[論文レビュー] Interleaved Factorial Non-Homogeneous Hidden Markov Models for Energy Disaggregation

Mingjun Zhong, Nigel Goddard+1 more|arXiv (Cornell University)|Jun 30, 2014

Smart Grid Energy Management参考文献 13被引用数 18

ひとこと要約

本稿では、超低周波数の家庭電力データにおけるエネルギー分解能を向上させるために、インターリーブド階乗非時定常隠れマルコフモデル（IFNHMM）を提案する。非時定常な状態遷移を導入して1日周期の使用パターンをモデル化し、1回の時刻ステップで1つの状態のみが変化する制約を課すことにより、同定可能性の問題を軽減し、100戸の家庭を対象にした評価で最小の正規化平方誤差（0.847 ± 0.289）を達成した。これはベースラインモデルを上回る性能を示した。

ABSTRACT

To reduce energy demand in households it is useful to know which electrical appliances are in use at what times. Monitoring individual appliances is costly and intrusive, whereas data on overall household electricity use is more easily obtained. In this paper, we consider the energy disaggregation problem where a household's electricity consumption is disaggregated into the component appliances. The factorial hidden Markov model (FHMM) is a natural model to fit this data. We enhance this generic model by introducing two constraints on the state sequence of the FHMM. The first is to use a non-homogeneous Markov chain, modelling how appliance usage varies over the day, and the other is to enforce that at most one chain changes state at each time step. This yields a new model which we call the interleaved factorial non-homogeneous hidden Markov model (IFNHMM). We evaluated the ability of this model to perform disaggregation in an ultra-low frequency setting, over a data set of 251 English households. In this new setting, the IFNHMM outperforms the FHMM in terms of recovering the energy used by the component appliances, due to that stronger constraints have been imposed on the states of the hidden Markov chains. Interestingly, we find that the variability in model performance across households is significant, underscoring the importance of using larger scale data in the disaggregation problem.

研究の動機と目的

• 2分ごとの読み取りで得られる超低周波数の家庭電力データにおけるエネルギー分解能の課題に対処すること。
• 隠れマルコフ連鎖に構造的制約を課すことにより、集約されたエネルギー信号のブラインドソース分離における同定可能性問題を低減すること。
• 非時定常マルコフ連鎖を用いて、家電機器の使用における1日周期の変動をモデル化すること。
• 任意の時刻ステップで最大1台の家電機器の状態のみが変化するように制約を課すことにより、分解能の精度を向上させること。
• 251戸の英国の家庭からなる大規模かつ多様なデータセットを用いて、モデルの汎化性能と家庭間のばらつきを評価すること。

提案手法

• 非時定常HMMと1回ずつの状態変更制約を組み合わせたインターリーブド階乗非時定常隠れマルコフモデル（IFNHMM）を提案する。
• 時間帯ごとに変化する遷移確率行列を用い、1日周期の使用パターンを捉える非時定常遷移確率行列を採用する。
• 任意の時刻ステップで1つの隠れ連鎖のみが状態を変更できるように制約を課し、スイッチング変数Ztに依存する条件付き遷移確率でモデル化する。
• 最尤推定により、尤度を最大化する隠れ状態S*とスイッチング変数Z*を推定するため、チェーン単位のビタビアルゴリズムを用いる。
• 教師あり学習データを用いて最尤推定によりモデルパラメータを推定し、学習に20〜30日、評価に5〜10日を割り当てる。
• 100戸の英国家庭エネルギー調査（HES）データを用いて、正規化平方誤差（E = Σ(ŷit - xit)² / Σxit²）を指標にモデル性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 非時定常HMMは、低周波数電力データにおける1日周期の家電機器使用パターンをよりよく捉えることができるか？
• RQ2 1回ずつの状態変更制約を課すことで、分解能の精度が向上し、同定可能性の問題が軽減されるか？
• RQ3 モデル性能は多様な家庭間でどのように変動するか？また、そのばらつきはモデル間の差を上回るか？
• RQ4 IFNHMMは、標準的なFHMMおよびFNHMMに比べ、超低周波数エネルギー分解能設定で優れた性能を示せるか？
• RQ5 家庭のエネルギー使用パターンのばらつきが、分解能モデルの汎化性能に及ぼす制限はどの程度か？

主な発見

• IFNHMMは100戸の家庭で正規化平方誤差が0.847 ± 0.289と最小となり、FHMM（1.024 ± 0.396）、FNHMM（0.947 ± 0.368）、IFHMM（0.892 ± 0.334）を上回った。
• IFNHMMの家庭間での分解能誤差の変動係数は0.389であり、モデル間の性能差と同等の高い家庭間ばらつきを示した。
• 誤差の標準偏差が0.289と高いことから、家庭固有の使用パターンがモデル性能に顕著に影響することを示しており、今後の研究における主要な課題である。
• 一部の家庭（例：図1の家庭A）では良好に性能を発揮するが、他の家庭（例：図1の家庭B）では劣悪な性能を示すなど、個々の家庭の行動に敏感であることが判明した。
• 1回ずつの制約と非時定常遷移を併用することで、同定可能性の問題が軽減され、制約が緩いモデルに比べて分解能の精度が向上した。
• 今後の分解能研究では、家庭間のばらつきを解消するため、大規模かつ多様なデータセットの活用が不可欠であると示唆された。