[論文レビュー] A Dynamical Systems Approach to Energy Disaggregation

Roy Dong, Lillian J. Ratliff+2 more|arXiv (Cornell University)|Apr 2, 2013

Smart Grid Energy Management参考文献 17被引用数 3

ひとこと要約

本稿では、エネルギー分解能を向上させるための動的システムフレームワークを提案する。各家電製品を単一入力・単一出力（SISO）システムとしてモデル化し、最適制御とシステム同定を用いて集約測定値からデバイスレベルの消費電力を推定する。この手法は、シミュレートされたデータおよび実験的データにおいて高い分解能を達成し、最大電流制限（例：モニタで10 A）などの物理的事前知識によりわずかな誤差を是正する。

ABSTRACT

Energy disaggregation, also known as non-intrusive load monitoring (NILM), is the task of separating aggregate energy data for a whole building into the energy data for individual appliances. Studies have shown that simply providing disaggregated data to the consumer improves energy consumption behavior. However, placing individual sensors on every device in a home is not presently a practical solution. Disaggregation provides a feasible method for providing energy usage behavior data to the consumer which utilizes currently existing infrastructure. In this paper, we present a novel framework to perform the energy disaggregation task. We model each individual device as a single-input, single-output system, where the output is the power consumed by the device and the input is the device usage. In this framework, the task of disaggregation translates into finding inputs for each device that generates our observed power consumption. We describe an implementation of this framework, and show its results on simulated data as well as data from a small-scale experiment.

研究の動機と目的

• センサを個別に設置せずに非侵襲的負荷監視（NILM）のためのデータ駆動型で動的システムに基づくフレームワークを開発すること。
• 識別可能な入力を有する動的システムとしてのデバイス電力消費をモデル化することで、エネルギー分解能の精度を向上させること。
• スマートビルにおけるリアルタイム制御および需要応答システムとの統合を可能にすること。
• 大規模な教師なし学習データセットへの依存を減らすために、デバイス固有のシステムモデルを活用すること。
• 低データ環境下で性能に限界を示す既存の教師なし手法（例：HMM やスパース符号化）の課題を解決すること。

提案手法

• 各家電製品を単一入力・単一出力（SISO）動的システムとしてモデル化し、電力消費を出力とし、デバイス使用状況を入力とする。
• 分解能問題を最適制御の逆問題として定式化する：観測された集約電力信号を生成する入力（デバイス使用状況）を回復する。
• 限られたトレーニングデータからデバイスの動的特性を同定するため、システム同定技術を用いる。これには、外部入力を有する自己回帰モデル（ARX）が含まれる。
• 実験設定におけるデバイス起動パターンの入力信号を生成するために、変化検出アルゴリズムを適用する。
• 誤分類の是正に、最大電流消費（例：モニタで10 A）などの物理的事前知識を用いる。
• 本フレームワークは、シミュレートデータおよび実際の家電（電子レンジ、トースター、ケトル）を用いた小規模実験の両方で検証された。

実験結果

リサーチクエスチョン

• RQ1 教師なし手法と比較して、動的システムフレームワークはエネルギー分解能の精度を向上させることができるか？
• RQ2 限られたトレーニングデータから、デバイス固有のシステムモデルをどの程度正確に推定できるか？
• RQ3 最適制御に基づく集約信号の逆問題解法により、個々のデバイスの電力消費を回復できるか？
• RQ4 最大電力などの物理的制約は、分解能のロバスト性をどのように向上させるか？
• RQ5 デバイスの動的特性や過渡挙動（例：電子レンジの起動時）は、モデルの精度にどの程度影響を与えるか？

主な発見

• 理論的条件下では、シミュレートされたエネルギー分解能データの完全な回復が達成され、理想状態での理論的正確性が示された。
• 実験的データでは、推定された電力信号が真値測定値と非常に近く一致し、わずかなずれしか生じなかった。
• 電子レンジは初期段階で類似した電力ダイナミクスのためモニタと誤分類されたが、最大電流事前知識（10 A）を用いた是正により正しく同定された。
• 本フレームワークは、大規模な辞書に依存するのではなく、デバイス固有のダイナミクスを活用するため、低データ環境下でHMM やスパース符号化といった教師なし手法を上回った。
• 電子レンジの2段階にわたる電力上昇のような遷移は、標準的な過減衰モデルではうまく捉えられず、今後の研究ではハイブリッドシステムモデルの導入が求められることが示された。
• 本手法により、ユーザー行動とデバイスの動的特性が明確に分離され、デバイスプロファイルと使用パターンの独立した学習が可能になった。