[論文レビュー] A Comprehensive Review on the NILM Algorithms for Energy Disaggregation

Akriti Verma, Adnan Anwar+3 more|arXiv (Cornell University)|Feb 20, 2021

Smart Grid Energy Management参考文献 35被引用数 14

ひとこと要約

本論文は、エネルギー分解能のための非侵襲的負荷モニタリング（NILM）アルゴリズムに関する包括的なレビューを提示し、NILMTK API を用いて IAWE、REDD、UK-DALE の3つの公開データセット上でその性能を評価している。結果として、特定の家電製品において一貫して優れた性能を示すアルゴリズムは存在しないが、Sequence-to-Sequence および DAE は特に変動が大きい負荷に対して優れた安定性を示しており、データセットの多様性と NILMTK を用いた標準化されたベンチマークが、エネルギー分解能研究の進展に重要であることが示された。

ABSTRACT

The housing structures have changed with urbanization and the growth due to the construction of high-rise buildings all around the world requires end-use appliance energy conservation and management in real-time. This shift also came along with smart-meters which enabled the estimation of appliance-specific power consumption from the buildings aggregate power consumption reading. Non-intrusive load monitoring (NILM) or energy disaggregation is aimed at separating the household energy measured at the aggregate level into constituent appliances. Over the years, signal processing and machine learning algorithms have been combined to achieve this. Incredible research and publications have been conducted on energy disaggregation, non-intrusive load monitoring, home energy management and appliance classification. There exists an API, NILMTK, a reproducible benchmark algorithm for the same. Many other approaches to perform energy disaggregation has been adapted such as deep neural network architectures and big data approach for household energy disaggregation. This paper provides a survey of the effective NILM system frameworks and reviews the performance of the benchmark algorithms in a comprehensive manner. This paper also summarizes the wide application scope and the effectiveness of the algorithmic performance on three publicly available data sets.

研究の動機と目的

• エネルギー分解能のための NILM システムフレームワークおよびベンチマークアルゴリズムの体系的サーベイを提供すること。
• IAWE、REDD、UK-DALE の3つの公開データセット上で、最先端の NILM アルゴリズムの性能を評価すること。
• NILMTK API を用いた標準化された比較によって、NILM アプローチの有効性と再現可能性を評価すること。
• 家電製品固有の誤差変動およびデータセットの多様性に関する、エネルギー分解能におけるパタンと課題を特定すること。
• エネルギー使用量またはイベント頻度に基づいて標準化された評価基準を提案することで、今後の研究を導くこと。

提案手法

• 本研究では、再現性のあるベンチマークフレームワークとして NILMTK API を用い、3つの公開データセット上で複数の NILM アルゴリズムを実装・比較した。
• 評価対象アルゴリズムには Sequence-to-Sequence、Denoising Autoencoders (DAE)、RNN、WindowGRU、Sequence-to-Point が含まれ、平均絶対誤差（MAE）などの標準的指標を用いた。
• 分析には IAWE（1棟）、REDD（複数世帯）、UK-DALE（英国の世帯）の3つのデータセットを用い、地理的および使用パターンの多様性にわたる一般化性能を評価した。
• 性能は MAE を用いて評価され、家電製品ごとに誤差の変動傾向を特定するために分析を行った。
• アルゴリズム間の公平な比較を実現するため、誤差をエネルギー使用量またはイベント回数ごとに正規化する評価指標の標準化を提案した。
• 実証的分析では、洗濯機、冷蔵庫、エアコンなど、特に予測値と実測値のエネルギー消費量の可視的・定量的比較を実施した。

実験結果

リサーチクエスチョン

• RQ1 IAWE、REDD、UK-DALE のような多様なデータセットにおいて、どの NILM アルゴリズムが最も一貫した性能を示すか？
• RQ2 平均絶対誤差（MAE）は、異なる家電製品でどのように変動するか？ また、誤差が高くなるまたは低くなる要因は何か？
• RQ3 使用パターンや地理的起源などのデータセット固有のばらつきが、アルゴリズムの性能および一般化性能にどの程度影響を与えるか？
• RQ4 NILMTK API は、異なる研究チームやデータセット間で、再現可能で標準化された NILM アルゴリズムベンチマークを実現できるか？
• RQ5 現在の評価指標の限界は何か？ また、エネルギー消費量が異なる家電製品間での公平で意味のある比較を実現するには、どのように改善できるか？

主な発見

• 特定のアルゴリズムがすべての家電製品やデータセットで一貫して優れた性能を示すことはなく、性能は家電製品の種別やデータ特性に強く依存することが示された。
• Sequence-to-Sequence および DAE アルゴリズムは最も安定した性能を示し、特に IAWE データセットにおいて、テレビでは DAE が最小の誤差を記録、洗濯機では Sequence-to-Sequence が最小の誤差を記録した。
• REDD データセットは全体で最も低い平均絶対誤差を報告しており、特にコンセント（MAE < 1）において顕著で、誤差のばらつきが小さいことから、ベンチマークに最も適していると示唆された。
• エアコンはすべてのアルゴリズムで最も高い MAE（100 を超える）を示しており、高消費電力で間欠的である負荷の正確な分解能に大きな課題があることが明らかになった。
• 冷蔵庫や洗濯機は、アルゴリズム間で高い誤差変動を示しており、使用パターンの複雑さやイベント頻度への感受性が顕著に現れている。
• 本研究では、エネルギー使用量またはイベント回数ごとに性能指標を正規化することで、家電製品間での公平で意味のある比較を実現するよう提案した。これは、低消費電力または使用頻度が低い家電製品に対して、原始的な MAE が誤解を招く可能性があるためである。