1. Burapha University Research Information
  2. Faculty of Informatics
  3. รายงานการวิจัย (Research Reports)
กรุณาใช้ตัวระบุนี้เพื่ออ้างอิงหรือเชื่อมต่อรายการนี้: https://buuir.buu.ac.th/xmlui/handle/1234567890/1454
ระเบียนเมทาดาทาแบบเต็ม
ฟิลด์ DC ค่าภาษา
dc.contributor.authorณัฐนนท์ ลีลาตระกูล
dc.contributor.authorอุรีรัฐ สุขสวัสดิ์ชน
dc.contributor.authorโกเมศ อัมพวัน
dc.contributor.authorจักริน สุขสวัสดิ์ชน
dc.contributor.authorสุนิสา ริมเจริญ
dc.contributor.authorกรชวัล ชายผา
dc.contributor.otherมหาวิทยาลัยบูรพา. คณะวิทยาการสารสนเทศ
dc.date.accessioned2019-03-25T09:07:05Z
dc.date.available2019-03-25T09:07:05Z
dc.date.issued2557
dc.identifier.urihttp://dspace.lib.buu.ac.th/xmlui/handle/1234567890/1454
dc.description.abstractงานวิจัยนี้เสนอผลการวิเคราะห์และเปรียบเทียบประสิทธิภาพของเทคนิคการจำแนกเครื่องใช้ไฟฟ้าจากการตรวจวัดกระแสไฟฟ้าที่แต่ละอุปกรณ์ไฟฟ้าซึ่งถูกควบคุมด้วยระบบเครือข่ายเซ็นเซอร์ไร้สาย 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% กฏที่ได้จากแบบจำลองต้นไม้ตัดสินใจจะถูกนำไปใช้ในอุปกรณ์ฮาร์ดแวร์เพื่อให้การจำแนกประเภทของเครื่องใช้ไฟฟ้ารวดเร็วขึ้นth_TH
dc.description.sponsorshipโครงการวิจัยนี้ได้รับการสนับสนุนทุนวิจัยจาก สำนักงานคณะกรรมการวิจัยแห่งชาติ ปีงบประมาณ พ.ศ. 2557en
dc.language.isothth_TH
dc.publisherคณะวิทยาการสารสนเทศ มหาวิทยาลัยบูรพาth_TH
dc.subjectสาขาเทคโนโลยีสารสนเทศและนิเทศศาสตร์th_TH
dc.subjectเครือข่ายเซ็นเซอร์ไร้สายth_TH
dc.titleการจำแนกเครื่องใช้ไฟฟ้าโดยใช้การตรวจสอบพลังงานไฟฟ้าผ่านเครือข่ายเซ็นเซอร์ไร้สายเพื่อช่วยประหยัดพลังงานและเพิ่มความปลอดภัยในอาคาร ปีที่ 1th_TH
dc.title.alternativeAppliance classification to monitor power consumption with wireless sensor network for energy saving and ensuring buildings’ safetyen
dc.typeResearch
dc.author.emailnutthanon@buu.ac.th
dc.author.emailureerat@buu.ac.th
dc.author.emailkomate@buu.ac.th
dc.author.emailjakkarin@buu.ac.th
dc.author.emailrsunisa@buu.ac.th
dc.year2557
dc.description.abstractalternativeThis 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 classificationsen
ปรากฏในกลุ่มข้อมูล:รายงานการวิจัย (Research Reports)

แฟ้มในรายการข้อมูลนี้:
แฟ้ม ขนาดรูปแบบ 
2559_097.pdf5.37 MBAdobe PDFดู/เปิด
แสดงระเบียนรายการแบบย่อ


รายการทั้งหมดในระบบคิดีได้รับการคุ้มครองลิขสิทธิ์ มีการสงวนสิทธิ์เว้นแต่ที่ระบุไว้เป็นอื่น