수년전부터, 아마 머신러닝에 대해서 들어봤을것이다. 이것은  숨겨진 패턴을 찾기위해  거대한 데이터셋을 빠르게 뒤지는 과학분야이다. 그러한 패턴은 그동안 회사들이 풀기힘들었던  문제를 풀수있도록 해주고있다.  머신러닝 알고리즘은 스팸을 제거하거나 , 누군가 당신의 신용카드를 사용할 가능성있을때 미리 경고를 보내주기도한다.  앞으로는 당신의 생명을 구할수도있을것이다.  they might save your life.

코어에서, 머신러닝 도구들은 많은 복잡한 정보들을 낚아채고 그것으로 부터 학습하고  미래의 사건을 예측하거나 알려지지않은것들에 대해 더 나은 평가를 하기위해 배운것을 적용한다. 틀에 박힌 분석에 대해 도전을 하는 거대한 데이터셋의 파수꾼으로써 , 유틸리티들은 거대한 방법의 머신러닝으로 부터 이득을 얻을수있다.  여기 그런것들을 해결할수있는  7 가지의 기반 비지니스 에 대한  도전이 있다.

1. 숨겨진 에너지사용 패턴을 밝혀라

유틸리티들은 고객경험을 개인화하기 위해 뛰고있고 . 소비자 세계는 기업들이 혜안을가지고 잘 껴맞추어서 제공하기를 바라고있다. 머신러닝은 그런것을 도울수있고 , Opower 에서는 그들의 개인적인 에너지 사용 행동양식에 의한 고객의 단편화 와 고객의 에너지 사용습관에서 숨겨진 트랜드를 밝혀내기위해 그것을 사용한다. 그리고나서 소비자들을 그들과 관련된 정보 와 함께 목표로 삼는다.

예를들어,  낮시간동안 집에 있지 않은 사람들은  프로그래밍된 자동온도조절장치에 의해 이득을 취할수있고, 그런 사람들은 수요대응(조절) 프로그램에 대해 열려있다.

감독되지 않은 머신러닝( Unsupervised machine learning ) 은 그것을 가능하게한다.우리는 수십만 고객들에 대해 하루의 각 시간당 평균 에너지사용량을 가지고 시작했다. 한번에 이 데이터를 도시하여 우리는 아래와 같은 판독하기힘든 머리카락이 뭉친듯한 그래프를 얻었다. 

그러나 데이타에 대해 군집기술 을 적용하면 , 어떤 사용패턴을 밝혀낼수있다.  “energy personalities:”

Utilities 유틸리티는 그들의 소비자들을 각각의 에너지 성향(energy personalities) 에 따라 다르게 다룰수있어야한다.  그래야만 ,  마켓팅은 좀더 잘 이루어질수있으며 , 수요측 관리결과는 증대되며, 집과 회사에서 에너지 개인화에 대한 경험을 깊숙히 갖게된다.

2. 많은 사람들을 유틸리티 프로그램에 참여 시키기

에너지 효울화와 수요대응에서 참여자의 비율은 악명높게 낮다. 전통적으로 유틸리티들은  엄선된 통계학적 구분의 무리에서  소비자들을 깨우치는것에 의해  (BY BREAKING CUSTOMERS INTO A HANDFUL OF HAND-PICKED DEMOGRAPHIC SEGMENTS)  그들을 고취시키려고하는데 ,  그리고나서 각각의  무리에게 맞춤 프로그램으로  마켓팅한다. 높은 수입을 가진 소비자는 비싼 가정용기기의 환불 프로그램의 이득을 취하기 쉽다.  예를들어 감독된 머신러닝(Supervised machine learning ) 은 더 나은 접근법을 제공한다. 만약 당신이 어떤 소비자들이 과거에 어떤 프로그램에 참여했는지 안다면, 미래에 누가 참여할것인지에 대해서  좀더 모델을 정확히 훈련시킬수 있게된다.  그리고 자동적으로 프로그램 타겟팅을 옵티마이즈할수있게된다.

3. 미개적된 에너지 효율 기회를 찾아라 

Behavioral messaging can make a powerful impact on energy efficiency. But if you really want to motivate people to save energy, you need to tie it to personalized insights and analysis. Breaking down a home’s energy consumption by appliance — air conditioning, water heating, and so on — can help customers understand their energy behavior and pinpoint their biggest savings opportunities.

That’s why we wrote a usage disaggregation algorithm, which takes in meter reads, weather data, household characteristics, and other variables to create a personalized profile of a customer’s home energy use — and corresponding efficiency advice. The end result looks like the chart below, which can be embedded everywhere from a customer web portal to the utility bill.

Best of all, the algorithm even works for customers who don’t have smart meters.

4. 어떻게 소비자들이 그들의 집을 데우는지 결정 Accurate, personalized energy insights boost customer engagement. The reverse may also be true: homes and businesses that receive the wrong advice could be more likely to disengage, and tune out their utilities.

One place that comes into play is home heating. Utilities don’t always know how customers heat their homes — and while natural gas efficiency tips are helpful for people with gas heaters, they might be a turn-off for those with electric ones.

Machine learning techniques can ensure that customers get the right advice every time. By analyzing load curves from homes with known heating types, an algorithm can consistently predict customers’ heating hardware based on usage data alone.

5. 자동 조절 온도장치 설정값 옵티마이징 

In the same way, utilities can also feed smart meter data and weather patterns into a machine learning algorithm to estimate how homes and businesses are setting their thermostats. The algorithm’s output might look something like this:

Utilities can apply thermostat setpoint estimates, which don’t require any hardware in the home, toward a variety of ends.

They might segment homes with inefficient setpoints, and offer personalized savings advice — including how much money customers could save by choosing a more efficient setpoint. Alternatively, they could use setpoint estimates and weather data to deliver bill forecasts halfway through the billing cycle. Or they could target homes with inefficient afternoon setpoints for demand response programs, like this:

6. 전력망하에서 전기 자동차/자전거 집약 

Utilities have a huge incentive to know when electric vehicles — the largest home appliances ever — are plugged into the grid. In the immediate term, it’s a customer engagement opportunity: EV detection would allow utilities to suggest time-of-use rates and encourage overnight charging. Down the road, electric cars could also prove to be an important demand response resource.

Last year, we analyzed the EV owners’ signature energy usage patterns, which are represented below. In the months since, we’ve developed machine learning algorithms that help utilities detect when their customers plug a new EV into the grid.

7. 오랜기간동안 소비자들을 유지하기 

In Europe and around the world, utilities in competitive markets are working hard to cut churn and win their customers’ loyalty. Helpful, personalized services like high bill alerts and insightful call centers are giving them the tools to succeed. Machine learning can help utilities take customer care a step further — helping them identify homes at greatest risk of switching providers, listen to their concerns, and offer solutions.

A variety of industries — banking, insurance, and telecommunications among them — are already using churn modeling to deliver better customer experiences. By feeding customer characteristics, behavior, and billing information into a machine learning tool, utilities can start doing the same.

This article first appeared in Intelligent Utility on March 23, 2015.

This neat data algorithm unlocks the power of smart grid technology—without using smart meters

Smart meters continue to transform the global utility landscape, offering cutting-edge features for energy providers and consumers alike — from outage detection to real-time consumption feedback.

In the US alone, the number of installed smart meters has approximately quadrupledover the past 5 years. These meters are collectively generating more than 1 billion usage data points every day — enabling vital data insights for utilities and their customers.

The smart grid is growing fast in other regions, too. European Union member states have collectively invested around 4 billion USD across hundreds of smart grid projects over the past decade. The UK is targeting nationwide smart meter coverage by 2020. And Japan’s largest electric company is working to equip all 27 million of its customers with advanced meters.

As projects like these unfold, smart meters are becoming the industry norm. But some regions are farther ahead than others. The Edison Electric Institute predicts that by 2015, only around half of US states will have smart meter penetration rates higher than 50 percent.

Some states are farther ahead than others with smart meter installations. (Source: IEE Edison Institute, August 2013)

But the energy industry can’t afford to wait until everyone has a smart meter. The value of advanced data insights is just too high. Utility customers around the world — with or without smart meters — want personalized energy analysis today, and utilities have never been more able and interested in delivering it to them.

That’s why Opower’s analytics team developed an algorithm that helps unlock the power of the smart grid not just for customers who have a smart meter, but also for those who don’t.

In particular, the algorithm provides a personalized breakdown of a customer’s energy usage into distinct end-use categories — air conditioning, appliances, hot water heating, and so on. That gives them a better understanding of what’s driving their energy costs.

What’s especially cool is that this “usage disaggregation” feature also works reliably for customers with traditional energy meters. Customers whose meters are read once a month can get a level of insight that’s very similar to what they’d get if their meter logged data every 15 minutes.

Advanced data algorithms can reliably disaggregate a customers’ energy usage into end-use components, even if a customer lacks a smart meter.

So how exactly does the algorithm work, especially for customers whose old-fashioned meters provide relatively sporadic and unspecific energy usage measurements? As you can imagine, the calculations require some clever data analytics — involving a strategic combination of data on historical energy consumption, weather patterns, household characteristics, user input, and other key variables.

More importantly: how do we know the algorithm actually produces accurate results?

The answer hinges on the fact that a smart meter is also capable of being a dumb meter. That is, you can do razor-sharp disaggregation analytics on a smart meter (say, one that takes hourly electric reads), and compare those results to what you’d get if that same meter were actually a “dumb” meter. To simulate this, one can simply mash together a smart meter’s 720 hourly reads (over the course of a month) into one single monthly usage read — which is exactly what a dumb meter would give you.

By following this approach and incorporating a sufficient amount of related data (e.g. historical statistics, weather, household characteristics, etc.), our algorithm is able to produce consistent estimates across the two meter scenarios. This outcome indicates that, at least for certain applications, you can take a dumb meter and turn it into a smarter one.

The larger lesson here has important data science implications for the smart grid and beyond: when existing hardware is lacking in intelligence, you can often compensate for it by applying software intelligence.

And software intelligence can open up many other doors. For example, by building an integrated software platform that can quickly turn back-end calculations like those above into personalized advice for utility customers, you can deliver data insights at a minute’s notice to millions of people, specifically at the moments that matter most.

Consider the personalized email alert that Opower sent last month to 85,000 utility customers in the Northeast immediately before a string of hot days. The communication allowed all customers — even though the vast majority of them did not have smart meters — to see a personalized and disaggregated view of their seasonal electricity consumption, in effect educating them on how savvy use of their thermostat could make a big impact in controlling energy costs during the imminent heat wave.

Bringing intelligence to traditional energy meters is just one of many Owesome data projects we’re excited to be working on.

http://blog.opower.com/2014/07/data-algorithm-smart-grid-without-smart-meters/  펌 

우리주변에서 보통 전력량을 구하기위해서는 아시다시피 "계량기" " 전력량계" 를 사용한다.

(1)전력량계란? 전력량계는 가정용 및 산업용에 사용하여 소비 전력량을 측정하는 계기로서 일반적으로 한 국 산업 규격 명칭으로 보통전력량계(Watt Hour Meter)로 표기되어 있으며 약호로 WHM로 표기합니다. 보통전력량계는 공급전압과 전류를 곱한 값에 시간이 가산됨으로 사용된 전력 량을 표시하는 계기 입니다. 전력량을 구하는 공식은 Wh(전력량)=E(전압)×I(전류)×cosφ(역 률)×t(시간)입니다.

전선을 연결할 필요도 없이 위에 가져다 붙히는것만으로 전력을 잴수있는 기술이 나와서 소개한다.

o Persistent Efficiency : “Power Patch” October 7, 2014

- - The Power Patch is a stick-on device, roughly the size of a switch panel on a circuit breaker, which measures magnetic fields from individual breakers and uses an algorithm to reconstruct the current and voltage.

- The startup says it's the only meter ever built that doesn't require an electrician to access and rewire a panel box -- instead, the device can simply be stuck onto a breaker. It will then start providing data about energy consumption along each circuit in as little as five minutes.

- Cost : 3 cents per square foot a year to provide data services in order to make buildings more energy-aware.

No need to call the electrician. 
Field Focus™ allows each Power Patch to read highly accurate electrical data from a single circuit without expert installation.

Measure energy anywhere 
We've fit our sensing technology in a package you can fit on any breaker.

http://www.persistentefficiency.com/

관련 기사:  

`똑똑한 전력량계’ 가정에 보급한다

http://www.sciencetimes.co.kr/?news=%EB%98%91%EB%98%91%ED%95%9C-%EC%A0%84%EB%A0%A5%EB%9F%89%EA%B3%84039-%EA%B0%80%EC%A0%95%EC%97%90-%EB%B3%B4%EA%B8%89%ED%95%9C%EB%8B%A4

http://smartacademy.tistory.com/32 펌 

ㅇ남자는 블루투스 :  가까이 있을땐 그녀(장치)와 접속되지만 멀리 떨어지면 다른여자(장치)를 탐색한다...

ㅇ여자는 와이파이 : 가능한 모든 남자(장치)를 탐색하지만 가장 강한 한 남자(장치)와 접속한다.... 

ㅇ WiFi : 공중 인터넷망 접속에 유용(원거리)

ㅇ Bluetooth : PC,휴대폰 등 전자기기 주변장치간 접속에 유용(근거리) 

1. Zigbee

현재까지 누구도 반론할 수 없을 정도로 확고히 사물인터넷의 연결 기술로 거론되고 있으며, 사물인터넷에서 요구되는 저전력, IPv6, Meshing 등의 다양한 기능을 지원하지만, 서로 호환이 되지 않는 다양양한 프로파일의 존재와 취약한 보안 등이 단점으로 거론되고 있습니다.
이러한 단점을 극복하고자 CSEP (Consortium of SEP 2 Interoperability)가 결정되었지만 아직까지 활동이 미미한 수준입니다.

2. WiFi

Zigbee 대비 높은 전력 소모과 가격, 조작의 복잡성 등의 단점이 있지만, 스마트폰을 비롯한 다양한 기기에서 널리 이용되는 보편성과 높은 보안으로 인하여 다양한 최종 디바이스에도 적용되고 있습니다. 
최근에는 Zigbee에서 지원하던 meshing 기술을 도입하고 전력소모를 향상시킨 제품을 출시하여 Zigbee가 가지고 있던 영역을 조금씩 위협하고 있습니다.
또, Zigbee를 적용한 최종 디바이스가 인터넷에 연결하기 위한 게이트 기술로 거론되고 있으면 미국의 게인스팬은 (www.linkcon.co.kr) 은 single 칩에서 Zigbee IP와 WiFi 를 동시에 지원하는 솔루션을 출시하고있습니다.

3. Bluetooth

WiFi 와 동일하게 Zigbee 대비 높은 전력 소모와 가격, 또 페어링의 단점으로 인하여 한동안 사물인터넷에서 제외되었던 기술 입니다. 하지만, 전력소모와 가격을 개선한 Bluetooth 4.0 single mode (혹자는 BLE(Bluetooth Low Energy) 또는 Bluetooth Smart 라고 부름)의 출시와 함께 다양한 의료기기, 생체센서 및 스마트홈 솔루션에 적용되어 스마트폰과 함께 사용되고 있습니다.
그러나, 여전히 IPv6에 대한 지원과 meshing, 그리고 원거리 지원 등의 이슈가 해결되어야 하며, Bluetooth SIG는 Bluetooth 4.1 등으로 해결할 수 있을 것으로 믿고 있습니다.

4. RFID 및 NFC

RFID는 저렴한 가격으로 각종 물류 및 출입제어에 많이 사용되고 있으나, IPv6 지원 및 관련 기능의 한계로 인하여 폐쇄적인 공간에서만 사용될 것으로 보고 있습니다. 
NFC 또한 짧은 거리로 인하여 제한적인 디바이스에서만 사용될 수 있을 것으로 보고 있습니다.

출처 : http://neipclover.blogspot.kr/2014/03/1.html

한강에서 실험해 봤는데 z-wave 는 저것보다 훨씬 먼거리에서 통신이 가능하며 , 안테나의 종류에따라서 1키로 이상 가능하다. 여기에 메쉬 네트워킹을 고려하면  거리는 문제가 안될듯..

현재 회사에서는 스마트 전기/수도 공급장치의 무선통신으로 Z-Wave 를 활용하고 있다. 

무선통신을 위한 RF 통신중에 하나인데 , 다음 글을 통해서 장,단점을 살펴본다.

https://www.hellot.net/magazine/magazine_print.php?idx=12895

HEMS/BEMS에서 이용하는 네트워크

마쓰모토 노부유키 (松本 信幸)  IT 테크니컬 라이터


이번 회에는 HEMS/BEMS에서 이용할 수 있는 네트워크 기술에 대해 소개한다.

HEMS/BEMS에서 이용하는 데이터의 특징

네트워크를 구축하는 기술에는 다양한 종류가 있다. 그 이유는 각각이 장점과 단점을 가지고 있어 사용 목적이나 사용자의 기술, 혹은 상황에 따라 적절히 사용할 수 있도록 돼 있기 때문이다.
따라서 HEMS나 BEMS 혹은 스마트그리드에서 이용하는 스마트미터에 적합한 통신방식을 선택할 때는 그 환경에서 이용하는 정보의 특징을 고려해야 한다.
HEMS나 BEMS의 경우 그 목적은 (i) 전력소비정보의 수집, (ii) 운전 개시 및 종료와 운전 중의 미세 조정, (iii) 참고가 되는 환경정보의 수집 등을 들 수 있다.
참고가 되는 환경정보란 온도나 습도, 그리고 밝기나 음향 등을 들 수 있는데 경우에 따라서는 보안 관련 정보가 추가되기도 한다(표 1 참조).



이러한 정보를 감안하여 HEMS나 BEMS에 요구되는 특징을 보면 다음과 같다.
① 정보 송수신의 빈도가 대체로 높지 않을 것(빈번한 경우라도 대략 수초에서 수분에 한 번 정도면 충분)
② 1회 통신에 필요한 정보량이 적을 것(전력정보만이라면 수바이트, 다른 정보가 추가되더라도 40~50바이트만 있으면 충분하다. 단 보안상 감시 카메라를 설치한 경우에는 송수신이 빈번해지거나 1회당 정보량이 증대될 가능성이 있다)
③ 정보를 관리하는 마스터가 존재하기 때문에 네트워크 구성은 ‘별형 네트워크’일 것
④ 가정 내(HEMS)라면 상관없지만 사무실에서의 사용(BEMS)을 가정하면 접속 대수는 수십에서 수백 대까지 이용할 수 있을 것
⑤ 마스터에 등록이 용이(범용성이 있는 방식)할 것
⑥ 인접 가옥의 기기를 잘못 등록하지 않을 것
사실 위의 ⑤와 ⑥은 내용이 상충하기 때문에 주의가 필요하다.
즉 ⑤는 HEMS와 같이 일반가정에서 사용하는 것을 가정하고 있기 때문에 새로 구입한 가전제품을 설정할 때 어렵지 않게 설정할 수 있어야 한다.
즉 ‘기계치’라고 하더라도 쉽게 다룰 수 있어야 한다. 물론 세탁기나 냉장고와 같이 구입 후에 택배 배송을 해야 하는 경우에는 업자에게 설정을 부탁할 수도 있지만 전자레인지나 데크(HDD나 블루레이 등) 같은 경우 직접 가지고 가는 경우도 있을 것이다.
그럴 경우 가정 내의 네트워크에 쉽게 접속할 수 있어야 한다는 것이다.
반면 ⑥은 예를 들면 네트워크에 자동으로 접속할 경우에 실수로 옆집 네트워크에 접속되지 않도록 해야 한다는 것이다. 잘못해서 옆집 네트워크에 접속되면 전력소비정보가 옆집에 계상되는(유감스럽게도 옆집이 지불해 주는 것은 아니다) 경우가 생길 수도 있으므로 주의해야 한다.
이를 바탕으로 HEMS나 BEMS 혹은 스마트미터에서 사용이 검토되고 있는 통신방식에 대해 알아보자. 지금 거론되거나 필드테스트가 진행 중인 통신방식에는 Z-Wave, ZigBee, Wi-Fi, PLC가 있다(표 2 참조).



그 외에 특정 소전력 무선이 사용되는 경우도 있지만 이용 범위가 적어 사라지는 추세이다.

Z-Wave

Z-Wave는 미국에서는 대중적인 홈 네트워크에서 사용하는 프로토콜이다. 주로 현관 열쇠의 시정/개정이나 침입 센서 등 보안 관련 부분에서 사용되고 있다. 특히 기기의 상호 접속 면에서는 PLC나 ZigBee보다 훨씬 우수하다.
미국에서는 900MHz대의 무선을 이용하지만 일본에서는 대응하는 주파수대가 존재하지 않았기 때문에 잘 알려져 있지 않다. 그러나 일본에서도 920MHz(915.9~927.7MHz)대를 센서 네트워크 기기용(액티브계 소전력 무선 시스템)으로 이용하여 좋아졌기 때문에 일본에서도 Z-Wave를 사용할 수 있게 됐다. 대역은 당초 950MHz대가 할당되었지만 뒤에 설명하는 ZigBee를 스마트미터에서 사용하는 것을 감안하여 대역을 5MHz 증강하여 지금까지 휴대전화에서 이용되던 대역의 일부인 920MHz대로 변경됐다.
스루풋은 다른 방식에 비해 좁기 때문에 센서 네트워크로는 충분하지만 보안에 감시 카메라를 추가하게 되면 한계를 드러낸다.
또 접속 가능한 단말 대수도 가정용 HEMS라면 충분하지만 BEMS 이상의 규모가 되면 조금 불안하다. 통신거리에 있어서 Z-Wave는 중계 동작이 가능하기 때문에 1대향의 접속은 비록 30m 정도이지만 네트워크 규모로는 수백m 규모까지 대응이 가능하다.
미국에서는 HEMS/BEMS 관련 전시나 스마트미터 관련 전시를 통해 Z-Wave를 자주 접할 수 있는데 장단점을 묻는 질문에 돌아오는 답변은 언제나 사용 실적에 관한 것만 있을 뿐 성능 면의 항목에 대한 것은 찾아볼 수 없다.
그래서인지 개인적인 느낌으로는 그다지 장래성이 있어 보이지는 않는다.

ZigBee/IEEE802.15.4

Z-Wave의 대항마가 되는 기술은 역시 소전력으로 동작하는 무선 프로토콜이다. 다만 ZigBee라는 명칭은 실은 네트워크를 제어하는 소위 OSI7 레이어 중 제3층과 제4층을 주요 수비 범위로 한다.
무선 기술로는 IEEE802.15.4인 PAN(Personal Aria Network)을 기반으로 한다.
즉 물리층(L1)과 데이터 링크층(L2)은 IEEE802.15.4를 이용하고 이 무선 통신을 효과적으로 결합시키는 네트워크층(L3) 기술로 ZigBee가 이용된다. 엄밀히 말하자면 ZigBee는 라우팅 프로토콜이지만, 일반적으로 레이어가 낮은 곳(L1이나 L2)은 대다수의 사람이 선호하는 부분이기 때문에 IEEE802.15.4 부분을 포함하여 ZigBee라고 칭하는 경우가 많다.
Z-Wave와 비교해 스루풋이 높고 접속 가능 대수도 늘기는 했지만(통신 상황에 따라 달라지기 때문에 실질적인 접속 대수는 Z-Wave와 큰 차이가 없다고 생각해도 좋다) 기본이 되는 사용 주파수 대역이 2.4GHz의 소위 ISM(산업, 과학, 의료)에 적합한 광대역(전자레인지도 여기에 포함된다)이기 때문에 특히 가정에서는 방해원이 많이 존재한다.
단적인 예로 전자레인지의 전력소비를 측정하려 할 경우 전자레인지 자체가 ZigBee와 동일 주파수 대역의 방해원이 되어 통신을 방해한다.
휴대 단말인 무선 마이크에서 이용하는 블루투스(Bluetooth)도 마찬가지로 2.4GHz 대역을 이용하기 때문에 역시 방해원이 된다.
다만 IEEE802.15.4d로는 950MHz(950.8~955.8MHz)대의 센서 네트워크 기기(액티브계 소전력 무선 시스템) 용도로 (일본에서)권고되고 있어 Z-Wave와 동일한 주파수 대역을 이용하는 것이 가능해졌지만 2012년에 920MHz대로 변경됐다. 이 경우 스루풋이 40kbps 정도로 Z-Wave와 큰 차이가 없다.
표 2에서 통신거리를 수백m까지로 했는데 그 이유는 과거 한 전시회에서 장거리용 ZigBee 모듈로 전시됐던 것이 400m를 표방하고 있었기 때문에 이를 반영했다.
실제로는 Z-Wave와 동일한 1접속당 30m 정도라고 생각하면 되는데 Z-Wave나 ZigBee 모두 중계 동작이 가능하기 때문에 네트워크의 규모는 수백m의 범위에 달한다고 생각해도 무방하다.

Wi-Fi

Wi-Fi는 소위 무선 랜이다. 노트북에서 태블릿 단말기에 이르기까지 최근의 휴대기기에는 반드시 탑재되어 있는 통신방식이다.
단독 통신거리가 짧지 않고 스루풋도 높기 때문에 동영상 전송이 가능한 고성능 통신방식이다. 상호 접속성이 높고 디바이스도 특별하지 않기 때문에 입수가 용이하며 시장에 많이 출시되어 있어 가격도 그다지 높지 않다.
Z-Wave나 ZigBee는 센서 네트워크 목적이기 때문에 버튼 전지로 수 개월간 동작시킬 수 있는 반면 Wi-Fi는 버튼 전지로는 동작하지 않는 것이 단점이다.
즉 Z-Wave나 ZigBee는 정전 시에도 버튼 전지로 백업이 가능하지만 Wi-Fi는 배터리를 준비해 두는 것이 좋다.
높은 신뢰성을 요구하는 시스템이 필요할 경우에는 상당한 비용을 각오해야 한다.
또 Wi-Fi에서 이용하는 2.4GHz대는 ISM 대역이기 때문에 주위에 방해원이 되는 시스템(전자레인지나 일부 무선전화 등)이 다수 존재한다는 점도 단점이다.
5GHz대 역시 기상 레이더와 동일한 주파수대를 사용하기 때문에 근방(수k~수십km 이내)에 기상 레이더가 있으면 사용이 불가능할 수도 있다.
시험적으로 시스템을 구축하는 것이라면 다른 방식에 비해 가장 간단하다는 이점이 있는 반면 센서 네트워크로는 성능이 높은 데 비해 방해원으로 인해 통신환경이 그리 좋지 않기 때문에 시스템으로서 신뢰성을 높일 수 없다는 측면에서 추천하고 싶지는 않다.
어느 날 필자의 지인으로부터 가정에서 노트북에 내장된 무선 LAN으로 자택의 무선 라우터에 접속하려다 옆집에 접속했다는 이야기를 들었다.
‘갑자기 무선 LAN을 사용할 수 없게 되었다’면서 어떻게 해야 할지 도움을 청해와 알아보니 지인의 자택에 있는 무선 라우터의 SSID와 지인의 노트북에 기록된 SSID가 다르다는 걸 확인할 수 있었다.
‘최근에 근처에 이사 온 집이 있나?’ 하고 물어보니 ‘그러고 보니 옆집이 이사 온 뒤로 사용할 수 없게 된 것 같다’는 대답을 들었다. 최근에는 암호와나 자동설정 등 상당히 발전하긴 했지만 여전히 방심할 수 없는 기술임에는 틀림없다.

PLC

PLC는 Power Line Communications의 약칭으로는 ‘전력선 반송파 통신’ 정도로 해석할 수 있다. 가전제품을 작동시키기 위해 사용하는 전력용 배선에 변조된 신호를 중첩시켜 통신하는 방식이다. 굳이 말하자면 ‘전력 케이블에 통신용 신호도 실어 보내는’ 통신방식이다. 이로 인해 가장 큰 장점은 ‘새로운 케이블의 부설이 필요하지 않은 유선통신 방식’이라는 점을 들 수 있다.
전력원으로서의 교류는 50/60Hz이지만 이와 비교해서 주파수가 높은 신호를 정보용으로 이용한다. PLC로 이용이 허용된 주파수대에는 100~450kHz의 장파대를 이용하는 것과 2~30MHz의 단파대를 이용하는 것 두 가지가 있다.
그 중 단파대를 이용하는 것을 ‘고속 전력선 통신’이라고 하며 2006년에 규제완화를 통해 이용이 가능해진 새로운 기술이다. 장파를 이용하는 PLC는 이전부터 있던 것으로 단독주택의 인터폰 등에서 이용되고 있다.
기본적으로 전력선이 연결되어 있는 범위에서 통신하기 때문에 무선인 다른 방식에 비해 오접속 가능성은 낮지만 원룸 등에서는 전력량계를 통과하여 옆집까지 신호가 미치는 경우도 있기 때문에 유선이라고 해서 방심해서는 안 된다. 다만 단독주택에서는 특별히 문제는 없을 것으로 보인다.
PLC의 단점은 크게 두 가지가 있다. 하나는 통신에 이용하는 전력 배선이 애초에 통신을 목적으로 하는 것이 아니기 때문에 가정 내의 배선 부분이 안테나가 되어 주로 단파대의 방해원을 방출하지 않을까 하는 우려가 큰데, 특히 전파천문이 영향을 받을 수 있어 문제시 되고 있다. 이로 인해 일본에서는 2012년 3월 말 시점에서도 PLC를 이용한 액세스계의 이용을 포함한 옥외 이용이 불가능하다.
다만 2011년에 규제완화에 대한 논의가 시작되어 자택의 정원 등 부지 내에서 건물 외부에서의 이용에 대해서는 완화시키는 분위기에 있지만 향후의 동향이 어떻게 변할지 알 수 없기 때문에 아직은 정해진 바가 없다.
그러나 스마트미터에 PLC를 탑재하여 전력 사업자가 전력소비량을 원격으로 계측할 수 있는 이용 방법은 대상에서 제외되었기 때문에 옥외 이용에 대한 기대가 불가능하다(한국에서는 일반적으로 실시되고 있다).
두 번째는 표준화의 지연 문제로 현재는 규격이 난립해 있다. 일본에서는 주로 HD-PLC, 미국에서는 Home Plug, 유럽에서는 ITU-T G.hn, 한국은 Xeline 등 복수의 방식이 존재하는데 의외로 상호 접속성이 상당히 낮다.
HD-PLC와 Home Plug는 상호 접속성을 확보하기 위해 IEEE로 표준화를 진행하고 있는데 ITU-T G.hn은 ITU-T, Xeline는 OSI와 각각 다른 표준화 단체에서 표준화를 진행하고 있기 때문에 현 시점에서는 공존의 전망이 보이지 않는다.
HD-PLC는 무선 LAN으로 도달하기 어려운 부분을 보완하는 용도에 맞는 소위 인터넷 액세스를 위한 기술이기 때문에 센서 네트워크에는 그다지 적합하지 않다.
HEMS나 BEMS 혹은 스마트미터 등을 사용하는 센서계의 네트워크로서 생각한다면 한국의 Xeline 방식이 적합할 것으로 보인다.
*한국의 Xeline사는 2012년 4월에 사실상 소멸되어 한국국내에서 스마트미터용 PLC는 Crenus사가 이어가고 있다. Crenus사와 Xeline사의 PLC칩은 호환성이 없다.


本 記事는 日本 OHM社가 發行하는  OHM 誌와의 著作權協約에 依據하여 提供받은 資料입니다.