[論文レビュー] Deep Learning Based Energy Disaggregation and On/Off Detection of Household Appliances

Jie Jiang, Qiuqiang Kong+2 more|arXiv (Cornell University)|Jul 3, 2019

Smart Grid Energy Management参考文献 31被引用数 12

ひとこと要約

本稿では、家庭のエネルギー分解能と家電のオン/オフ検出にWaveNetベースの深層学習モデルを提案し、精度と計算効率の両面でCNNやRNNを上回ることを示している。直接的にバイナリ分類器を訓練することで、回帰予測の後処理よりも優れた性能を発揮し、20件の英国家庭の2年間の実世界データセットにおいて、テストしたすべての家電機器で高いF1スコアを達成した。

ABSTRACT

Energy disaggregation, a.k.a. Non-Intrusive Load Monitoring, aims to separate the energy consumption of individual appliances from the readings of a mains power meter measuring the total energy consumption of, e.g. a whole house. Energy consumption of individual appliances can be useful in many applications, e.g., providing appliance-level feedback to the end users to help them understand their energy consumption and ultimately save energy. Recently, with the availability of large-scale energy consumption datasets, various neural network models such as convolutional neural networks and recurrent neural networks have been investigated to solve the energy disaggregation problem. Neural network models can learn complex patterns from large amounts of data and have been shown to outperform the traditional machine learning methods such as variants of hidden Markov models. However, current neural network methods for energy disaggregation are either computational expensive or are not capable of handling long-term dependencies. In this paper, we investigate the application of the recently developed WaveNet models for the task of energy disaggregation. Based on a real-world energy dataset collected from 20 households over two years, we show that WaveNet models outperforms the state-of-the-art deep learning methods proposed in the literature for energy disaggregation in terms of both error measures and computational cost. On the basis of energy disaggregation, we then investigate the performance of two deep-learning based frameworks for the task of on/off detection which aims at estimating whether an appliance is in operation or not. Based on the same dataset, we show that for the task of on/off detection the second framework, i.e., directly training a binary classifier, achieves better performance in terms of F1 score.

研究の動機と目的

• 家庭のエネルギー消費データにおける長期間の依存関係を扱える深層学習モデルを用いて、エネルギー分解能の性能を向上させること。
• 拡張畳み込みとスキップ接続を特徴とするWaveNetアーキテクチャが、エネルギー分解能タスクにおける長時間系列のモデリングにどの程度有効であるかを評価すること。
• 家電のオン/オフ検出のための2つの学習フレームワークを比較すること：1つは回帰出力のバイナリ化に基づくもの、もう1つは直接的なバイナリ分類に基づくもの。
• F1スコアの観点から、回帰に基づくオン/オフ検出と比較して、直接分類器を訓練することでより優れた性能が得られるかどうかを特定すること。
• 受容 field サイズがさまざまな家電機器のモデル性能に与える影響について、実証的証拠を提供すること。

提案手法

• 長期間の時系列的依存関係をモデル化するため、スキップ接続を備えた拡張畳み込みニューラルネットワークであるWaveNetを用いる。
• ネットワークが長期間の入力系列に基づいて1時点のエネルギー消費を予測する、シーケンス・ツー・ポイント学習パラダイムを採用してモデルを訓練する。
• 受容 field サイズをハイパーパrameterとして用い、文脈長を制御し、15から2047までの値を範囲として性能への影響を評価する。
• オン/オフ検出のための2つの異なる学習フレームワークを実装する：(1) 回帰ベースのWaveNetモデルの予測をバイナリ化する方法、(2) バイナリ化された家電状態に直接バイナリ分類器を訓練する方法。
• 回帰の目的関数には平均絶対誤差（MAE）を、分類の目的関数にはバイナリクロスエントロピー損失を用い、固定学習率0.001のAdam最適化手法を適用して最小化する。
• 分類フレームワークにおいて、オン/オフ状態を決定するための確率閾値を0.3に設定し、モデル間の一貫性ある評価を確保する。

実験結果

リサーチクエスチョン

• RQ1 Waveネットベースのモデルは、精度と計算効率の両面で、既存のCNNおよびRNNモデルを上回ることができるか？
• RQ2 WaveNetモデルの受容 field サイズは、さまざまな家電機器におけるエネルギー分解能タスクの性能にどのように影響するか？
• RQ3 直接的にバイナリ分類器を訓練することで、回帰に基づくエネルギー予測の後処理よりも高いF1スコアが得られるか？
• RQ4 受容 field サイズが増加するに従って、2つのオン/オフ検出フレームワーク間の性能差はどのように変化するか？
• RQ5 家電のエネルギー消費パターンにおける長期的依存関係は、分解能タスクにおける深層学習モデルの有効性にどの程度影響を与えるか？

主な発見

• WaveNetモデルは、UK-DALEデータセットにおいて、最先端のCNNおよびRNNモデルよりも低い平均絶対誤差（MAE）を達成し、エネルギー分解能における優れた性能を示している。
• より長いターゲットフィールド（すなわち、より大きな受容 field サイズ）は、すべての家電機器においてMAEを一貫して改善し、受容 field サイズが2047のときに最高の性能が得られた。
• バイナリ分類ベースの学習フレームワークは、4つの家電機器（電気ポット、食洗機、電子レンジ、洗濯機）の全受容 field サイズにおいて、回帰ベースのフレームワークよりも高いF1スコアを達成した。
• 電気ポットと食洗機に関しては、受容 field が拡大するに従って2つのフレームワークの性能差が縮小するが、分類フレームワークは依然として優れている。
• 受容 field サイズが2047のとき、分類ベースフレームワークのF1スコアは電子レンジで最大0.89、洗濯機で最大0.86に達した。
• 結果から、回帰出力の後処理よりも、直接的なバイナリ分類の訓練が、家庭のエネルギー監視におけるオン/オフ検出タスクにおいてより効果的な戦略であると示唆された。