EDGE-ПІДХІД ДЛЯ ВИЯВЛЕННЯ АНОМАЛІЙ У СПОЖИВАННІ ЕЛЕКТРОЕНЕРГІЇ
Ключові слова:
машинного навчання, мікроконтролери, ESP32, Smart Home Energy ConsumptionАнотація
Дослідження представляє автономний модуль на базі ESP32 із датчиком INA219 для раннього виявлення аномалій енергоспоживання побутових приладів. Ключова інновація полягає в перенесенні машинно-навчальної аналітики на край мережі: квантизований автоенкодер TensorFlow Lite вивчає нормальний профіль приладу протягом одного тижня та в реальному часі порівнює помилку реконструкції зі статистичним порогом μ + 2σ. Будь-яке перевищення негайно тригерить MQTT-сповіщення, усуваючи потребу потокової передачі сирих даних у хмару. Лабораторні випробування на холодильнику, пральній машині та електрочайнику продемонстрували 100 % виявлення раптових стрибків (> 50 %) і 92 % виявлення поступових дрейфів (\~ 10 % на тиждень) із затримкою сповіщення близько 1 с. Модульне ПЗ може бути розгорнуте на готових «розумних» розетках, що дозволяє досягти до 15 % річної економії енергії та підвищити пожежну безпеку без порушення конфіденційності користувача.
Посилання (Бібліографія)
Gopinath R. DeepEdge-NILM: a case study of non-intrusive load monitoring edge device in commercial building // Energy & Buildings. – 2023. – Vol. 294. – Art. 132263. – DOI: 10.1016/j.enbuild.2023.132263.
Miettinen M. A federated learning approach to anomaly detection in smart buildings // Proceedings of the 8th ACM International Conference on Systems for Energy-Efficient Built Environments (BuildSys 2021). – New York : Association for Computing Machinery, 2021. – P. 149–158. – DOI: 10.1145/3486611.3486651.
Rasheed A.; Tu M. TinyML: machine learning on ultra-low-power microcontrollers — state of the art // IEEE Access. – 2021. – Vol. 9. – P. 35980–36000. – DOI: 10.1109/ACCESS.2021.3061962.
Razavi S. E. Edge-based NILM for energy monitoring // Energy & Buildings. – 2024. – Vol. 297. – Art. 112506. – DOI: 10.1016/j.enbuild.2024.112506.
Smart Home Energy Consumption : [dataset]. – Version 08-2024. – Kaggle, 2024. – URL: https://www.kaggle.com/mexwell/smart-home-energy-consumption (дата звернення: 16.05.2025).
Kea K.; Han Y.; Kim T.-K. Autoencoder-based federated learning for power-system anomaly detection // PLOS ONE. – 2023. – Vol. 18, № 8. – e0290337. – DOI: 10.1371/journal.pone.0290337.
