[論文レビュー] Neighbourhood NILM: A Big-data Approach to Household Energy Disaggregation

Nipun Batra, Amarjeet Singh+1 more|arXiv (Cornell University)|Oct 26, 2015

Smart Grid Energy Management参考文献 20被引用数 10

ひとこと要約

本論文は、月次エネルギー消費データと少数のサブメーター設置済み「隣接する」住宅のデータを用いて、家庭のエネルギー分解能を高める大規模データアプローチであるNeighborhood NILMを提案する。住宅の面積、居住者数、月次エネルギー傾向の類似性に基づいて同定された近隣住宅の平均を用いることで、冷蔵庫では最大83%、洗濯機では64%の精度を達成。これは、高周波のスマートメーターを必要とする最先端の手法を上回る結果であり、低消費電力および複雑な家電（例：照明、食洗い機）の分解能にも有効である。

ABSTRACT

In this paper, we investigate whether "big-data" is more valuable than "precise" data for the problem of energy disaggregation: the process of breaking down aggregate energy usage on a per-appliance basis. Existing techniques for disaggregation rely on energy metering at a resolution of 1 minute or higher, but most power meters today only provide a reading once per month, and at most once every 15 minutes. In this paper, we propose a new technique called Neighbourhood NILM that leverages data from 'neighbouring' homes to disaggregate energy given only a single energy reading per month. The key intuition behind our approach is that 'similar' homes have 'similar' energy consumption on a per-appliance basis. Neighbourhood NILM matches every home with a set of 'neighbours' that have direct submetering infrastructure, i.e. power meters on individual circuits or loads. Many such homes already exist. Then, it estimates the appliance-level energy consumption of the target home to be the average of its K neighbours. We evaluate this approach using 25 homes and results show that our approach gives comparable or better disaggregation in comparison to state-of-the-art accuracy reported in the literature that depend on manual model training, high frequency power metering, or both. Results show that Neighbourhood NILM can achieve 83% and 79% accuracy disaggregating fridge and heating/cooling loads, compared to 74% and 73% for a technique called FHMM. Furthermore, it achieves up to 64% accuracy on washing machine, dryer, dishwasher, and lighting loads, which is higher than previously reported results. Many existing techniques are not able to disaggregate these loads at all. These results indicate a potentially substantial advantage to installing submetering infrastructure in a select few homes rather than installing new high-frequency smart metering infrastructure in all homes.

研究の動機と目的

• 高周波スマートメーターを用いない家庭におけるエネルギー分解能の課題を解決すること。
• 類似住宅からの大規模データが、高分解能の信号を必要としない場合に、分解能精度を上回る可能性を調査すること。
• 従来の手法が通常検出できない低消費電力および複雑な家電（例：照明、食洗い機）の分解能を可能にすること。
• 広範な高周波スマートメーターの導入を減らすために、少数の住宅でのサブメーターを活用すること。
• 手動による家電モデルのトレーニングを必要としない、スケーラブルでモデルフリーのアプローチを開発すること。

提案手法

• 本手法は、参照データセット内から直接サブメーターが設置された（例：回路や家電機器に）『隣接する』住宅を特定する。
• 月次エネルギー消費、住宅面積、居住者数などの特徴量を用いて、ターゲット住宅とK番目に近い近隣住宅をマッチングする。
• ターゲット住宅の家電レベルエネルギー消費は、そのK個の近隣住宅の平均値として推定される。
• 類似性は、集約された月次エネルギー傾向、住宅面積、居住者数を含む特徴ベクトルを用いて計算される。
• 本手法は学習モデルや高周波電力信号を必要とせず、月次請求データと事前に取得された類似住宅のサブメーターデータに依存する。
• 特徴量の重要性は、異なる特徴量の組み合わせ（例：原始エネルギー、面積、居住者数）をテストすることで評価され、分解能精度に与える影響を特定する。

実験結果

リサーチクエスチョン

• RQ1 高周波メーターに依存するのではなく、類似住宅からのデータを活用することで、エネルギー分解能の精度を向上させられるか？
• RQ2 少数のサブメーターが設置された住宅からの大規模データが、一般的な家庭用家電機器の高精度な分解能を可能にするか？
• RQ3 本手法は、従来のNILM技術が通常検出できない低消費電力および複雑な家電（例：照明、食洗い機）の分解能を可能にするか？
• RQ4 静的家屋特徴量（例：面積、居住者数）の組み込みが、分解能精度に与える影響は何か？
• RQ5 参考データセットに追加でサブメーターが設置された住宅が増えるにつれて、本手法は効果的にスケーリングできるか？

主な発見

• Neighborhood NILMは冷蔵庫のエネルギー分解能で83%の精度を達成し、FHMM手法の74%を上回った。
• 暖房・冷房負荷の分解能では79%の精度を達成し、FHMM手法の73%を上回った。
• 洗濯機、衣類乾燥機、食洗い機、照明の分解能では最大64%の精度を達成し、これらの家電機器についてこれまで報告された結果よりも高い精度を示した。
• 照明の分野では、住宅面積の特徴量が精度を顕著に向上させた。これは、大きな住宅に多くの照明器具があるためと考えられる。
• 暖冷房（HVAC）分野では、原始的な月次エネルギー傾向が最も予測力の高い特徴量であり、季節的変動を効果的に捉えていた。
• 洗濯機関連の家電では、居住者数を特徴量に含めると性能が最も向上した。これは、負荷頻度と強い相関があるためと考えられる。