[論文レビュー] Energy Disaggregation via Deep Temporal Dictionary Learning

Mahdi Khodayar, Jianhui Wang+1 more|arXiv (Cornell University)|Sep 10, 2018

Smart Grid Energy Management被引用数 4

ひとこと要約

本論文では、長短記憶自己符号化器（LSTM-AE）と非線形辞書学習を組み合わせることで、家庭の電力信号における時間的パターンをモデル化する、エネルギー分解能のための新規手法であるDeep Temporal Dictionary Learning（DTDL）を提案する。深く時間に依存する特徴から非線形辞書を学習することで、REDDデータセットにおいて最先端の性能を達成し、従来の手法と比較して分解能の精度とFスコアを顕著に向上させた。

ABSTRACT

This paper addresses the energy disaggregation problem, i.e. decomposing the electricity signal of a whole home to its operating devices. First, we cast the problem as a dictionary learning (DL) problem where the key electricity patterns representing consumption behaviors are extracted for each device and stored in a dictionary matrix. The electricity signal of each device is then modeled by a linear combination of such patterns with sparse coefficients that determine the contribution of each device in the total electricity. Although popular, the classic DL approach is prone to high error in real-world applications including energy disaggregation, as it merely finds linear dictionaries. Moreover, this method lacks a recurrent structure; thus, it is unable to leverage the temporal structure of energy signals. Motivated by such shortcomings, we propose a novel optimization program where the dictionary and its sparse coefficients are optimized simultaneously with a deep neural model extracting powerful nonlinear features from the energy signals. A long short-term memory auto-encoder (LSTM-AE) is proposed with tunable time dependent states to capture the temporal behavior of energy signals for each device. We learn the dictionary in the space of temporal features captured by the LSTM-AE rather than the original space of the energy signals; hence, in contrast to the traditional DL, here, a nonlinear dictionary is learned using powerful temporal features extracted from our deep model. Real experiments on the publicly available Reference Energy Disaggregation Dataset (REDD) show significant improvement compared to the state-of-the-art methodologies in terms of the disaggregation accuracy and F-score metrics.

研究の動機と目的

• 従来の線形辞書学習では家庭電力信号の複雑な時間的パターンを捉えきれないという限界を解消すること。
• 古典的な辞書学習には再帰構造が欠如しているため、エネルギー消費データの逐次的依存関係をモデル化する能力が制限されているという問題を克服すること。
• LSTM自己符号化器によって抽出された時間に依存する深層特徴から非線形辞書を学習することで、分解能の精度を向上させること。
• 深層時間特徴空間で辞書とスパース係数を同時に最適化することで、デバイスレベルのエネルギー推定をより正確に可能にすること。

提案手法

• 生の電力信号から強力で時間依存の表現を抽出するために、長短記憶自己符号化器（LSTM-AE）を訓練する。
• LSTM-AEから得られた学習済みの時間的特徴を、デバイスレベルの消費における非線形パターンの発見に用いる入力空間として利用する。
• 非線形辞書とスパース係数を同時に学習するための共同最適化フレームワークを提案し、各デバイスの寄与が正確に表現されることを保証する。
• 辞書はLSTM-AEの潜在空間で学習されるため、線形モデルが見逃す複雑な時間的ダイナミクスを捉えることができる。
• 各デバイスのエネルギー信号を、学習済みの時間的パターンのスパース線形結合としてモデル化することで、高精度な分解能を実現する。
• 再構成誤差を最小化するとともに係数のスパarsityを強制する最適化により、解釈可能性と精度が向上する。

実験結果

リサーチクエスチョン

• RQ1 再帰構造を有する深層ニューラルネットワークは、従来の線形モデルと比較して、家庭電力信号の時間的パターンの表現を向上させることができるか？
• RQ2 LSTM自己符号化器の特徴空間で非線形辞書を学習することは、生信号空間における線形辞書学習よりも優れたエネルギー分解能性能をもたらすか？
• RQ3 深層時間特徴空間で辞書とスパース係数を共同最適化することで、分解能の精度とFスコア指標にどのような影響を与えるか？
• RQ4 LSTM-AEを用いて時間的依存性を組み込むことで、最先端の手法と比較して、デバイスレベルのエネルギー推定誤差はどの程度低減されるか？

主な発見

• 提案されたDTDL手法は、公開済みのREDDデータセットにおいて、最先端の手法と比較して顕著な分解能精度の向上を達成した。
• デバイスレベルのエネルギー分解能におけるFスコアは、ベースライン手法よりも顕著に高く、個々の家電機器の使用状況を特定する精度と再現率の両面で優れた性能を示した。
• LSTM-AE特徴の使用により、線形モデルが表現できない長期的な時間的依存関係をモデルが捉えることができた。
• 深層特徴空間における辞書とスパース係数の共同最適化は、より正確で頑健なデバイス活動検出を実現した。
• 時間的特徴から学習された非線形辞書は、家庭用家電の複雑で非定常な消費行動をモデル化する点で、線形辞書を上回った。
• 実験結果により、提案手法が再構成誤差を低減し、分解能エネルギー信号の解釈可能性を向上させることを確認した。