PHÂN LOẠI TRẠNG THÁI ÁNH SÁNG CỦA ĐÈN LED SỬ DỤNG GIÁM SÁT TẢI KHÔNG XÂM LẤN VÀ HỌC MÁY HƯỚNG DỮ LIỆU

Nguyễn Thành Công; Nguyễn Ngọc Sơn; Đào Ngọc Nam Hải; Nguyễn Huy Tình; Jonathan Andrew Ware; Nguyễn Ngọc An

doi:10.34238/tnu-jst.10115

PHÂN LOẠI TRẠNG THÁI ÁNH SÁNG CỦA ĐÈN LED SỬ DỤNG GIÁM SÁT TẢI KHÔNG XÂM LẤN VÀ HỌC MÁY HƯỚNG DỮ LIỆU

Thông tin bài báo

Ngày nhận bài: 11/04/24 Ngày hoàn thiện: 10/06/24 Ngày đăng: 10/06/24

Các tác giả

1. Nguyễn Thành Công, Trường Đại học Công nghệ - Đại học Quốc gia Hà Nội
2. Nguyễn Ngọc Sơn, Trường Đại học Công nghệ - Đại học Quốc gia Hà Nội
3. Đào Ngọc Nam Hải, Viện Công nghệ Thông tin - Đại học Quốc gia Hà Nội
4. Nguyễn Huy Tình, Trường Đại học Công nghệ - Đại học Quốc gia Hà Nội
5. Jonathan Andrew Ware, Đại học South Wales – Vương quốc Anh
6. Nguyễn Ngọc An , Trường Đại học Công nghệ - Đại học Quốc gia Hà Nội

Tóm tắt

Việc theo dõi trạng thái hoạt động của đèn LED có vai trò quan trọng trong việc sử dụng năng lượng hiệu quả và bảo vệ sức khỏe người dùng. Một số nghiên cứu gần đây sử dụng học máy kết hợp với một số tham số, như công suất phát sáng và đặc tính điện, nhằm phân loại trạng thái hoạt động của đèn LED. Tuy nhiên, trong điều kiện môi trường thay đổi, các phương pháp này sẽ không còn hiệu quả do ảnh hưởng của nhiễu môi trường đến dữ liệu đầu vào của mô hình. Trong nghiên cứu này, chúng tôi đề xuất một phương pháp mới để xác định trạng thái hoạt động của đèn LED gia dụng bằng cách sử dụng giám sát tải không xâm nhập, kết hợp cùng với học máy và học tự tin. Bằng cách sử dụng các đặc tính dao động của dòng RMS, chúng tôi đã giảm đáng kể số lượng đầu vào cho các mô hình học máy và yêu cầu phần cứng của chúng nhằm thực hiện tính toán so với các mô hình sử dụng dòng RMS. Với việc bổ sung thêm phương pháp học tập tự tin, độ chính xác dự đoán của các mô hình được cải thiện thêm trung bình 2%. Các mô hình học máy đạt độ chính xác trong việc dự đoán dao động từ 94% đến 97,5%. Phương pháp đề xuất cho thấy tiềm năng áp dụng cho các loại thiết bị điện khác nhau.

Từ khóa

Giám sát tải không xâm nhập; Phân loại trạng thái hoạt động của đèn LED; Biến đổi Fourier rời rạc; Học tự tin; Học máy hướng dữ liệu; Học máy

Toàn văn:

PDF (English)

Tài liệu tham khảo

[1] M. M. A. S. Mahmoud, “Economic Applications for LED Lights in Industrial Sectors,” in Light-Emitting Diodes and Photodetectors, M. Casalino and J. Thirumalai, Eds., Rijeka: IntechOpen, 2021, doi: 10.5772/intechopen.95412.

[2] L. Ciabattoni et al., “A smart lighting system for industrial and domestic use,” in 2013 IEEE International Conference on Mechatronics, ICM 2013, Jan. 2013, pp. 126–131.

[3] N. Narendran and Y. Gu, “Life of LED-based white light sources,” Journal of Display Technology, vol. 1, pp. 167–171, Jan. 2005.

[4] K. Shahzad et al., “Comparative Life Cycle Analysis of Different Lighting Devices,” Chem Eng Trans, vol. 45, Jan. 2015, doi: 10.3303/CET1545106.

[5] M. Y. Soh, T. H. Teo, W. X. Ng, and K. S. Yeo, “Review of high efficiency integrated LED lighting,” in 2017 IEEE 12th International Conference on Power Electronics and Drive Systems (PEDS), 2017, pp. 93–97.

[6] M. M. Aman, G. B. Jasmon, H. Mokhlis, and A. H. A. Bakar, “Analysis of the performance of domestic lighting lamps,” Energy Policy, vol. 52, pp. 482–500, 2013.

[7] P. Mukherjee, “An Overview of Energy Efficient Lighting System Design for Indoor Applications of an Office Building,” Key Eng Mater, vol. 692, pp. 45–53, Jan. 2016.

[8] A. Jhunjhunwala et al., “Energy efficiency in lighting: AC vs DC LED lights,” 2016 First International Conference on Sustainable Green Buildings and Communities (SGBC), 2016, pp. 1–4.

[9] X. Zhan, W. Wang, and H. S. Chung, “A Novel Color Control Method for Multicolor LED Systems to Achieve High Color Rendering Indexes,” IEEE Trans Power Electron, vol. 33, pp. 8246–8258, 2018.

[10] C.-Y. Chen, M.-D. Ke, J.-H. Wu, and P.-J. Wu, “The Investigation on Physiological Influences and the Working Efficiencies of Several Lighting in Market,” in 2013 Ninth International Conference on Intelligent Information Hiding and Multimedia Signal Processing, 2013, pp. 96–99.

[11] T. Clark et al., “LED Luminaire Reliability: Impact of Color Shift,” Apr. 2017. [Online]. Available: https://www.energy.gov/sites/prod/files/2017/04/f34/lsrc_colorshift_apr2017.pdf [Accessed Apr. 09, 2024.]

[12] S. Uddin, H. Shareef, A. Mohamed, M. A. Hannan, and K. Mohamed, “LEDs as energy efficient lighting systems: A detail review,” in 2011 IEEE Student Conference on Research and Development, 2011, pp. 468–472.

[13] V. Gupta, B. Basak, and B. Roy, “A Fault-Detecting and Motion-Sensing Wireless Light Controller for LED Lighting System,” in 2020 IEEE Calcutta Conference (CALCON), 2020, pp. 462–466.

[14] C. Ding and T. Zhang, “Research on health monitoring of LED lighting system,” in 2016 Prognostics and System Health Management Conference (PHM-Chengdu), 2016, pp. 1–5.

[15] Y. Shang, F. Sun, Q. Fang, B. Chen, and J. Xie, “A novel fault diagnosis strategy for LED lamps via light output time-frequency characteristics analysis and machine learning,” Heliyon, vol. 9, no. 9, 2023, Art. no. e19737.

[16] A. Freddi, G. Ippoliti, M. Marcantonio, D. Marchei, A. Monteriu, and M. Pirro, “A Fault Diagnosis and prognosis LED lighting system for increasing reliability in energy efficient buildings,” in IET Conference on Control and Automation 2013: Uniting Problems and Solutions, 2013, pp. 1–6.

[17] H. Jiang, Q. Ma, F. Yang, and M. Shen, “LED device fault diagnosis base on neural network and SVM model analysis,” in 2017 14th China International Forum on Solid State Lighting: International Forum on Wide Bandgap Semiconductors China (SSLChina: IFWS), 2017, pp. 45–47.

[18] N. S. Nguyen, T. C. Nguyen, H. T. Nguyen, and N. A. Nguyen, “Determining the Operating Status of LEDs Using Non-Intrusive Load Monitoring and Machine Learning,” (in Vietnamese) in National Conference on Electronics, Communications Communications and Information Technology XXVI, REV-ECIT 2023, 2023, pp. 364–368.

[19] C. G. Northcutt, L. Jiang, and I. L. Chuang, “Confident Learning: Estimating Uncertainty in Dataset Labels,” Journal of Artificial Intelligence Research (JAIR) (2021), vol. 70, pp. 1373–1411, Oct. 2019.

[20] F. Pedregosa et al., “Scikit-learn: Machine Learning in Python,” Journal of Machine Learning Research, vol. 12, pp. 2825–2830, 2011.

[21] Y. Li, Y. Kong, M. Zhang, A. Yan, and Z. Liu, “Using Support Vector Machine (SVM) for Classification of Selectivity of H1N1 Neuraminidase Inhibitors,” Mol Inform, vol. 35, no. 3–4, pp. 116–124, Jan. 2016.

[22] L. Breiman, “Random Forests,” Mach Learn, vol. 45, no. 1, pp. 5–32, 2001.

[23] T. Chen and C. Guestrin, “XGBoost: A Scalable Tree Boosting System,” in Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, in KDD ’16. ACM, Aug. 2016, pp. 785–794.

[24] Z. C. Lipton, C. Elkan, and B. Naryanaswamy, “Optimal Thresholding of Classifiers to Maximize F1 Measure,” in Lecture Notes in Computer Science, Springer Berlin Heidelberg, 2014, pp. 225–239.

[25] C. E. Shannon, “Communication in the Presence of Noise,” Proceedings of the IRE, vol. 37, no. 1, pp. 10–21, 1949.

[26] I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning. MIT Press, 2016.

DOI: https://doi.org/10.34238/tnu-jst.10115

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ