[論文レビュー] Conv-NILM-Net, a causal and multi-appliance model for energy source separation

Mohamed Alami C., Jérémie Decock+2 more|arXiv (Cornell University)|Oct 1, 2022

Smart Grid Energy Management参考文献 34被引用数 5

ひとこと要約

この論文では、非侵襲的負荷監視（NILM）におけるエンドツーエンドのマルチ家電機器エネルギー源分離のための、完全畳み込み型で因果的な深層学習モデルであるConv-NILM-Netを提案する。Convtas-Netにインspiredされ、学習可能なマスクを備えたエンコーダ・デコーダアーキテクチャを採用し、リアルタイムで集約電力信号を個々の家電機器の負荷に分解する。REDDおよびUK-DALEデータセットにおいて、わずか41,088パラメータで最先端の性能を達成しており、競合モデルと比較してはるかに小さく、オンライン応用に適した高い正確性と因果性を維持している。

ABSTRACT

Non-Intrusive Load Monitoring (NILM) seeks to save energy by estimating individual appliance power usage from a single aggregate measurement. Deep neural networks have become increasingly popular in attempting to solve NILM problems. However most used models are used for Load Identification rather than online Source Separation. Among source separation models, most use a single-task learning approach in which a neural network is trained exclusively for each appliance. This strategy is computationally expensive and ignores the fact that multiple appliances can be active simultaneously and dependencies between them. The rest of models are not causal, which is important for real-time application. Inspired by Convtas-Net, a model for speech separation, we propose Conv-NILM-net, a fully convolutional framework for end-to-end NILM. Conv-NILM-net is a causal model for multi appliance source separation. Our model is tested on two real datasets REDD and UK-DALE and clearly outperforms the state of the art while keeping a significantly smaller size than the competing models.

研究の動機と目的

• 将来の信号依存を回避する、リアルタイムで因果的なマルチ家電機器エネルギー源分離のためのモデルを開発すること。
• 単一タスクで非因果的なモデルの限界を克服し、共有表現学習を活用して複数の家電機器を同時に分離可能にする。
• 既存の最先端モデルと比較して、モデルサイズと計算コストを低減しながら、分解精度を維持または向上させること。
• 因果性とリアルタイム推論能力を確保することで、強化学習ベースのエネルギーマネジメントシステムへの統合を可能にすること。

提案手法

• モデルは、入力の集約電力信号を潜在空間に写像する完全畳み込み型エンコーダ・デコーダアーキテクチャを用いる。
• セパレータモジュールは、C個の異なるマスク（1家電機器あたり1つ）を学習し、潜在表現に適用することで個々の家電機器信号を分離する。
• アーキテクチャは明示的に因果的であり、時刻tの予測が未来のデータに依存しないように保証する。
• アクティベーションと回帰のための別々の損失関数を避けるために、マルチ家電機器源分離のための1つの損失関数を用いてエンドツーエンドで訓練する。
• Convtas-Netにインspiredされ、拡張畳み込みと残差接続を活用して、長距離時系列モデリングを効果的に行う。
• 2つのバリエーションを評価：標準的な因果モデルと、家電機器の依存関係をモデル化するためのゲート付き線形ユニット（GLU）を追加した因果バリエーション。

実験結果

リサーチクエスチョン

• RQ1 1つのエンドツーエンドで完全畳み込み型のモデルが、計算コストが低く抑えられながらもマルチ家電機器エネルギー分離で最先端の性能を達成できるか？
• RQ2 モデルアーキテクチャに因果性を強制することで、強化学習ベースのエネルギーマネジメントシステムに適したリアルタイム・オンラインエネルギー分離が可能になるか？
• RQ3 セパレータにゲート付き線形ユニット（GLU）を組み込むことで、家電機器状態間の相関関係をモデル化し、性能がどの程度向上するか？
• RQ4 複数の損失関数や深層アーキテクチャを用いる既存のSOTAモデルと比較して、モデルのパラメータ効率はどの程度優れているか？

主な発見

• Conv-NILM-NetはREDDおよびUK-DALEデータセットで最先端の性能を達成しており、REDDの建物1のケトルでは平均絶対誤差（MAE）が1.85 Wにまで低下し、seq2pointやUNET-NILMを上回っている。
• UK-DALEデータセットにおいて、因果的バリエーションのConv-NILM-Netはseq2pointと比較して総MAEを33%削減し、強力なリアルタイム推論能力を示している。
• REDDの建物1の冷蔵庫では96.4%のF1スコアを達成し、MAEは0.002 Wにまで低下しており、低消費電力家電機器の分解精度が非常に高いことが示された。
• わずか41,088パラメータで、seq2pointの2920万パラメータと比較して顕著に小型化されており、実装に非常に効率的である。
• GLUを追加した因果的バリエーションは、複数の家電機器で性能が向上しており、家電機器の依存関係をモデル化することで分解精度が向上することが示唆された。
• 1つの損失関数による単一タスク・エンドツーエンド訓練により、UNET-NILMのような多損失アプローチと比較して、トレーニングの簡略化と一般化性能の向上が達成された。