DOI QR코드

DOI QR Code

Rank Correlation Coefficient of Energy Data for Identification of Abnormal Sensors in Buildings

에너지 데이터의 순위상관계수 기반 건물 내 오작동 기기 탐지

  • 김나언 (서울대학교 컴퓨터공학부) ;
  • 정시현 (서울대학교 컴퓨터공학부) ;
  • 장보연 (서울대학교 컴퓨터공학부) ;
  • 김종권 (서울대학교 컴퓨터공학부)
  • Received : 2016.08.19
  • Accepted : 2016.12.05
  • Published : 2017.04.15

Abstract

Anomaly detection is the identification of data that do not conform to a normal pattern or behavior model in a dataset. It can be utilized for detecting errors among data generated by devices or user behavior change in a social network data set. In this study, we proposed a new approach using rank correlation coefficient to efficiently detect abnormal data in devices of a building. With the increased push for energy conservation, many energy efficiency solutions have been proposed over the years. HVAC (Heating, Ventilating and Air Conditioning) system monitors and manages thousands of sensors such as thermostats, air conditioners, and lighting in large buildings. Currently, operators use the building's HVAC system for controlling efficient energy consumption. By using the proposed approach, it is possible to observe changes of ranking relationship between the devices in HVAC system and identify abnormal behavior in social network.

비정상행위 탐지는 데이터로부터 특징을 추출하여 정상 행위 모델을 만들어, 이 정상 모델로부터 얼마나 벗어나 있는 가를 찾아내어 탐지하는 기법이다. 즉, 특정 기기가 생성하는 데이터를 기반으로 기기의 오류를 탐지하거나 사회망 데이터에서의 사용자 행위 변화를 찾아내어 비정상행위를 탐지하는 데 활용할 수 있다. 본 논문에서는 순위 상관 계수를 이용하여 건물 내의 기기의 비정상적인 데이터를 탐지하고자 한다. 에너지 절약 문제에 대한 관심이 높아짐에 따라 에너지를 효율적으로 사용하기 위해 여러방법들이 제안되었다. IT 기술의 발달과 더불어 공조 시스템(HVAC)이 건물에 도입되어 활용되고 있으며, 이 시스템을 통하여 에너지 소비의 문제점을 찾고 에너지를 효율적으로 관리할 수 있다. 따라서 본 논문은 공조 시스템에 속한 각 기기간의 순위 관계 변화를 관찰함으로써 이상 현상 탐지의 효율성을 높이는 방법을 제안하며, 사회망 데이터 내에서의 비정상행위 탐지 가능성도 함께 제안한다.

Keywords

Acknowledgement

Grant : IoT 기기의 물리적 속성, 관계, 역할 기반 Resilient/Fault-Tolerant 자율 네트워킹 기술 연구

Supported by : 정보통신기술진흥센터, 한국연구재단, 서울대학교

References

  1. Romain Fontugne et al., Strip, bind, and search: a method for identifying abnormal energy consumption in buildings, IPSN 2013.
  2. J. E. Seem, Using intelligent data analysis to detect abnormal energy consumption in buildings, Energy and Buildings, Vol. 39, No. 1, pp. 52-58, 2007. https://doi.org/10.1016/j.enbuild.2006.03.033
  3. J. Schein and S. Bushby. A hierarchical rule-based fault detection and diagnostic method for hvac systems, HVAC&R Research, Vol. 12, No. 1, pp. 111- 125, 2006. https://doi.org/10.1080/10789669.2006.10391170
  4. D. Patnaik, M. Marwah, R. Sharma, and N. Ramakrishnan, Temporal data mining approaches for sustainable chiller management in data centers, ACM Transactions on Intelligent Systems and Technology, Vol. 2, No. 4, 2011.
  5. Iglewicz, Boris, and David Caster Hoaglin, How to detect and handle outliers, Vol. 16, Asq Press, 1993.
  6. Capozzoli, Alfonso, Fiorella Lauro, and Imran Khan, "Fault detection analysis using data mining techniques for a cluster of smart office buildings," Expert Systems with Applications 42.9 (2015): 4324-4338. https://doi.org/10.1016/j.eswa.2015.01.010