CC BY
8
г
А
I A.B. Дягилева //
I П.А. Пылов // P.A. Pylov gedrosten(g}mail.ru
A.V. Dyagileva
d у ац i I сv а1952 и mail.ru
Магистр ФГБОУ ВПО «Кузбасский государственный технический университет имени Т.Ф.Горбачева» (КузГТУ), Россия, 650026, г.Кемерово, ул.Весенняя, 28
канд. техн. наук, доцент, ФГБОУ ВПО «Кузбасский государственный технический университет имени Т.Ф.Горбачева» (КузГТУ), Россия, 650026, г.Кемерово, ул.Весенняя, 28 Candidate of technical sciences, associate professor of FGBOU VO "Kuzbass State Technical University named after T.F.Gorbachev (KuzSTU), 28, Vesenniaia St., Kemerovo, 650026, Russia
Magister of FGBOU VO "Kuzbass State Technical University named after T.F.Gorbachev (KuzS"!"U), 28, Vesenniaia St., Kemerovo, 650026, Russia
УДК 004 89
РЕОРГАНИЗАЦИЯ АРХИТЕКТУРЫ АЛГОРИТМА МАРКОВСКОГО СЛУЧАЙНОГО ПОЛЯ В МОДЕЛИ ГЛУБОКОЙ НЕЙРОННОЙ СЕТИ ДЛЯ ИНТЕЛЛЕКТ УА ЛБН01 О РАЗДЕЛЬНОГО УЧЁТА ЭНЕРГОПОТРЕБЛЕНИЯ ШАХТНЫМ ОБОРУДОВАНИЕМ MARKOV RANDOM FIELD ALGORITHM ARCHITECTURE REORGANIZATION IN A DEEP NEURAL NETWORK MODEL FOR INTELLIGENT SEPARATE ACCOUNTING OF ENERGY CONSUMPTION BY MINING EQUIPMENT
Математические методы и структуры практически не изменились со времён середины прошлого столетия. Однако это ничуть не влияет на их значимость в современном мире информационных технологий и всеобщей автоматизации сферы деятельности человека в целом. Автоматизация особенно коснулась технологической сферы присутствия человека, в которой электронные устройства позволяют решать множество повседневных прикладных и профессиональных задач. Внедрение общей системы учета энергопотребления внесло свою значимую и значительную лепту в процессе энергообеспечения предприятий. Шахта - это сложный комплекс промышленного предприятия, в котором учет электроэнергии также важен. Но общие показатели потребления электричества не могут фокусироваться на каждом отдельном профессиональном электроприборе. Вследствие этих обстоятельств за общим теряется частное. Несмотря на то что, казалось бы, каждое частное и так в совокупности сформирует общее, специалисты профильных отделов не в состоянии вести мониторинг каждого отдельно взятого потребителя электроэнергии. В практическом смысле этот факт означает, что потенциальная возможность приобрести новый аппарат, который сравним по показателям производительности с текущим используемым, но потребляющем меньшее количество электричества, будет упущена. Виной этому становится отсутствие системы учета каждого отдельного элемента в общей иерархии потребителей. Решить эту проблему довольно проблематично стандартным путем: приобретение индивидуальных систем учета для каждого агрегата может составить значительную сумму и в итоге нисколько не сэкономит бюджет. Однако внедрение в общую систему электросчетчика модели искусственного интеллекта позволило бы интеллектуально анализировать протекающий ток, на основании чего будут выдаваться весьма точные показатели для потребления каждого отдельного оборудования. Такой подход позволит свести расходы на систему к нулю, а доходы от нее будут явно выводить такое решение в рейтинг экономически выгодных и самоокупаемых продуктов технологической отрасли.
Mathematical methods and structures have hardly changed since the middle of the last century. However, this does not affect their importance in the modern world of information technology and the general automation of human activity in general. Automation has particularly affected the technological sphere of human presence, in which electronic devices allow solving many everyday applied and professional tasks. The introduction of a common energy consumption accounting system has made a significant contribution to the process of energy
supply of enterprises. A mine is a complex industrial enterprise in which electricity metering is also important. But the overall indicators of electricity consumption cannot focus on each individual professional electrical appliance. As a result of these circumstances, the particular is lost behind the general. Despite the fact that, it would seem, each individual and so together will form the general, specialists of different field departments are not able to monitor each individual electricity consumer. In a practical sense, this fact means that the potential opportunity to purchase a new device that is comparable in performance to the current one used, but consumes less electricity, will be missed. The reason for this is the lack of a system for accounting for each individual element in the overall hierarchy of consumers. It is quite problematic to solve this problem in a standard way: the purchase of individual accounting systems for each unit can make a significant amount and as a result will not save the budget at all. However, the introduction of an artificial intelligence model into the general electric meter system would allow an intelligent analysis of the flowing current, on the basis of which very accurate indicators for the consumption of each individual equipment will be issued. This approach will reduce the costs of the system to zero, and the income from it will clearly bring such a solution to the rating of economically profitable and self-supporting products of the technology industry.
Ключевые слова: ШАХТА; УГОЛЬНАЯ ОТРАСЛЬ; УГОЛЬНАЯ ПЫЛЬ; ЭЛЕКТРОЭНЕРГИЯ; ОХРАНА ТРУДА; МЕТОД КОНЕЧНЫХ ЭЛЕМЕНТОВ; ТРАВМАТИЗМ; ПРОФЕССИОНАЛЬНЫЙ РИСК; ПРИЧИННО-СЛЕДСТВЕННЫЕ СВЯЗИ; ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ; ГЛУБОКОЕ ОБУЧЕНИЕ; ПРИКЛАДНОЕ ГЛУБОКОЕ ОБУЧЕНИЕ.
Key words: MINE; COAL INDUSTRY; COAL DUST; ELECTRICITY; OCCUPATIONAL SAFETY; FINITE ELEMENT METHOD; INJURIES; OCCUPATIONAL RISK; CAUSAL RELATIONSHIPS; ARTIFICIAL INTELLIGENCE; DEEP LEARNING; APPLIED DEEP LEARNING.
Рассмотрим задачу контроля учета электроэнергии на примере одной квартиры (частного дома). Для решения поставленной задачи используется нетривиальный подход, воплощенный в формате установки единого счетчика учета потребляемой электроэнергии.
Однако человек, получающий общий счет электрозатрат, не имеет возможности точно определить, какая его часть имеет отношение к конкретному электроприбору. Для решения этой задачи на уровне правительства было предложено использовать интеллектуальные системы учета электроэнергии [1].
В простейшем случае для того чтобы точно понимать, сколько энергии понадобилось каждому прибору, необходимо только подключать каждый прибор через «умную» розетку - устройство, которое является посредником между розеткой в квартире (частном доме) и электроприбором, фиксирующее значение потребленной им энергии. Такой метод имеет множество недостатков, например: каждое отдельное устройство должно подключаться только к своей розетке; для каждого устройства нужна своя «умная» розетка. Всё это приводит к серьезным неудобствам использования электросети, а также жёстко ограничивает масштабируемость устройств.
Таким образом, появляется потребность в поиске универсального решения, способного
детектировать энергопотребление отдельных устройств на уровне общего электросчётчика, при этом не притесняя удобство использования розеток внутри квартиры. Этим универсальным решением стало внедрение интеллектуальной системы в общий счётчик [1].
Главной задачей интеллектуальной системы является извлечение сигнала электроприбора из общего потока потребляемой электроэнергии. С точки зрения искусственного интеллекта задача становится сопоставима с проблемой распознавания речи по следующим значительным сходствам:
• В качестве главного объекта имеется сигнал, который состоит из последовательности сэмплов информации.
• От сэмплов информации в последовательности можно уверенно ожидать корреляции (как в большинстве случаев слова формируют логически связанное предложение, так и в энергопотреблении формируются упорядоченные тенденции).
На основании этих факторов для решения задачи были широко применены интеллектуальные системы, в основе которых лежали различные модели [2 - 5]:
• Модели машинного обучения (Machine Learning - ML) [6 - 10];
•Модели глубокого обучения (Deep Learning - DL) [6, 8 - 10].
Модели машинного обучения хорошо решают рассматриваемую задачу, но имеют существенный недостаток: при добавлении нового электроприбора в обязательном порядке потребуется программное написание новой алгоритмической модели. Учитывая такое отсутствие гибкости в алгоритмах машинного обучения, далее будут рассматриваться исключительно алгоритмы глубокого обучения.
Такие алгоритмы позволяют адаптивно подстраиваться под новые подключения в автоматическом режиме, не требуя никаких вмешательств со стороны людей. Из алгоритмов глубокого обучения при решении данной задачи своей эффективностью зарекомендовала себя байес-совская сеть доверия и марковская модель. Следует понимать, что в общем виде байесовскую сеть доверия можно рассматривать как простейшую скрытую марковскую модель [11].
Современные решения, основанные на скрытой марковской модели, углубляются в настройку параметров модели, её конкатенации с другими алгоритмами.
Следует выделить очень важный аспект: электрический ток, потребляемый приборами и рассматриваемый нами как сигнал, зачастую одновременно используется несколькими электрическими приборами. В таком случае каждое включенное устройство генерирует свой выходной сигнал, присутствующий в общем сигнале.
Описанный выше аспект учитывается в широко распространенной на сегодняшний день скрытой марковской модели через увеличение исследуемых гиперпараметров модели. Разумеется, что при увеличении числа гиперпараметров увеличиваются требования к вычислительным ресурсам и общему времени на регистрацию результатов [12], что, однако, не может гарантировать высокой точности полученных результатов.
Принимая во внимание данный тезис,
представляется возможным коренная модернизация архитектуры алгоритма канонической скрытой марковской модели. Поскольку каноническая модель отлично контролирует один процесс, который может иметь несколько состояний (в предлагаемом подходе - для одного электроприбора), то для контроля над несколькими приборами рациональным решением станет реконструкция архитектуры скрытой марковской модели, расширение которой можно точно охарактеризовать следующей однозначной формулировкой: расширяем скрытую модель на X независимых марковских цепей скрытых переменных, притом каждая из которых может находиться в Y состояниях (достаточно только двух: работает или нет). Таким образом, получается своего рода факториальная скрытая марковская модель.
В качестве языка программирования был выбран Python версии 3.9.2. Для этого языка программирования выпускаются и постоянно обновляются вспомогательные высокопроизводительные библиотеки машинного и глубокого обучения на основе низкоуровневых языков программирования, поддерживается актуальность библиотек и добавляются новые методы. Благодаря своей гибкости и удобству написания кода, Python возглавил рейтинг самых популярных языков программирования 2021 года [13].
Для проверки результатов выдвинутой гипотезы было принято решение сопоставить общепринятый алгоритм с модифицированным алгоритмом, представленным в данной статье.
Общие критерии алгоритмов:
• В качестве исходных данных было принято использовать данные об энергопотреблении нескольких домов Великобритании из открытого датасета, предназначенного для построения интеллектуальных систем учета, включающего в себя данные реального потребления устройств.
1 def ■factotized^prmts(nd parameters^List)*.
2
UseFactorizat ionPrms nd_paramiiters_list [0 ] 4 idr хгопде(1,Ion(nd_parametens_list)):
Factorizeden np,krcm(UseFactor!zationPrms,nd_parameters_Iist[idrJ)
6
7 UbeFactoriaatiortPrms
Рисунок 1. Функция для вычисления факторизованных параметров Figure 1. Function for calculating factorized parameters
1 drf trainingisel/, iflitr, nuwrtwr {}, Awr^s):
1
3 lfrarftt_eodel OrderedDictQ
J nu«i_iieters len(instr)
6 i nun_neters > 12:
6- яак_ли«_с lusters - 2
7 else:
3 M 1ut ttrs J
9
10 for network n enu«erate(lnstr):
11 pOM«r_data MtMFk.pOMer data.fillnafi^iu« pLace • Falso)
12 X power_data„values.reshape (( 1, 1J)
13 assert X.ndl« 2 1Я self.X X
IS
16- nyBfee»,nget£netwrfc;,n?«Bi)' ■ ni : Hone;
17 n u*_tct 4l_frtat e s number, get (networlunaee)
IS
19 else;
20 pr-inc "Количество скрытых состояний {}e.for«at(network.лаве)
21 states cluster(X> eaxoufliclusters)
22 nu*_total_states len(states)
23 print "Нонер скрытого состояния {}: {}'.format(network.navet num_total_states)
24
print ("Тренировка недели ■{} с {} скрытыми состояниями"■foreat(network.пэве, nLM_tot*lj£tftt*s)}
26 "iulX")
37 .
25 learnt_eodel[network.naiiej. fit^Xjj
Рисунок 2. Обучение модели Figure 2. Model training
• Так как алгоритм должен точно определять, включено ли устройство или нет, а также определить количество затраченной им энергии за определенный период времени, то критериями оценки точности алгоритма становятся среднее абсолютное отклонение (САО). САО позволит определить, насколько оценка отклоняется от действительных замеров.
Программная модернизация скрытой марковской модели отражается в нескольких пунктах:
1. Внедряется новая функция для вычисления факторизованных параметров скрытой марковской модели (начальные вероятности или матрицы перехода от первоначальных параметров), представленная на рисунке 1.
1 def del и: t loi^^i/, test_moins) :
2
3
4
б 7 3 9 10 11 12 13 14.
15
16
17
18 19
ге 21 22
23
24
25
26
27
28
2. После предварительной подготовки модель текущей версии обучается только на первом фрагменте данных на каждом скрытом слое (рисунок 2)
3. Определение электроприборов в модернизированном алгоритме организовано через отражение данных из сохраненного словаря (рисунок 3), что в сравнении с общепринятой методикой позволяет гораздо быстрее получать итоговый результат, а также значительно экономит вычислительные ресурсы системы в целом (не пересчитываются из значений гиперпараметров вновь и вновь при каждом обращении к сектору памяти).
Как было упомянуто ранее, наиболее правильным аналитическим критерием точности
learnt_states_array = []
test^mains test_mains .dropnaO
length len(test_mains.index)
temp testnains.values.reshape(length, 1)
1 ea r ntstat e s_a rr ay. a pp end ( se ¿/.model.pre d i с t{temp))
# модель
means OrderedDiet() >r izmer, model Ln self.individual.iteritems{): means[izmer] (
model.means .rouncl() .astype{int) .flatten{) .tolist( )) meansfizmer].bort()
decoded jiower^array [] decoded_states_array []
learnt_states le ar nt_s ta te s_ar r ay: [cfecoded^states, decoded^power] decode^timm(
len(learnt_states), means, means.keys{), learnt_states) decodeds tat e s_a rray.a ppend(detodeds tate s) decoded_p оыег_аг ray.a ppe nd{de с od ed_powe r)
prediction pd.DataFramef
decoded_poner_ai-ray [Э ], index testjnains.index)
returr predictioiJ
Рисунок 3. Организация определения электроприборов Figure 3. Electrical appliance definition organization
84
Рисунок 4. Алгоритм скрытой марковской модели Figure 4. Hidden Markov model algorithm
Рисунок 5. Модернизированный алгоритм скрытой
марковской модели Figure 5. Modernized hidden Markov model algorithm
алгоритмов в данной задаче является величина САО (в англоязычной литературе mean absolute deviation - MAD), при которой наименьшее, близкое к нулю значение, будет характеризовать большую точность модели.
Предварительно уточним исходные условия эксперимента: в наборе исходных данных содержится информация об энергопотреблении 10 домов за интервал одного календарного месяца. Для каждого дома, кроме общей энергопотребности, измеряется уровень потребления энергии с частотой в 6 секунд (то есть за каждый период в 6 секунд записываются результаты потребления энергии). В каждом из 10 домов присутствуют общие электробытовые приборы (посудомоечная машина, стиральная машина,
водонагреватель и холодильник), потребление энергии которых необходимо выявить алгоритмом. Кроме них, существуют различающиеся источники потребления электроэнергии (телевизор, ПК, ноутбук, зарядное устройство телефона, аудиосистема и другие). Задача алгоритма искусственного интеллекта состоит в аналитике общего энергопотребления и формировании обобщающей способности работы отдельно рассматриваемых электроприборов, чтобы на тестовой выборке было обеспечено определение активности конкретного прибора (холодильник, посудомоечная машина) и его уровня электропотребления в общей сети.
Сравнение моделей на основе предложенного критерия MAD (рисунки 4 - 5) дока-
Рисунок 6 - Фиксирование данных модернизированным алгоритмом для электропотребления холодильника Figure 6 - Cooler power consumption data fixing by the modernized algorithm
Рисунок 7. Фиксирование данных модернизированным алгоритмом для электропотребления накопительного
водонагревателя
Figure 7. Storage water heater power consumption data fixing by the modernized algorithm
зывают, что применение модернизированного алгоритма позволяет существенно увеличить эффективность скрытой марковской модели в условиях задачи интеллектуального учета. Возрастание точности критерия precision характеризует наиболее точное определение: включен прибор или нет (соответствующие значения точности у состояний 0 и 1, где 1 - прибор работает), а также САО уменьшилось более, чем в три раза.
На рисунках 6 - 7 представлены результаты интерпретации работы скрытой марковской модели для разных конечных электроприборов, одновременно работавших в сети в данный период времени. В исходном наборе данных присутствуют истинные значения потребления каждого прибора в отдельности (на результирующем графике обозначены зелёной пунктирной линией - baseline), благодаря этому на примере конкретного электроприбора появляется возможность наглядно просмотреть точность реализованной модели (сплошная синяя линия - model).
Линия baseline отражает прецизионные значения потребления электроэнергии конкретным электроприбором. Поскольку результаты интерпретации модели представлены на основании тестовой выборки, то практический смысл линии baseline, например, на рисунке 6 - это графическая характеристика энергопотребления холодильника, отделенная от общего энергопотребления сети в одном из домов потребите-
ля. Соответственно, линия model трактуется как предсказанная величина энергопотребления холодильника, которая была отделена алгоритмом из общих энергозатрат выбранного дома.
Изменение архитектуры скрытой марковской модели позволило сделать предположение о её эффективности ещё на этапе гипотезы. Оценка результатов точности модели по критерию MAD подтверждает обоснованность выдвинутой гипотезы, а также подчёркивает практическую ценность модернизации архитектуры алгоритма.
Параллельная работа нескольких электробытовых приборов в сети не позволяет алгоритму правильным образом отслеживать тенденцию энергопотребления отдельно взятого прибора (на рисунке 7 отражена неравномерная регистрация энергопотребления моделью, по сравнению с действительными значениями), однако эту проблему можно нивелировать, если предварительно обучить алгоритм тенденциям энергопотребления каждого прибора в отдельности.
СПИСОК ЛИТЕРАТУРЫ
10.
11.
12. 13.
Государственная Дума Российской Федерации приняла закон об интеллектуальных системах учета электроэнергии [Электронный ресурс]. - Режим доступа: https://tass.ru/ekonomika/5930173
Non-intrusive load disaggregation solutions for very low-rate smart meter data [Электронный ресурс]. - Режим доступа: https://www.sciencedirect.com/science/article/abs/pii/S030626192030461X
Disaggregation of household solar energy generation using censored smart meter data [Электронный ресурс]. -Режим доступа: https://www.researchgate.net/publication/347799760_Disaggregation_of_household_solar_energy_ generation_using_censored_smart_meter_data
Energy disaggregation based on smart metering data via semi-binary nonnegative matrix factorization [Электронный ресурс]. - Режим доступа: https://www.researchgate.net/publication/328784164_Energy_Disaggregation_Based_ on_Smart_Metering_Data_via_Semi-Binary_Nonnegative_Matrix_Factorization
Test System for Disaggregation Algorithms for use in Smart Meters [Электронный ресурс]. - Режим доступа: https:// www.sciencedirect.com/science/article/pii/S1876610211044122
Disaggregation of Electric Appliance's Consumption Using Collected Data by Smart Metering System [Электронный
ресурс]. - Режим доступа: https://www.sciencedirect.com/science/article/pii/S1876610215013648
Electric Load Disaggregation in Smart Metering Using a Novel Feature Extraction Method and Supervised Classification
[Электронный ресурс]. - Режим доступа: https://www.researchgate.net/publication/241122968_Electric_Load_
Disaggregation_in_Smart_Metering_Using_a_Novel_Feature_Extraction_Method_and_Supervised_Classification
Smart meter data classification using optimized random forest algorithm [Электронный ресурс]. - Режим доступа:
https://www.sciencedirect.com/science/article/abs/pii/S0019057821004195
Cooling load disaggregation using a NILM method based on random forest for smart buildings [Электронный ресурс].
- Режим доступа: https://www.researchgate.net/publication/353448490_Cooling_Load_Disaggregation_Using_a_ NILM_Method_Based_on_Random_Forest_for_Smart_Buildings
Predicting winners and losers under time-of-use tariffs using smart meter data [Электронный ресурс]. - Режим доступа: https://www.researchgate.net/publication/353308193_Predicting_Winners_and_Losers_under_Time-0f-Use_Tariffs_Using_Smart_Meter_Data
Лекция (слайды) №7 курса «Вероятностное обучение» Сергея Николенко, посвященная [Электронный ресурс].
- Режим доступа: https://logic.pdmi.ras.ru/~sergey/teaching/mlbayes/07-hmm2.pdf Serge Kruk. Practical Python Al Projects. - Apress. 2018. - 271 c.
Top Programming Languages 2021 [Электронный ресурс]. - Режим доступа: https://spectrum.ieee.org/top-programming-languages/#toggle-gdpr
REFERENCES
10.
11.
Gosudarstvennaya Duma Rossiyskoy Federatsii prinyala zakon ob intellektual'nykh sistemakh ucheta elektroenergii [The State Duma of the Russian Federation adopted the law on smart electricity metering systems]. Retrieved from: https://tass.ru/ekonomika/5930173 [in Russian].
Non-intrusive load disaggregation solutions for very low-rate smart meter data. Retrieved from: https://www.science-direct.com /science/article/abs/pii /S030626192030461X [in English].
Disaggregation of household solar energy generation using censored smart meter data. Retrieved from: https://www. researchgate.net/ publication/347799760_ Disaggregation_of_household_ solar_energy_generation_ using_cen-sored_smart_meter_data [in English].
Energy disaggregation based on smart metering data via semi-binary nonnegative matrix factorization. Retrieved from: https://www.researchgate.net /publication/328784164_ Energy_Disaggregation_ Based_on_Smart_Metering_ Data_via_Semi-Binary_Nonnegative_Matrix_Factorization [in English].
Test System for Disaggregation Algorithms for use in Smart Meters. Retrieved from: https://www.sciencedirect.com/ science/article/pii/S1876610211044122 [in English].
Disaggregation of Electric Appliance's Consumption Using Collected Data by Smart Metering System. Retrieved from: https:// www.sciencedirect.com/ science/article /pii/ S1876610215013648 [in English].
Electric Load Disaggregation in Smart Metering Using a Novel Feature Extraction Method and Supervised Classification. Retrieved from: https://www.researchgate.net/ publication/241122968_Electric _Load_Disaggregation_in_Smart _Metering_Using_a_Novel_Feature_ Extraction_Method_and_ Supervised_Classification [in English]. Smart meter data classification using optimized random forest algorithm. Retrieved from: https://www.sciencedirect. com /science/article/abs/pii/ S0019057821004195 [in English].
Cooling load disaggregation using a NILM method based on random forest for smart buildings. Retrieved from: https:// www.researchgate.net/ publication/353448490_ Cooling_Load_Disaggregation_ Using_a_NILM_Method_Based_ on_Random_Forest_ for_Smart_Buildings [in English].
Predicting winners and losers under time-of-use tariffs using smart meter data. Retrieved from: https://www.research-gate.net/ publication/353308193_ Predicting_Winners_and_ Losers_under_Time-Of-Use_Tariffs_Using_Smart_Me-ter_Data [in English].
Lektsiya (slaydy) №7 kursa «Veroyatnostnoye obucheniye» Sergeya Nikolenko, posvyashchennaya [Lecture (slides) No. 7 of the course "Probabilistic Learning" by Sergey Nikolenko, dedicated to]. Retrieved from: https://logic.pdmi.ras. ru/~sergey/ teaching/mlbayes/07-hmm2.pdf [in Russian], Serge Kruk (2018). Practical Python Al Projects. - Apress [in English],
Jop Programming Languages 2021. Retrieved from: https://spectrum.ieee.org/top-programming-languages/#toggle-■ [in English],
научно-технический журнал №3-2022 ^^
вестник о 7
f-.. ■■- ■
