[論文レビュー] Data augmentation for dealing with low sampling rates in NILM

Tai Le Quy, Sergej Zerr+2 more|arXiv (Cornell University)|Mar 30, 2021

Advanced Adaptive Filtering Techniques参考文献 12被引用数 4

ひとこと要約

本稿では、非侵入型負荷監視（NILM）における低周波数のエネルギー分解解析データのサンプリングレートを向上させるために、Denton-Cholette、段階的、3次スプライン、デバイス固有の手法を含む補間技術を用いたデータ拡張を提案する。この手法によりNILMアルゴリズムの性能が向上し、特にデバイス固有の補間がFスコアの向上に最も寄与する。冷却、エンターテインメント、コンピュータ機器において顕著な改善が得られ、データレベルの拡張が低サンプリングデータセットにおけるモデルの頑健性と正確性を向上させることを示している。

ABSTRACT

Data have an important role in evaluating the performance of NILM algorithms. The best performance of NILM algorithms is achieved with high-quality evaluation data. However, many existing real-world data sets come with a low sampling quality, and often with gaps, lacking data for some recording periods. As a result, in such data, NILM algorithms can hardly recognize devices and estimate their power consumption properly. An important step towards improving the performance of these energy disaggregation methods is to improve the quality of the data sets. In this paper, we carry out experiments using several methods to increase the sampling rate of low sampling rate data. Our results show that augmentation of low-frequency data can support the considered NILM algorithms in estimating appliances' consumption with a higher F-score measurement.

研究の動機と目的

• 実世界のエネルギー分解解析データセットにおける低サンプリングレートおよび不完全なデータによるNILM性能の悪化という課題に対処する。
• 低サンプリングレートデータセット（例：1/60 Hz）の品質を向上させ、より正確な家電レベルの消費電力推定を可能にする。
• 既存のNILMアルゴリズム自体を変更せずに、データレベルの拡張がアルゴリズム性能を向上させることを検証する。
• さまざまな補間手法が疎なデータから高分解能時系列を再構築する効果を評価する。
• データ拡張が、特にデータ集約型のディープラーニングモデルに適した、手法に依存しない代替手段としてNILM性能を向上させられることを示す。

提案手法

• Denton-Cholette、段階的、3次スプライン、デバイス固有の補間といった複数の補間手法を用い、低サンプリングレートの電力消費データから高サンプリングレート信号を再構築する。
• 補間実験のために、元々1 Hzのサンプリングレートを持つ2つのベンチマークデータセット（ECOとiAWE）を1/60 Hzにダウンサンプリングする。
• 補間手法を適用して、元の信号の時間的および電力的特性を保持したまま、合成された高周波数データを生成する。
• 2つの代表的なNILMアルゴリズム（Weissのアルゴリズム（教師あり）およびParsonのアルゴリズム（準教師あり）と因子的HMM）を用いて評価する。
• 主な評価指標としてFスコアを用い、さまざまな家電カテゴリにおいて、元データ、アンダーサンプリングデータ、および拡張済みデータの性能を比較する。
• 家電を機能グループ（冷却、調理、エンターテインメント、コンピュータ、照明）に分類し、デバイスタイプごとの性能差を分析する。

実験結果

リサーチクエスチョン

• RQ1 補間によるデータ拡張が、低サンプリングレートデータセットにおけるNILMアルゴリズムのFスコアを顕著に向上させることができるか？
• RQ2 Denton-Cholette、段階的、3次スプライン、デバイス固有の補間のうち、どの手法がエネルギー分解解析で最も優れた性能を示すか？
• RQ3 データ拡張は、低消費電力または変動のある消費電力の家電タイプにおいて、NILMアルゴリズムの性能にどのように影響を与えるか？
• RQ4 提案されたデータレベルの拡張アプローチは、さまざまなNILMアルゴリズムおよびデータセットに一般化可能か？
• RQ5 どの程度まで拡張は、データの疎らさや低サンプリングレートがNILM性能に与える悪影響を緩和するか？

主な発見

• デバイス固有の補間が最高の平均Fスコア向上を達成し、ECOデータセットにおいてWeissのアルゴリズムは冷却家電で0.744、調理家電で0.300のFスコアを記録した。
• Parsonのアルゴリズムは、デバイス固有および段階的補間で冷却家電およびコンピュータ家電において優れた性能を示し、それぞれFスコア0.620および0.485を達成した。
• Denton-Cholette法は滑らかな時系列を生成したが、これによりイベント検出の正確性が低下し、Fスコアが低下した（例：iAWEにおいてWeissのアルゴリズムで0.305）。過剰な平滑化が性能に悪影響を与えることが示唆された。
• 3次スプラインおよび段階的補間は混合結果を示し、3次スプラインはECOで性能が低かった（WeissのアルゴリズムでFスコア0.176）。これはノイズやギャップへの過剰適合の可能性を示唆している。
• 照明家電は、低消費電力のため、あらゆる手法において一貫して低いFスコアを示し、拡張を施しても依然としてNILMの課題として残っていることを示した。
• 一部のケースでは、元の高品質データ（1 Hz）がすべての拡張バージョンを上回ったが、アンダーサンプリングデータに比べて拡張により顕著な性能向上が得られた。iAWEにおけるWeissのアルゴリズムでは、段階的補間を用いることでFスコアが0.206から0.416に上昇した。