Iot based approach for load monitoring and activity recognition in smart homes

Abstract

Appliance load monitoring in smart homes has been gaining importance due to its significant advantages in achieving an energy e cient smart grid. The methods to manage such processes can be classified into hardware-based methods, including intrusive load monitoring (ILM) and software-based methods referring to non-intrusive load monitoring (NILM). ILM is based on low-end meter devices attached to home appliances in opposition to NILM techniques, in which only a single point of sensing is needed. Although ILM solutions are relatively expensive, they provide higher e ciency and reliability rather than NILMs do. Moreover, future solutions are expected to be hybrid, combining the benefits of NILM along with individual power measurement by smart plugs and smart appliances. This thesis proposes a novel ILM approach for load monitoring that aims to develop an activity recognition system based on an IoT architecture. The proposed IoT architecture consists of an appliances layer, a perception layer, a communication network layer, a middleware layer, and an application layer. The application layer consists of an appliance recognition module and activities of daily living (ADL) classification algorithm. The main function of the appliance recognition module is to label sensor data and to allow the implementation of di erent home applications. Three di erent classifier models are tested using real data from the UK-DALE dataset: feed-forward neural network (FFNN), long short-term memory (LSTM), and support vector machine (SVM). The developed ADL algorithm maps each ADL to a set of criteria depending on the appliance used. The features are extracted according to the consumption in Watt-hours and the times where appliances are switched on. In the FFNN and the LSTM networks, the accuracy is above 0.9 while being around 0.8 for the SVM network. Other experiments are performed to evaluate the classifier model using a test set. A sensitivity analysis is also carried out to study the impact of the group size on the classifier accuracy. Once results were obtained, the proposed ADL classification system was enhanced in two frameworks: a training framework and an inference framework. This is to allow a practical implementation of the system. In this regard, several modifications were made in the appliance recognition module, including the use of new data, and therefore new appliances: an electric vehicle, an oven and a microwave, from the Dataport dataset. The frameworks include graphical interfaces that significantly facilitate its use. The dataset configuration, pre-processing and classification parameters can be easily selected and modified. In the feature extraction, inside a sliding window, statistical features of the power samples are computed. In this way, the same pre-processing can be applied in the two di erent datasets. A feature importance analysis can also be rerformed to analyze the contribution of the selected features in the models predictions. With this implementation, the real-time operation is directly related with the size of the window used. El monitoreo de carga de electrodomésticos en hogares inteligentes ha ido ganando importancia debido a sus múltiples ventajas para lograr una red eléctrica inteligente eficiente. Los métodos para administrar dichos procesos se pueden clasificar en métodos basados en hardware, conocidos como monitoreo de carga intrusivo (ILM) y los métodos basados en software que se refieren al monitoreo de carga no intrusivo (NILM). ILM se basa en dispositivos de medición de gama baja conectados a electrodomésticos en oposición a las técnicas NILM, donde solo se necesita un único punto de detección. Aunque las soluciones ILM son relativamente caras, estas brindan mayor eficiencia y confiabilidad que las soluciones NILM. Además, se espera que las soluciones futuras sean híbridas, combinando los beneficios de NILM junto a la medición de energía individual mediante enchufes y electrodomésticos inteligentes. Esta tesis propone un novedoso enfoque ILM para el monitoreo de carga que tiene como objetivo desarrollar un sistema de reconocimiento de actividad basado en una la arquitectura IoT. La arquitectura de IoT propuesta en este estudio consta de una capa de dispositivos, una capa de percepción, una capa de red de comunicación, una capa de middleware y una capa de aplicación. El sistema propuesto consta de un módulo de reconocimiento de electrodoméesticos y un algoritmo de clasificación de actividades diarias (ADLs). La función principal del módulo de reconocimiento de electrodomésticos es etiquetar los datos de los sensores y permitir la implementación de diferentes aplicaciones domésticas. Se prueban tres modelos de clasificadores diferentes utilizando datos reales del dataset UK-DALE: feed fordward neural network (FFNN), long short-term memory (LSTM) y support vector machine (SVM). El algoritmo de ADL desarrollado asigna cada ADL a un conjunto de criterios según el dispositivo utilizado. Las características se extraen según el consumo en Watt-hora y los timestamps en que estos se encienden. En las redes FFNN y LSTM, la precisión está por encima de 0,9 mientras que en la red SVM la misma es de alrededor de 0,8. Se realizan otros experimentos para evaluar el modelo de clasificador utilizando un nuevo conjunto de prueba. También se lleva a cabo un análisis de sensibilidad para estudiar el impacto del tamaño del grupo en la precisión del clasificador. Una vez que se obtuvieron los resultados, el sistema de clasificación de ADL propuesto se integró en dos frameworks de implementación: un framework de entrenamiento y otro de inferencias. Esto con el fin de permitir una implementación práctica del sistema. Para ello, se realizaron varias modificaciones en el módulo de reconocimiento de electrodomésticos, incluyendo el uso de nuevos datos pertenecientes a nuevos dispositivos: un vehículo eléctrico, un horno y un microondas, del dataset Dataport. Los frameworks incluyen interfaces gráficas que facilitan significativamente su uso. Los parámetros de clasificación, preprocesamiento y configuración del conjunto de datos se pueden seleccionar y modificar fácilmente. En la extracción de características una ventana deslizante calcula las características estadísticas de las muestras de potencia. De esta forma, se puede aplicar el mismo preprocesamiento en los dos datasets. Adicionalmente se puede realizar un análisis de importancia de las características para analizar la contribución de las características seleccionadas en las predicciones de los modelos. Con los frameworks propuestos, la operación en tiempo real está directamente relacionada con el tamaño de la ventana.