Low-Frequency Unsupervised Non-Intrusive Load Monitoring for Industrial Loads

Abstract

The industrial sector is responsible for a large share of global energy consumption. Lowering energy consumption in the industrial sector can reduce the rate and severity of future climate change impacts on people and ecosystems. Non-Intrusive Load Monitoring (NILM) techniques can disaggregate a facility’s power consumption into the individual loads, that is, into the power consumption of each equipment in the facility. NILM methods do not require the presence of a sensor per equipment. These methods provide information that can be used to define strategies for optimal energy usage in a facility and lead to a decrease in operating costs in the industrial sector. This dissertation aimed to develop a NILM algorithm to be part of an intelligent platform for the management of microalgae production within the scope of the InGestAlgae project (reference: CENTRO-01-0247-FEDER-046983) developed at the Institute of Systems and Robotics (ISR) of the University of Coimbra. The requirements defined the algorithm to be an unsupervised and non-event-based method, compliant with low-frequency samples, and deployed in environments with continuously varying equipment. The developed technique is required to estimate the active power consumption of the equipment in an industrial facility. The method can access the values from the Supervisory Control and Data Acquisition (SCADA) system, which includes the aggregate and equipment’s ON/OFF state data. Two unsupervised low-frequency NILM methods were proposed, implemented and validated. The first method uses polynomial functions, estimated through a metaheuristic algorithm, to model the active power consumption of the equipment as a function of the aggregate active power. The second technique consists of an Unsupervised Neural Network (UNN) that estimates the active power of the equipment based on the optimization of an objective function and does not require labelled training data. The UNN algorithm was trained and tested with two different architectures and sets of inputs. The first UNN uses the aggregate active power and equipment state samples, and the second network uses the aggregate active power samples passed through a Fourier feature mapping. The High-resolution Industrial Production Energy (HIPE) and the Industrial Machines Dataset for Electrical Load Disaggregation (IMDELD) datasets were preprocessed and used to train and validate the proposed methods. The UNN, with the aggregate active power and the equipment state samples as input, estimated the results with the lowest error values, measured with different metrics such as the Mean Absolute Error (MAE), Mean Square Error (MSE) and Root Mean Squared Error (RMSE) for the validation data. The UNN method successfully identified high-consumption equipment.

O setor industrial é um dos principais consumidores de energia a nível global. A redução do consume energético no setor industrial deverá conduzir à diminuição do aquecimento global e à mitigação do seu impacto em populações e ecossistemas. Técnicas de NILM permitem desagregar o consume elétrico de um agregado nos consumos individuais dos equipamentos do agregado e não requerem a presença de um sensor por equipamento. Estas técnicas fornecem informação que pode ser usada para definir estratégias que conduzam à redução do consumo elétrico e consequentemente à diminuição dos custos de operação no setor industrial. A dissertação tem como objetivo o desenvolvimento de um método que realize NILM e que possa integrar uma plataforma de gestão de produção de microalgas, no âmbito do projeto InGestAlgae (referência: CENTRO-01-0247-FEDER-04698) desenvolvido no Instituto de Sistemas e Robótica da Universidade de Coimbra. Os requisitos definem o método como não supervisionado, não baseado em eventos e compatível com amostras de baixa frequência e com equipamentos de tipo III. O método deve estimar o consumo de potência ativa dos equipamentos presentes numa fábrica. O algoritmo tem acesso às amostras de potência ativa do agregado e de estado dos equipamentos (ON/OFF). As amostras são fornecidos pelo sistema SCADA. Dois métodos que realizam NILM não supervisionada para amostra de baixa frequência foram desenvolvidos e validados. O primeiro método, modela o consumo de cada equipamento através de uma função polinomial, estimada a partir de um algoritmo de otimização meta-heurística, que tem como variável a potência ativa do agregado. O segundo método consiste numa rede neuronal não supervisionada que estima a potência ativa consumida por cada equipamento através da otimização de uma função objetivo e não requer dados de treino classificados. Duas redes neuronais não supervisionadas com arquiteturas distintas foram implementas. A primeira rede neuronal tem como entrada as amostras da potência ativa do agregado e o estado dos equipamentos. A segunda rede recebe como entrada um mapeamento de Fourier do agregado da potência ativa. Os métodos propostos foram treinados e validados com recurso a dois datasets públicos pré-processados, o HIPE e o IMDELD. A rede neuronal não supervisionada, que tem como entradas as amostras do agregado da potência ativa e o estado dos equipamentos estimou os resultados com menor erro, segundo as métricas de MAE, MSE e RMSE, para os dados de validação e identificou corretamente os equipamentos de maior consumo.