[論文レビュー] Complexity of Power Draws for Load Disaggregation

Dominik Egarter, Manfred Pöchacker+1 more|arXiv (Cornell University)|Jan 13, 2015

Smart Grid Energy ManagementEngineering参考文献 32被引用数 17

ひとこと要約

本稿では、家電の電力状態と時間的使用パターンに基づき、アルゴリズムに依存しない2つの新しい複雑性指標、すなわち家電セットの複雑性と時系列の複雑性を、負荷分解問題に対して提案する。実世界のデータセットを用いた評価において、これらの指標は、分解手法に依存しない形で、家電を区別する難易度を定量化することで、問題の難易度を的確に分類した。

ABSTRACT

Non-Intrusive Load Monitoring (NILM) is a technology offering methods to identify appliances in homes based on their consumption characteristics and the total household demand. Recently, many different novel NILM approaches were introduced, tested on real-world data and evaluated with a common evaluation metric. However, the fair comparison between different NILM approaches even with the usage of the same evaluation metric is nearly impossible due to incomplete or missing problem definitions. Each NILM approach typically is evaluated under different test scenarios. Test results are thus influenced by the considered appliances, the number of used appliances, the device type representing the appliance and the pre-processing stages denoising the consumption data. This paper introduces a novel complexity measure of aggregated consumption data providing an assessment of the problem complexity affected by the used appliances, the appliance characteristics and the appliance usage over time. We test our load disaggregation complexity on different real-world datasets and with a state-of-the-art NILM approach. The introduced disaggregation complexity measure is able to classify the disaggregation problem based on the used appliance set and the considered measurement noise.

研究の動機と目的

• テスト条件の不一致や問題定義の不完全さによるNILMアルゴリズム間の公平な比較の欠如に対処する。
• 家電タイプ、電力状態、使用パターン、前処理ステージなどの要因が負荷分解の複雑性に与える影響を特定する。
• 家電の特性と時間的行動に基づき、固有の複雑性を定量化するアルゴリズムに依存しない指標を開発する。
• アルゴリズムの性能を問題固有の難易度から分離することで、異なるデータセット間でのNILM性能の意味のある比較を可能にする。
• 複雑性指標が分解の難易度と相関しているが、特定のアルゴリズムの性能とは相関しないことの検証により、それらが問題記述子としての役割を果たすことを示す。

提案手法

• 家電の電力状態同士の類似度を統計的指標として定義し、電気的シグネチャに基づく家電の区別難易度を捉える家電セットの複雑性を定義する。
• 観測されたノイズを含む電力信号と、可能な家電状態の集合との類似度を測る指標として、時系列の複雑性を定義する。これは時間的変動性とノイズの影響を反映する。
• 実世界の家庭用電力データセット（例：GREEND、UK-DALE）を用い、アクティブ電力トレースのクラスタリングまたはセグメンテーションにより電力状態を抽出する。
• 最新のNILMアルゴリズム（例：SMD、NILMTKベース）を用い、複雑性計算に使用した同じデータセット上で分解性能を評価する。
• 各データセットおよび時間窓に対して、エントロピーに基づくまたは距離に基づく類似度指標を用いて、状態の重複度と信号の曖昧さを定量化することで、両方の複雑性指標を計算する。
• ケーススタディを通じて、複雑性値と実際の分解精度の関係を比較し、問題の難易度分類の一貫性を検証する。

実験結果

リサーチクエスチョン

• RQ1 家電の電力状態の数と類似度は、負荷分解問題の固有の複雑性にどの程度影響を与えるか？
• RQ2 時間的家電使用行動は、家電セットとは独立して、集約電力信号の複雑性にどのように影響を与えるか？
• RQ3 NILMアルゴリズムに依存しない複雑性指標を構築できるか。これにより、異なるデータセットや手法間での公平な比較が可能になるか？
• RQ4 前処理ステップ（例：ノイズフィルタリング）は、分解問題の測定された複雑性にどのように影響するか？
• RQ5 提案された複雑性指標は、実際の分解性能と相関するのか、それとも単なる問題記述子にとどまるのか？

主な発見

• 家電セットの複雑性指標は、電力状態の類似度に基づく家電の区別難易度を効果的に捉えており、高い複雑性は曖昧さの増大を示す。
• 時系列の複雑性指標は、家電使用パターンと測定ノイズの影響を反映しており、使用が規則的で予測可能であれば、複雑な家電セットであっても低複雑性となることがある。
• 2つの複雑性指標は独立している：高い家電セットの複雑性が、必ずしも高い時系列の複雑性を意味するとは限らず、逆も同様である。これにより、両者の補完的性質が確認された。
• 提案された複雑性指標はアルゴリズムに依存せず、複数の実世界データセットにおける異なる分解問題の難易度を的確に分類できた。
• 指標は負荷分解の難易度と相関しているが、特定のNILMアルゴリズムの性能を予測はしない。これにより、それらが性能予測者ではなく、問題記述子としての役割を果たすことが確認された。
• ケーススタディでは、複雑性指標が異なる住宅やデータセット間で一貫しており、相対的指標としての信頼性が検証された。