Abstrak— Penelitian ini mengusulkan sebuah konsep smart meter sebagai pengganti kWH meter. Smart meter merupakan salah satu solusi manajemen energi yang memungkinkan konsumen untuk memperoleh data statistik konsumsi energi listrik secara terperinci. Smart meter yang didesain memiliki fitur-fitur yang dapat memantau arus beban, mengidentifikasi peralatan-peralatan elektronika dan mencatat pemakaian energi listrik secara aktual meliputi waktu penggunaan peralatan elektronika serta menampilkan biaya yang harus dibayarkan oleh konsumen. Fitur–fitur tersebut tidak dimiliki oleh kWH meter analog dan digital. Dalam proses perancangan, smart meter menggunakan piranti sensor arus ACS712 sebagai pengganti transformator arus. Alasan pemilihan sensor arus ACS712 adalah untuk meminimalkan fenomena distorsi dalam pengukuran arus dari transformator arus. Hasil eksperimen dan simulasi diperoleh untuk memvalidasi metodologi dan untuk menunjukkan beberapa manfaat yang dapat dicapai dengan pengenalan smart meter yang diaplikasikan pada sektor rumah tangga dalam konteks identifikasi profil beban secara real time menggunakan metode backpropagation neural network. Dari metode yang diusulkan, diperoleh hasil signifikan yaitu akurasi identifikasi beban yang mencapai 99%.
Kata Kunci— Smart Meter, Manajemen Energi, Identifikasi Profil beban, Backpropagation Neural Network
I. PENDAHULUAN
ewasa ini, konservasi energi merupakan isu yang menantang karena secara eksponensial meningkatkan kebutuhan energi. Sumber daya energi fosil yang terbatas dan diperkirakan kebutuhan energi global akan meningkat dua kali lipat pada akhir tahun 2030 [1]. Hal ini akan menimbulkan dampak negatif terhadap lingkungan yakni menghasilkan emisi karbon dioksida 𝐶𝑂2 , nitrogen oksida 𝑁𝑂𝑥 , dan sulfur dioksida 𝑆𝑂2 . Para peneliti sedang
berusaha untuk mengembangkan solusi teknologi untuk mengatasi masalah ini [2]. Perekonomian, perubahan iklim dan krisis energi pada suatu negara secara langsung dipengaruhi oleh pertumbuhan konsumsi energi. Salah satu contoh langkah untuk menurunkan pemborosan energi listrik dapat dicapai melalui pemantauan konsumsi energi listrik dan
menyampaikan informasi ini kembali (umpan balik) kepada konsumen [3-4]. Beberapa studi menunjukkan bahwa penghematan energi listrik maksimum dapat dicapai dengan menggunakan mekanisme umpan balik langsung yaitu memberikan informasi penggunaan energi listrik secara real time [4].
Secara umum, sistem instrumentasi pemantauan beban klasik menggunakan banyak sensor karena sensor dipasang pada setiap beban. Sistem ini membutuhkan biaya yang besar untuk pemasangan dan pemeliharaan. Oleh karena itu, sistem instrumentasi pemantauan beban klasik terlalu rumit untuk diterapkan pada sektor rumah tangga [5]. Dimasa depan, sistem pemantauan beban akan fokus pada teknik pengembangan strategi untuk meminimalkan jumlah peralatan instrumentasi dengan menggunakan sistem Non Intrusive
Load Monitoring (NILM) [5-6]. Sistem NILM hanya
memerlukan sensor tegangan dan arus. Kedua sensor ini tidak terpasang pada setiap beban. Sensor ini mengirimkan informasi penggunaan energi listrik untuk sistem manajemen energi rumah untuk pemantauan dan pengendalian beban. Melalui teknik ini, penggunaan energi setiap beban dapat diperoleh dan dikendalikan [7]. Sistem NILM menawarkan instalasi peralatan instrumentasi yang sederhana. Oleh karena itu, sistem NILM menjadi skema sistem manajemen energi yang handal [8-9].
Saat ini telah ada jurnal – jurnal yang membahas jaringan saraf tiruan untuk meningkatkan kinerja sistem NILM sebagai metode identifikasi beban. Beberapa metode telah digunakan untuk mengidentifikasi beban berdasarkan kondisi transien menggunakan transformasi wavelet [10] dan steady state menggunakan transformasi fast fourier [11] menggunakan metode kecerdasan buatan yang memiliki kemampuan klasifikasi yakni multilayer perceptron, radial basis function,
dan support vector machine, secara tidak real time [12].
Penelitian ini mengusulkan konsep smart meter yang sederhana untuk memantau dan identifikasi pemakaian energi listrik pada sektor rumah tangga dengan memanfaatkan besarnya arus root mean square dari variasi sampel tegangan yang berbeda (±5 % dari 220 volt) dari setiap peralatan-peralatan elektronika tanpa menggunakan transformasi wavelet maupun transformasi fast fourier. Proses identifikasi beban dilakukan secara real time menggunakan metode
backpropagation neural network. Konsep smart meter dalam
penelitian ini menawarkan biaya teknologi yang murah tetapi memiliki fitur-fitur yang tidak dimiliki kWH meter analog maupun digital yang terpasang dirumah-rumah konsumen.
Desain Smart Meter Untuk Memantau Dan Identifikasi Pemakaian Energi
Listrik Pada Sektor Rumah Tangga Menggunakan Backpropagation Neural
Network
Koko Hutoro, Adi Soeprijanto, Ontoneso Penangsang
Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS)
Jl. Arief Rahman Hakim, Surabaya 60111
: koko12@mhs.ee.its.ac.id
Perlu ditekankan bahwa penelitian ini didesain tidak terlepas dari konsep dan tujuan sistem NILM sehingga akan memberikan manfaat bagi masyarakat.
II. STRUKTURIDENTIFIKASIBEBAN
Struktur umum dari sistem identifikasi beban ditunjukkan pada Gambar 1 [12]. Parameter utama yang digunakan pada sistem identifikasi beban adalah sampel gelombang tegangan dan arus. Pengukuran arus pada sistem identifikasi beban dapat dilakukan dengan dua cara yaitu mengukur arus pada masing-masing beban tunggal secara terpisah. Cara ini membutuhkan biaya yang relatif tinggi karena sensor arus dipasang pada setiap beban. Dan mengukur arus semua beban pada satu titik sumber listrik.
Gambar 1. Struktur Umum Sistem Identifikasi Beban
Modul akuisisi data berfungsi untuk mendapatkan sinyal pengukuran pada kondisi steady state dan transien. Frekuensi sampling untuk mendapatkan sinyal pada kondisi steady state dan transien diatur melalui modul akuisisi data. Modul event
detection akan mendeteksi apabila ada beban yang sedang
aktif atau tidak aktif. Selain itu, modul ini juga diterapkan untuk memutuskan apakah beban disambungkan ke sistem atau dilepaskan dari sistem. Jika beban terhubung, bentuk sampel gelombang tegangan dan arus akan dianalisis dengan modul identifikasi beban. Pada proses selanjutnya, informasi beban yang telah diidentifikasi dikirim ke manajemen energi untuk evaluasi tingkat pemborosan penggunaan energi.
A. Metode Identifikasi Beban
Metode untuk memantau dan mengidentifikasi beban terbagi menjadi dua kategori yaitu metode pada kondisi steady
state dan metode pada kondisi transien.
Metode pada kondisi steady state menggunakan parameter sinyal konstan ketika beban listrik beroperasi pada keadaan stabil. Sedangkan metode pada kondisi transien mengandalkan parameter sinyal transisi pensaklaran dari beban. Salah satu metode yang diterapkan untuk mengidentifikasi beban yakni metode berdasarkan karakteristik gelombang arus [13].
B. Metode Berdasarkan Karakteristik Gelombang Arus
Bentuk gelombang arus dalam domain waktu yang ditunjukan pada gambar 2 merupakan informasi yang sangat lengkap untuk menggambarkan suatu beban. Selain itu, karakteristik arus puncak, arus rata-rata dan arus rms (root
mean square) dapat digunakan sebagai parameter identifikasi
beban.
Gambar 2. Gelombang Arus Peralatan Elektronika
III. IDENTIFIKASIBEBANMENGGUNAKAN BACKPROPAGATIONNEURALNETWORK
A. Data Persiapan
Gambar 3. Desain smart meter
Gambar 3 menggambarkan desain smart meter yang digunakan untuk memantau gelombang arus dari peralatan-peralatan elektronika. Smart meter ini terdiri dari satu sumber satu fasa (1Ø), transformator step up dan step down, catu daya 5 V, sensor arus ACS712, arduino uno, rangkaian pengkondisian sinyal, sebuah laptop dan enam buah peralatan elektronika sebagai beban yang terdiri dari setrika, kompor listrik, pemanas air minum, blender, mixer dan lampu penerangan.
Parameter utama yang akan diperoleh adalah arus root
mean square dengan teganga yang bervariasi dari
peralatan-peralatan elektronika. Oleh karena itu, dibutuhkan perangkat transformator step up dan step down.
Sampel data arus root mean square yang representatif dari beban peralatan-peralatan elektronika harus dipantau dan dikumpulkan untuk tujuan pelatihan dan pengujian
backpropagation neural network. Karena pengukuran arus
root mean square pada kondisi steady state tidak
membutuhkan frekuensi sampling yang tinggi maka frekuensi sampling diatur sekitar 120 Hz.
B. Backpropagation Neural Network
Secara umum, struktur backpropgation neural network terdiri dari tiga bagian lapis yaitu lapis masukan, lapis tersembunyi dan lapis keluaran termasuk neuron. Neuron merupakan elemen pemroses. Dalam penelitian ini, proses
pelatihan backpropagation neural network digunakan untuk feedforward neural network. Neuron masukan berjumlah satu yaitu arus root mean square, neuron keluaran adalah status peralatan elektronika berupa bilangan biner 0 dan 1. Dan neuron pada lapis bersembunyi berjumlah lima dan merupakan lapis tersembunyi tunggal.
Gambar 4. Struktur backpropagation neural network untuk peralatan elektronika setrika, dispenser dan kompor listrik
C. Metode Lavenberg-Marquadt
Metode ini adalah metode kombinasi gradient descent dengan algoritma newton. Dengan metode ini, memperbaharui w dilakukan sebagai berikut :
∆𝐸 𝑤 𝑛 = 𝑔 𝑛 ∆𝑤 𝑛 +12∆𝑤 𝑛 𝐻 𝑛 ∆𝑤 𝑛 (1) Dengan g(n) adalah gradient dari fungsi E dan H adalah matriks Hessian (elemennya adalah turunan kedua galat terhadap penimbang) yang didefinisikan sebagai berikut:
𝐻 = 𝜕2𝐸 𝜕𝑊12 𝜕2𝐸 𝜕𝑊1𝜕𝑊2 𝜕2𝐸 𝜕𝑊𝑛𝜕𝑊1 𝜕2𝐸 𝜕𝑊1𝜕𝑊2 ⋮ 𝜕2𝐸 𝜕𝑊22 ⋮ 𝜕2𝐸 𝜕𝑊𝑛𝜕𝑊2 ⋮ 𝜕2𝐸 𝜕𝑊𝑛𝜕𝑊1 𝜕2𝐸 𝜕𝑊𝑛𝜕𝑊2 𝜕2𝐸 𝜕𝑊22 (2)
Matriks H dapat dituliskan menjadi 𝐻 = 2𝐽𝑇𝐽. Dengan J adalah matriks Jacobian. Persamaan perbaikan penimbang metode Lavenberg-Marquadt adalah sebagai berikut:
𝑊𝑘+1 = 𝑊𝑘− 𝐽𝑘𝑇𝐽𝑘+ 𝜇𝐼 −1 𝐽𝑘𝑇𝑒 (3)
Dengan e adalah vektor galat kumulatif pada keluaran untuk semua pola, I adalah matriks identitas, J adalah matriks jacobian dan 𝜇 adalah laju pelatihan.
D. Data Preprocessing
Pelatihan backpropagation neural network dapat dibuat lebih efisien jika langkah-langkah preprocessing tertentu
dilakukan pada masukan jaringan. Sebelum pelatihan, seringkali dilakukan penskalaan pada masukan dan target dalam kisaran tertentu dengan tujuan untuk menormalisasi data dengan menggunakan mean dan deviasi standar. Persamaan normalisasi masukan dan target :
𝑃𝑛 = ( 𝑃 – 𝑚𝑒𝑎𝑛𝑝)/ 𝑠𝑡𝑑𝑝 (4)
𝑡𝑛 = ( 𝑡 – 𝑚𝑒𝑎𝑛𝑡)/ 𝑠𝑡𝑑𝑡 (5)
Dengan matriks P dan t adalah masukan jaringan asli dan target. Meanp adalah mean pada matriks masukan asli. Meant adalah mean pada matriks target asli. Stdp adalah deviasi standar pada matriks masukan asli. Stdt adalah deviasi standar pada matriks target asli.
Simulasi program backpropagation neural network dirancang menggunakan MATLAB. Pada setiap peralatan elektronika, backpropagation neural network dilatih dengan maksimum epoh bernilai 1000, laju pelatihan bernilai 0.7, jumlah epoh yang akan ditunjukkan kemajuannya bernilai 10 dan kinerja tujuan bernilai 1e-5. Program dijalankan pada laptop MSI dengan spesifikasi intel core i3 2.53 Ghz.
Bobot ini harus dilatih dengan pasangan masukan dan keluaran yang ada menggunakan algoritma yang sesuai. Pengaturan parameter pelatihan yang tepat harus diberikan selama proses pelatihan. Iterasi pelatihan akan berhenti ketika telah mencapai nilai kinerja tujuan yang ditetapkan.
Fungsi indeks kinerja yang biasa digunakan untuk melatih jaringan saraf feedforward adalah rata-rata kuadrat kesalahan antara keluaran jaringan dan target keluaran atau juga disebut
mean square error (MSE).
𝐹 = 𝑀𝑆𝐸 =𝑁1 𝑒2 𝑖 =1 𝑁 ((𝑡 𝑖 − 𝑎 𝑖 ) 2 𝑁 𝑖=1 𝑁 𝑖=1 (6)
Dengan variabel 𝑁 adalah jumlah sampel pelatihan, variabel 𝑡 adalah target keluaran, dan variabel 𝑎 adalah keluaran jaringan.
IV. HASILEKSPERIMENDANSIMULASI
Simulasi pada penelitian ini dilakukan dengan menggunakan dua perangkat lunak yakni Matlab dan Labview. Simulasi pengukuran arus peralatan-peralatan elektronika bertujuan untuk memperoleh sampel data yang representatif. Sampel data tersebut digunakan untuk proses identifikasi.
A. Simulasi Backpropagation Neural Network Menggunakan
Matlab
Dengan hanya menggunakan nilai arus root mean square pada kondisi steady state maka backpropagation neural
network dapat membuat keputusan. Semua peralatan
elektronika menerapkan lapis tersembunyi tunggal pada arsitektur backpropagation neural network.
Setelah mengumpulkan data masukan , proses pelatihan
backpropagation neural network menggunakan metode
Lavenberg-Marquadt dilakukan dengan perangkat lunak matlab. Fungsi aktivasi yang digunakan adalah logsig karena semua data yang digunakan dalam simulasi memiliki nilai positif. Hasil akurasi identifikasi beban ditunjukkan pada tabel 1, tabel 2 dan tabel 3.
Tabel 1. Hasil identifikasi beban untuk peralatan elektronika setrika, kompor listrik dan dispenser
No Kombinasi peralatan elektronika Akurasi pelatihan (%) Akurasi pengujian (%) 1 Setrika 99.33 99.48 2 Dispenser 100 100 3 Kompor Listrik 100 99.99 4 Dispenser + Kompor Listrik 99.99 99.85 5 Kompor Listrik + Setrika 97.13 99.95 6 Setrika + Dispenser 97.46 99.99 7 Setrika + Dispenser + Kompor Listrik 100 100
Jumlah sampel (data) 77
Lama pelatihan (detik) 13.02 Lama pengujian (detik) 0.029
Jumlah epoh (iterasi) 256
Pada pengujian pertama, algoritma backpropagation
neural network digunakan untuk mengidentifikasi beban
secara real time berdasarkan arus root mean square dengan variasi level tegangan ± 5%. Beban ini termasuk dispenser 350 watt, setrika 320 watt dan kompor listrik 400 watt (berdasarkan nameplate beban). Tabel 1 menunjukkan bahwa akurasi pengenalan uji beban dengan beberapa mode operasi yang berbeda-beda menggunakan metode yang diusulkan
(backpropagation neural network dengan metode pelatihan
Lavenberg-Marquardt) mencapai akurasi rata-rata pelatihan sebesar 99.13% dan akurasi rata-rata pengujian sebesar 99.89% dengan lama komputasi 13.02 detik untuk pelatihan 0.029 detik untuk pengujian.
Tabel 2. Hasil identifikasi untuk peralatan elektronika blender dan mixer
No Kombinasi peralatan elektronika Akurasi pelatihan (%) Akurasi pengujian (%) 1 Blender 100 99.98 2 Mixer 99.89 99.88 3 Blender + Mixer 99.96 99.77
Jumlah sampel (data) 33
Lama pelatihan (detik) 5.9
Lama Pengujian (detik) 0.023
Jumlah epoh (iterasi) 8
Pada pengujian kedua, algoritma backpropagation neural
network digunakan untuk mengidentifikasi beban secara real
time berdasarkan arus root mean square dengan variasi level tegangan ± 5%.
Beban ini termasuk blender 200 watt dan setrika 200 watt (berdasarkan nameplate beban). Pada tabel 2 menunjukkan bahwa akurasi pengenalan uji beban dengan beberapa operasi yang berbeda menggunakan metode yang diusulkan
(backpropagation neural network dengan metode pelatihan
Lavenberg-Marquardt) mencapai akurasi rata-rata pelatihan
sebesar 99.95% dan akurasi rata-rata pengujian sebesar 99.87% dengan lama komputasi 5.9 detik untuk pelatihan dan 0.023 detik untuk pengujian.
Tabel 4.13 Hasil identifikasi beban untuk peralatan elektronika lampu penerangan
No Kombinasi peralatan elektronika Akurasi pelatihan (%) Akurasi pengujian (%) 1 Lampu 8 watt 99.82 99.8 2 Lampu 14 watt 100 100 3 Lampu 24 watt 98.61 96.31 4 Lampu 8 watt + Lampu 14 watt 97.92 92.62 5 Lampu 14 watt + Lampu 24 watt 98.54 98.63 6 Lampu 8 watt + Lampu 24 watt 99.85 99.92 7 Lampu 8 watt + Lampu 14 watt + Lampu 24 watt 97.19 97.27
Jumlah sampel (data) 77
Lama pelatihan (detik) 22.6
Lama pengujian (detik) 0.027
Jumlah epoh (iterasi) 229
Pada pengujian ketiga, algoritma backpropagation neural
network digunakan untuk mengidentifikasi beban secara real
time berdasarkan arus root mean square dengan variasi level tegangan ± 5%. Beban yang digunakan adalah lampu penerangan berjumlah tiga buah. Lampu yang digunakan bermerk Philips dengan daya sebesar 8 watt, 14 watt dan 24 watt (berdasarkan nameplate beban). Pada tabel 3 menunjukkan bahwa akurasi pengenalan uji beban dengan beberapa operasi yang berbeda menggunakan metode yang diusulkan (backpropagation neural network dengan metode pelatihan Lavenberg-Marquardt) mencapai akurasi rata-rata pelatihan sebesar 98.84% dan akurasi rata-rata pengujian sebesar 97.79% dengan lama komputasi 22.6 detik untuk pelatihan dan 0.027 detik untuk pengujian.
B. Pengujian Fitur-Fitur Pada Smart Meter Menggunakan
Labview
Setelah sukses pada simulasi backpropagation neural
network menggunakan matlab, nilai-nilai bobot dan bias yang
dihasilkan dari simulasi tersebut diunggah ke perangkat lunak labview untuk feedforward neural network. Pada proses ini, proses pelatihan tidak diperlukan lagi. Smart meter yang didesain dalam penelitian ini dapat mengidentifikasi enam jenis peralatan elektronika.
Fokus utama dari penelitian ini adalah identifikasi profil beban konsumen. Dalam rangka untuk memastikan bahwa perangkat lunak itu ergonomis untuk pengguna (konsumen) dan untuk memvalidasi kinerja metode yang diusulkan, maka dalam penelitian ini juga mengembangkan tampilan grafis atau
Melalui GUI ini, pengguna (konsumen) dapat dengan mudah memantau pemakaian energi listrik secara real time (aktual) yang diilustrasikan pada gambar 5-8. Berikut ini pengujian fitur – fitur smart meter pada semua peralatan elektronika.
Gambar 5-8 menunjukkan fitur-fitur yang dimiliki oleh smart meter meliputi tampilan indikator kondisi beban (hidup berwarna hijau dan mati berwarna merah), pengukuran arus secara aktual (kurva beban), sistem informasi data beban berdasarkan indikator beban, jumlah penggunaan energi listrik dan data perincian.
Gambar 5. Indikator smart meter untuk peralatan elektronika setrika, kompor listrik dan dispenser
Gambar 6. Pengukuran arus dari smart meter secara real time untuk peralatan elektronika setrika, kompor listrik dan dispenser
Gambar 7. Sistem informasi beban untuk peralatan elektronika setrika, kompor listrik dan dispenser
Gambar 8. Pengukuran penggunaan energi listrik dan billing secara aktual untuk peralatan elektronika setrika, kompor listrik dan dispenser
Setelah memperoleh data yang berhubungan dengan konsumsi energi listrik bulanan konsumen, perangkat lunak ini juga menyediakan fasilitas (fitur) yang dapat mengkalkulasi tagihan yang harus dibayarkan oleh konsumen berdasarkan data perincian penggunaan pemakaian energi listrik. Fitur-fitur tersebut tidak dimiliki oleh kWH meter analog maupun digital yang terpasang dirumah-rumah konsumen.
Dari fitur-fitur yang telah didesain, smart meter dapat memberikan umpan balik kepada konsumen seperti mengingatkan pengguna (konsumen) untuk mengatur waktu penggunaan beban, mengelola energi listrik secara efisien dan sebagai bahan pertimbangan untuk mengganti peralatan
elektronika yang boros energi listrik ke peralatan elektronika yang lebih hemat energi listrik.
Pengumpulan data konsumsi energi listrik dari semua konsumen secara teratur memungkinkan perusahaan utilitas untuk mengelola permintaan energi listrik lebih efisien dan juga untuk memberikan saran kepada konsumen tentang cara-cara mengelola energi listrik.
V. KESIMPULAN
Dari hasil eksperimen dan simulasi diperoleh kesimpulan bahwa :
1. Penelitian ini menerapkan metode backpropagation
neural network dengan metode pelatihan
Lavenberg-Marquardt untuk identifikasi beban secara real time. Dari hasil eksperimen menyatakan bahwa metode yang diusulkan memiliki waktu komputasi pelatihan dan pengujian yang cepat apabila dibandingkan dengan backpropagation neural network dengan metode pelatihan gradient descent.
2. Dari sisi akurasi pelatihan dan pengujian menyatakan bahwa metode yang diusulkan menunjukkan hasil yang baik dalam mengidentifikasi beban secara real time yaitu 99.3% untuk akurasi rata-rata pelatihan dan 99.18% untuk akurasi rata-rata pengujian apabila dibandingkan dengan backpropagation neural
network dengan metode pelatihan gradient descent.
3. Dengan memanfaatkan data arus root mean square dari masing-masing peralatan elektronika sebagai data masukan backpropagation neural network menunjukkan kehandalan yang baik. Hal ini dapat ditinjau dari pengujian terhadap variasi tegangan yang berbeda, perubahan konsumsi daya beban, dan mode operasional beban yang berbeda-beda secara simultan.
DAFTARPUSTAKA
[1] J. Uteley, and L. Shorrock, ―Domestic Energy Fact File 2008‖, Technical Report for Building Research Establishment : Garston, UK, 2008.
[2] A. Zoha, A. Gluhak, M.A Imram, and S. Rajasegarar, ―Non-Intrusive Load Monitoring Approaches for Disaggregated Energy Sensing: A Survey‖, Sensors, 2012.
[3] K.E Martinez, K.A Donelly, and J.A Laitner, ―Advanced Metering Initiatives and Residential Feedback Programs: A Meta-Review for Households Electricity-Saving Opportunities‖, Technical Report E105 for American Council for an Energy-Efficient Economy (ACEE), USA, 2010.
[4] Energy Consumption in United Kingdom, Technical Report for Department of Energy & Climate Change, London, 2010
[5] G. W. Hart, ―Nonintrusive Appliance Load Monitoring‖, Proceedings IEEE, Vol. 80, No. 12, December 1992.
[6] J. G. Roos, I. E. Lane, E. C. Lane, and G. P. Hanche, ―Using neural networks for non-intrusive monitoring of industrial electrical loads,‖ in Proceedings of IEEE
Instrumentation and Measurement Technology Conference, 10-12 May 1994.
[7] H.Y Lin, and M.S Tsai, ―Applications Of Hierarchical Support Vector Machines For Identifying Load Operation In Nonintrusive Load Monitoring Systems‖, Proceeding Of World Congress On Intelligent Control And Automation, 21-25 June 2011.
[8] C. Laughman, K. Lee, R. Cox, S. Shaw, S. B. Leeb, L. Norford, and P. Armstrong, ―Power Signature Analysis‖. IEEE Power & Energy Magazine, March/April 2003.
[9] Y.Y Hong, and J.H Chou, ―Nonintrusive Energy Monitoring for Microgrids Using Hybrid Self-Organizing Feature-Mapping Networks,‖ Energies, 2012.
[10] H.H Chang, K.L Chen, Y.P Tsai, and W.J Lee, ‖A New Measurement Method for Power Signatures of Nonintrusive Demand Monitoring and Load Identification,‖ IEEE Transactions on Industry Applications, Vol. 48, March/April 2012
[11] D. Srinivasan, W. S. Ng, and A. C. Liew, ‖Neural-Network-Based Signature Recognition For Harmonic Source Identification,‖ IEEE Transactions Power Delivery, Vol 21, January 2006
[12] Yi Du, Liang Du, Bin Lu, Ronald Harley, and Thomas Habetler,‖ A Review of Identification and Monitoring Methods for Electric Loads in Commercial and Residential Buildings,‖ IEEE, 2010
[13] Jian Liang, Simon K. K. Ng, Gail Kendall, and John W. M. Cheng,‖ Load Signature Study—Part I: Basic Concept, Structure, and Methodology,‖ IEEE Transactions On Power Delivery, Vol 25, April 2010
