[論文レビュー] Domain Knowledge Aids in Signal Disaggregation; the Example of the Cumulative Water Heater

Belikov, Alexander, Guillaume Matheron+1 more|arXiv (Cornell University)|Mar 22, 2022

Smart Grid Energy Management参考文献 16被引用数 2

ひとこと要約

本論文は、時間的パターンとオフピーク時間帯の活性化行動を活用し、低周波（30分間隔）スマートメーターのデータから累積給湯器（CWH）の消費を検出・分解する、ドメイン知識を統合した非教師あり手法を提案する。モデルは、実地データに対して精度と再現率が0.9を超える結果を達成し、5,000戸のデータセットにおいて、申告されたケースの85％でCWHを正常に同定した。これにより、誤設定の特定や性能劣化の監視が可能になった。

ABSTRACT

In this article we present an unsupervised low-frequency method aimed at detecting and disaggregating the power used by Cumulative Water Heaters (CWH) in residential homes. Our model circumvents the inherent difficulty of unsupervised signal disaggregation by using both the shape of a power spike and its time of occurrence to identify the contribution of CWH reliably. Indeed, many CHWs in France are configured to turn on automatically during off-peak hours only, and we are able to use this domain knowledge to aid peak identification despite the low sampling frequency. In order to test our model, we equipped a home with sensors to record the ground-truth consumption of a water heater. We then apply the model to a larger dataset of energy consumption of Hello Watt users consisting of one month of consumption data for 5k homes at 30-minute resolution. In this dataset we successfully identified CWHs in the majority of cases where consumers declared using them. The remaining part is likely due to possible misconfiguration of CWHs, since triggering them during off-peak hours requires specific wiring in the electrical panel of the house. Our model, despite its simplicity, offers promising applications: detection of mis-configured CWHs on off-peak contracts and slow performance degradation.

研究の動機と目的

• 低周波（30分間隔）スマートメーターのデータを用いて、累積給湯器（CWH）の信号分解を非教師ありで行う手法の開発。
• 特にフランスにおけるオフピーク時間帯でのCWHの予測可能な活性化というドメイン固有の知識を活用し、時間分解能が低い状況下でも検出精度を向上させる。
• モデルを1戸の家庭から得た実地データセットで検証した後、約5,000戸の匿名化された大規模データセットにスケーリングする。
• オフピーク契約での誤設定CWHの特定や、長期的な性能劣化の監視といった実用的応用を可能にする。

提案手法

• 本手法は、フランスのスマートメーター制度（Linky）で既知のオフピーク時間帯の開始時に一貫して発生する電力スパイクを検出することでCWHを同定する。
• 局所的なバックグラウンド消費をベースラインとして用い、CWHがオフピーク開始時に確実に活性化すると仮定し、異常なスパイクを検出する。
• CWHの活性化が時間的に規則的であること（通常1.5～5時間継続）を活用し、30分間隔のサンプリング間隔を超えてスパイクが持続することを保証する。
• CWHはパイロットワイヤ信号に接続されており、これはオフピーク期間中にのみ活性化をトリガーする。これは重要なドメイン制約である。
• 本手法は非教師ありであり、ラベル付き学習データを必要とせず、エネルギー契約と家電機器の行動から得られる時間的および行動的事前知識を活用する。
• モデルはまず1戸の監視家庭から得た実地データセットで検証され、その後、5,000戸の匿名化された大規模データセットに適用された。

実験結果

リサーチクエスチョン

• RQ1 オフピーク時間帯のCWH活性化に関するドメイン知識を活用することで、低分解能（30分間隔）のスマートメーターのデータからCWHを信頼性高く検出できるか？
• RQ2 集計消費データしか入手できない状況下で、非教師あり手法がCWHをどの程度正確に同定できるか？
• RQ3 ユーザーが電気給湯器を使用すると報告している実世界の家庭において、モデルがCWHをどの程度検出できるか？
• RQ4 オフピーク利用に関して、CWHの何パーセントが誤設定されているか。また、そのようなケースをモデルが検出できるか？
• RQ5 モデルは、CWHのエネルギー消費量の時間的変化や性能劣化を検出できるか？

主な発見

• 実地データセットにおいて、モデルは精度と再現率が0.9を超える結果を達成し、強力な検出性能を確認した。
• 約5,000戸の規模のデータセットにおいて、ユーザーがCWHを使用すると申告したケースの大多数でCWHが正常に同定された。
• モデルは1～3.5kWの電力レベルのCWHを検出でき、これは一般的なCWH仕様と整合的であった。
• CWHに起因する家庭全体のエネルギー消費割合は8％～14％の範囲にあり、全国的推定値（12％～15％）と一致した。
• CWHが申告されていたが、定期的なオフピーク時間帯の活性化パターンを示さなかったケースで、潜在的な誤設定を同定した。
• 1分から1時間までのサンプリングレートの変動に対してもモデルが頑健であることが示され、30分間隔を越える幅広い適用性を示唆した。