การจำแนกเครื่องใช้ไฟฟ้าโดยใช้การตรวจสอบพลังงานไฟฟ้าผ่านเครือข่ายเซ็นเซอร์ไร้สายเพื่อช่วยประหยัดพลังงานและเพิ่มความปลอดภัยในอาคาร ปีที่ 1

ณัฐนนท์ ลีลาตระกูล; อุรีรัฐ สุขสวัสดิ์ชน; โกเมศ อัมพวัน; จักริน สุขสวัสดิ์ชน; สุนิสา ริมเจริญ; กรชวัล ชายผา

dc.contributor.author	ณัฐนนท์ ลีลาตระกูล
dc.contributor.author	อุรีรัฐ สุขสวัสดิ์ชน
dc.contributor.author	โกเมศ อัมพวัน
dc.contributor.author	จักริน สุขสวัสดิ์ชน
dc.contributor.author	สุนิสา ริมเจริญ
dc.contributor.author	กรชวัล ชายผา
dc.contributor.other	มหาวิทยาลัยบูรพา. คณะวิทยาการสารสนเทศ
dc.date.accessioned	2019-03-25T09:07:05Z
dc.date.available	2019-03-25T09:07:05Z
dc.date.issued	2557
dc.identifier.uri	http://dspace.lib.buu.ac.th/xmlui/handle/1234567890/1454
dc.description.abstract	งานวิจัยนี้เสนอผลการวิเคราะห์และเปรียบเทียบประสิทธิภาพของเทคนิคการจำแนกเครื่องใช้ไฟฟ้าจากการตรวจวัดกระแสไฟฟ้าที่แต่ละอุปกรณ์ไฟฟ้าซึ่งถูกควบคุมด้วยระบบเครือข่ายเซ็นเซอร์ไร้สาย โดยเปรียบเทียบเทคนิคการ จำแนก 4 วิธี ได้แก่ ต้นไม้ตัดสินใจ (Decision Tree) นาอีฟเบย์ (Naïve Bayes) โครงข่ายประสาทเทียม (Neuron Network) และซัพพอร์ตเวกเตอร์แมชชีน (Support Vector Machine) เพื่อหาเทคนิคการจำแนกที่เหมาะสม คณะผู้วิจัยได้ออกแบบอุปกรณ์ตรวจจับกระแสในรูปแบบปลั๊กไฟฟ้าและนำไปใช้กับทุก ๆ จุดที่เครื่องใช้ไฟฟ้าทำงานอยู่ ค่ากระแสไฟฟ้าที่วัดได้จะถูกส่งมาที่ส่วนกลางผ่านระบบเครือข่ายเซ็นเซอร์ไร้สาย จุดมุ่งหมายที่ออกแบบให้ตรวจจับกระแสไฟฟ้าในจุดที่เครื่องใช้ไฟฟ้าทำงานงานอยู่เพื่อให้ระบบสามารถถูกพัฒนาต่อยอดให้รับรู้ได้อัตโนมัติว่าเครื่องใช้ไฟฟ้าถูกย้ายไปอยู่ที่ตำแหน่งใด สามารถควบคุมการเปิด/ ปิดเครื่องใช้ไฟฟ้าแบบอัตโนมัติ สามารถระบุอุปกรณ์ ไฟฟ้าที่ต้องระมัดระวังเป็นพิเศษเช่น กาต้มน้ำร้อน อันจะส่งผลให้สามารถเพิ่มความปลอดภัยในครัวเรือน ช่วยลดการสิ้นเปลืองพลังงาน และเพิ่มคุณภาพชีวิตได้ในอนาคต จากการทดสอบกับเครื่องใช้ไฟฟ้าตัวอย่าง 40 เครื่อง และเปรียบเทียบความถูกต้องของการจำแนกของทั้ง 4 เทคนิค คณะผู้วิจัยพบว่า 1) ค่าเบี่ยงเบนมาตรฐานการใช้ไฟฟ้าเป็นข้อมูลที่จำเป็นสำหรับการจำแนกสถานะของอุปกรณ์ ไฟฟ้า 2) ต้นไม้ตัดสินใจ (C4.5) ให้ค่าความผิดพลาดน้อยที่สุดที่ 5.73% กฏที่ได้จากแบบจำลองต้นไม้ตัดสินใจจะถูกนำไปใช้ในอุปกรณ์ฮาร์ดแวร์เพื่อให้การจำแนกประเภทของเครื่องใช้ไฟฟ้ารวดเร็วขึ้น	th_TH
dc.description.sponsorship	โครงการวิจัยนี้ได้รับการสนับสนุนทุนวิจัยจาก สำนักงานคณะกรรมการวิจัยแห่งชาติ ปีงบประมาณ พ.ศ. 2557	en
dc.language.iso	th	th_TH
dc.publisher	คณะวิทยาการสารสนเทศ มหาวิทยาลัยบูรพา	th_TH
dc.subject	สาขาเทคโนโลยีสารสนเทศและนิเทศศาสตร์	th_TH
dc.subject	เครือข่ายเซ็นเซอร์ไร้สาย	th_TH
dc.title	การจำแนกเครื่องใช้ไฟฟ้าโดยใช้การตรวจสอบพลังงานไฟฟ้าผ่านเครือข่ายเซ็นเซอร์ไร้สายเพื่อช่วยประหยัดพลังงานและเพิ่มความปลอดภัยในอาคาร ปีที่ 1	th_TH
dc.title.alternative	Appliance classification to monitor power consumption with wireless sensor network for energy saving and ensuring buildings’ safety	en
dc.type	Research
dc.author.email	nutthanon@buu.ac.th
dc.author.email	ureerat@buu.ac.th
dc.author.email	komate@buu.ac.th
dc.author.email	jakkarin@buu.ac.th
dc.author.email	rsunisa@buu.ac.th
dc.year	2557
dc.description.abstractalternative	This paper presents a performance comparison of 4 classification techniques (i.e., Decision Tree, Naïve Bayes, Neuron Network, and Support Vector Machine) for appliance classification by analyzing each appliance’s electricity usage sent via a wireless sensor network. To measure actual electrical power consumed by each device, we designed sensor circuits, each of which is deployed inside each power outlet. The measured data are sent to a centralized system via a wireless sensor network (which can also be used to deliver control commands to turn on/off each appliance) The system uses the data to classify a type of each appliance connected to each of the outlet. Since this research is to be detecting electrical usage at each outlet (instead of at the main circuit like previous works), the system can be developed further to help identifying the abnormal operation of each appliance, and to automatically recognize the device when it is moved to another outlet, making possible automatic appliance on/off control. As a result, it could promote home safety and energy savings without affecting users’ normal behaviors. Comparing the accuracies of classifying 40 electric devices using the four techniques, we found that 1) standard deviation of measured electricity usage is necessary for classifying appliance statuses, and 2) the classification error is 5.73% if a decision tree (i.e., C4.5 algorithm) is applied. In additional, we deployed classification rules derived by the decision tree in the detector hardware for faster appliance classifications	en