегулятором с огромными периодами простоя. сейчас она в приоритете как и стиралка т.к. я ещё не познал дзер управления ШИМом через IGBT мощного тэна. но потихоньку двигаюсь и туда. ещё будет двсгенератор для подзарядки аккума от лифа работающий на газу на случай половинной просадки аккумулятора и/или отсутствия света снаружи. неделю в этом году сидел при свечах и возил свет с работы лифом. Как-то немного надоело.
                              Вот это я и называю кстати палаумным домом т.к. он сам себя регулирует а я всеголишь пытаюсь пользоваться тем что есть.
                              Конечно оооочень много гимароя вылазит когда надо или новое мощное устройство ввести в дом или например недавно жена чайник разбила… ну разбила и разбила хрен с ним а вот на новый чайник — прийдется новую платку колхозить, монтировать продумывать… муторно. Но таких именно подконтрольных потребителей и не так то много.
                                0
                                А изначальный лимит в 16А на входе (трехфазном?) нет возможности поднять?
                                  +1
                                  Есть конечно да только сопротивление линии примерно 1.5 ома. тоесть на 10 ампер накинутых -15 вольт напруги сразу же :) на 32-х амперах пробовал кратковременно с 220 уходило в 160 :) писал в рэс бился убивался проверки приезжали с регистратором качества электроснабжения суд выиграл — компенсацию присудили — каждый месяц -10% от стоимости и всё. ничо не поменялось — бесполезно биться в глухую стену если там никого нет :) да итак хватает — надо просто с умом тратить. В планах солнечные коллектора для нагрева воды и помощи тепловому насосу, огромная ёмкость на 10 кубов утепленная — теплогидроаккумулятор, утепление и так далее в общем живем.
                                    0
                                    слушайте, вам стОит написать о свем хозяйстве статью — даже ту небольшую часть, которую вы тут описали, уже интересно читать!
                            0

                            чайник у меня газовый и пользуюсь я им МАКСИМУМ 1 раз в день. Так что, как выше упоминалось, без обучения в конкретной квартире нейросети практически бесполезны.

                              0
                              не нашел в открытых данных деление на дешевые и дорогие лампочки
                              www.lamptest.ru Вам в помощь.
                              шторм в сети нужно будет проверить, спасибо за идею
                              Хороший повод для отдельной статьи. Плюс за статью и в карму гарантирую! ;-)
                              +1
                              «как вы различите 10 лампочек накаливания от одного кипятильника?»
                              Элементарно. По изменению сопротивления — у тонкой вольфрамовой нити накала в инертном газе его характер явно отличается от толстого нихрома, охлаждаемого водой.
                              +2
                              Когда-то в телепередачах появлялись голосования на основе измерения частоты питающей сети — для участия предлагалось ненадолго отключить телевизор. Участвовал, потом понял, что нахожусь явно вне зоны действия акции.

                              «Некоторые задумываются о том, как снизить потребление из заботы о нашей планете (за что таким людям я выражаю огромное уважение, в отличие от тех, кто хочет „заморозить“ счетчик исключительно из заботы о кошельке). Какой бы ни была мотивация, хочется потреблять поменьше электроэнергии.»
                              Подход интересный. Ведь потребители зачастую не представляют даже примерно класс потребления конкретного электроприбора, соответственно не могут осознанно влиять на суммарное потребление. Ой, не зря на какой-то из CeBIT новинку от Apple — ЕМНИП игровую консоль — приковывали к позорному столбу, включив в ваттметр и показав огромное потребление в спящем режиме. К сожалению, даже простенький ваттметр пока в наших краях не является обязательным прибором в каждом доме.

                              Теоретически существуют и другие подходы к экономии энергии, к примеру — использование стелс-утюгов (в смысле обнаружения/различения описываемым в статье способом).

                              РубЕль

                                –1
                                Идея здравая, но пока напоминает притчу о трех слепцах, ощупывающих слона. Почему бы не добавить еще органы чувств, кроме «электрометра»?
                                Например простейший микрофон даст системе массу информации, вплоть до опознания каждого конкретного выключателя (сигнатура «щелка» у всех будет разная). Бытовая техника не работает бесшумно — жужжит, щелкает, говорит, грохочет (наш любимый перфоратор опознается на раз). Сопоставляя сигналы в сети и звуковые, ваш аналитический модуль будет гораздо эффективнее.
                                  +2
                                  Микрофон на кухне зачастую бесполезен — стоит включить вытяжку или начать готовить что-то сложнее яичницы, и эти звуки заслонят собой все.
                                  Микрофон в спальне — а тут не уверен, что все захотят (по понятным причинам).
                                  К тому же, будет требовать тонкой настройки с учетом геометрии каждой квартиры/дома, чтобы слышимость что-то позволяла опознать.
                                  +1
                                  Еще возможно идентифицировать по реактивной составляющей и гармоникам
                                    0
                                    Про гармоники читал, даже находил пример решения похожей задачи с вейвлет-преобразованием. Что-то вот такое: link.springer.com/chapter/10.1007/978-3-319-13102-3_45
                                    Но в одну статью все не уместишь, пришлось бы много чего описать, чтобы объяснить идею, почему это работает.
                                      0
                                      Подозреваю, что в стационарном режиме (поддержка/затухание) ловить гармоники бессмысленно.
                                      А вот в момент старта прибора (атака/спад) разница может быть существенной.
                                    0
                                    Я надеюсь, что от массо-габаритной модели ИБП с функцией самовозгорания (PCM WOW300) на последней фотографии только корпуса?
                                      +1
                                      А зачем? Ведь сейчас весь мир делает по сути энергоэффективные приборы, особенно лампочки, телевизоры, стиральные машины. Чтобы начать экономить, надо просто уходить от старого оборудования. Тот же холодильник не от хорошей жизни включается, ему просто надо поддерживать температуру в камере. К экономии приводит включения различных приборов как стиральной машины ночью и тому подобного. Само по себе отключение не больших нагрузок ни к чем не приводит.
                                      Если прям реально это нужно, то надо под каждый прибор делать «умную» розетку возможностью прошивки и всё.
                                        +1
                                        Ну такое. Хорошо если холодильник старый и/или дешевый. А если он инверторный?
                                        Стиралка аналогично может быть с движком переменного тока, а может быть и с двигателем постоянного тока. А еще есть фильтры питания, которые никакие частоты никуда не пропустят.
                                        В итоге точность очень условная получится, либо обучать на месте надо, что для обывателя гораздо сложнее чем просто 400-рублевые электросчетчики на розетки повесить.
                                          0
                                          А в чем проблема, что холодильник с инверторным компрессором. Все равно там есть такой же гистерезис на заданную температуру, сл-но будет периодичность. Да, теплоизоляция современных холодильников сделана намного лучше, но все равно потери есть — сл-но есть периодичность включений. Конечно, с точки зрения потребления и КПД самих инверторных двигателей, скачки потребления не будут так сильно заметны на фоне других источников, но все равно они будут.
                                            +2
                                            Инверторный для того и делается чтобы работать и на малых оборотах (бесшумность и экономия электричества) в нужный момент, т.е. гистерезис там будет крайне плавный, если в каких-то случаях вообще будет (например в лютую жару он может просто на малых постоянно крутить, теоретически). А как отличить импульсник холодильника который потребляет 100вт от импульсника телевизора с тем же потреблением?
                                            Мне кажется эту задачу все же адресно надо решать, умными розетками, которые могут ток измерять, тем более что это не нужно делать постоянно. В хозяйстве это требуется крайне редко, если не разово. Это скорее интересно как услуга: приехали ребята, подключили все через умные розетки (или даже глупые розетки с ваттметрами), сняли информацию за день/неделю/месяц, сделали отчет и досвидания на следующие несколько лет, пока вдруг хозяину сумма за свет не покажется непонятной.
                                          +2

                                          Не кажется ли вам, что для умного дома этой проблемы не существует? Я про то что изначальный посыл про "счётчик в каждой розетке это дорого". Если дом умный, то по идеи розетки там управляемые. И цена простейшего ваттметра вряд ли сильно повлияет на уже и без того дорогую розетку…

                                            –1

                                            Хм… Электричество — это наименьшая из статьей моих ежемесячных расходов.
                                            Даже если на нём удастся сэкономить — особой разницы я не почувствую.

                                              +2

                                              Не экономлю — плачу 700р в месяц. Экономлю — 450. Что такое 250р? Даже один бизнес ланч не купить, если только из постного меню…
                                              А вот как сценарии — энергопрофиль для умного дома полезен. Отслеживание работы холодильника (узнаем когда компрессор перестанет отключаться/включаться), чайника(а вдруг не отключился), духовки...

                                                +1
                                                Даже если на нём удастся сэкономить — особой разницы я не почувствую.
                                                Не всё в этом мире определяется деньгами. Каждый может внести свой посильный вклад в экологию, беречь ресурсы планеты для потомков.
                                                  +1

                                                  По этому вопросу, я полагаю, тоже выработка электроэнергии — это наименьшая из проблем. Мне гораздо интереснее, вопрос переработки мусора. Особенно — опасных бытовых отходов, наподобие ацетона.

                                                +4
                                                image
                                                Наблюдения за включениями насоса на водокачке в деревне позволило обнаружить утечку воздуха в расширительном баке и устранить её. Это уменьшило количество циклов включения насоса и продлило его ресурс. Так что мониторинг по питанию может быть очень информативным.

                                                Недавно в деревне установили электронные счетчики с радиоинтерфейсами и выдали всем модемы. Я уже хотел подключить его и рисовать графики, но оказалось, что модификация не поддерживает обмен данными по USB, а только зарядку. Так что пока остаёмся в каменном веке — все данные легкодоступны энергосбытовым компаниям, а не потребителям. Все трансформаторы уже обвешаны устройствами с сотовой связью, но когда жалуешься энергетикам на низкое или высокое напряжение, они, оказывается, ничего не знают, и присылают целую лабораторию с вольтметром. Мало сделать мониторинг, им ещё нужно уметь пользоваться.
                                                  0

                                                  Ну да. Я так понял, что термостат в морозилке сломался, и что компрессор морозильной камеры, оказывается, всегда молотит и не выключается.

                                                    0
                                                    В старых термостатах выл регулировочный винт мелкий.
                                                    +1

                                                    После опечатанного счётчика можно повесить любой свой, какой нравится. Или повесить трансформаторы на линии после и собирать с них данные.

                                                      0
                                                      оказалось, что модификация не поддерживает обмен данными по USB
                                                      берите SDR и перехватывайте радиообмен!
                                                      0
                                                      Основное свойство — независимость от прошлого.

                                                      Вероятность наступления каждого события зависит от состояния, достигнутого в предыдущем событии.

                                                      Так это же и есть зависимость от прошлого. Разве нет?
                                                        +1
                                                        Нет, это зависимость от настоящего.
                                                        Во второй цитате «состояние, достигнутое в предыдущем событии» — это по отношению к уже наступившему будущему. То есть шаг уже как бы совершен. Если продолжать называть
                                                        это состояние будущим, то зависит оно от настоящего и ТОЛЬКО от него.
                                                        Независимость от прошлого — это как раз про то, что будущее не зависит от того, как мы попали в настоящее.
                                                          0
                                                          Как тогда называется цепь (процесс), которая не зависит ни от прошлого, ни от настоящего, например бросание кубика?
                                                            +1
                                                            Ну рассматривать бросание кубика как цепь вроде как некорректно, т.к. каждый из экспериментов независим. Это так и называют, последовательность независимых случайных событий.
                                                              0
                                                              Ну а например накопленная сумма чисел, выпавших на кубике (аналог случайного блуждания).
                                                              События все равно независимы, но итог зависит от итога на предыдущем шаге. Это уже марковская цепь?
                                                                +1
                                                                Да)
                                                                У Вас получится бесконечное число состояний, вероятность перехода из каждого — 1/6 в следующие 6 состояний (т.к. на каждом шаге сумма увеличивается от 1 до 6).
                                                        0

                                                        Что значит "измерить с частотой 30кГц"? Столько раз измеряете в секунду ток в сети? Ну тоесть, другими словами, измеряете сеть со всеми сложившимися гармониками, а потом, разложив гармоники, пытаетесь определить кто их генерирует? Чет я не очень понял.

                                                          +1
                                                          Ну 30 кГц — это значит 30 тысяч раз за секунду. Или 600 раз за период тока. Это и позволяет строить графики за период.
                                                          И в этом методе измеряем не всю сеть, а каждый прибор индивидуально. Поэтому, кстати, избегаем разложения на гармоники по устройствам, и сразу видим картины для каждого.
                                                          0
                                                          самая не оправданая трата электричества — майнинг.
                                                            0
                                                            Стоит ли всё усложнять? У меня создалось впечатление, что статья написана на волне хайпа Big Data, ИИ, нейросетей, и «умного» дома.

                                                            Сам поступил проще. Давным-давно приобрел недорогой ваттметр. С тех пор при появлении в квартире нового электроприбора подключаю его к ваттметру и оставляю на месяц. В результате вижу точные данные по всем параметрам и режимам работы новинки, включая ждущий режим.

                                                            Кстати, выяснил, что расходы на ждущий режим составляют 12-17% от суммы ежемесячного счета за электроэнергию.
                                                              0
                                                              Вообще говоря, нейросети — лишь один из методов, который я осветил обзорно. И постарался подчеркнуть, что вовсе не обязательно стрелять из пушки по воробьям.
                                                              Меня лично больше заинтересовали скрытые марковские модели (про которые в статье больший кусок), и работают они примерно по описанному Вами принципу/методу: какое-то время «регистрируем» устройства — уже на этом этапе какие-то выводы про режимы работы можно сделать. А дальше, если нужно, они работают на распознавание.
                                                              +2
                                                              Спасибо за статью.
                                                              Хотелось бы увидеть рабочий вариант для варианта низкочастотного считывания показаний.

                                                              Дома стоит умный счетчик (киатйский), пытался по изменению тока, акттивной\реактивной мощности, сдвигу фаз включенные сейчас потребители. Идея была составить матрицу dI,dV,dPr,dPa,dPh = Device1,..,DeviceN. Когда дошел до 6 потребителей, понял что вариантов сильно много получается и забил.

                                                              Только полноправные пользователи могут оставлять комментарии. Войдите, пожалуйста.

                                                              Самое читаемое