[論文レビュー] Neural Network Ensembles to Real-time Identification of Plug-level Appliance Measurements

Karim Said Barsim, Lukas Mauch+1 more|arXiv (Cornell University)|Feb 20, 2018

Smart Grid Energy ManagementEngineering参考文献 13被引用数 21

ひとこと要約

本稿では、特徴工学を必要とせず、生の高時間分解能電流および電圧波形を直接用いてプラグレベルの家電製品の種別を分類するニューラルネットワークアンサンブルモデルを提案する。周期的信号を正規化・セグメント化し、位相シフトを用いたデータオーグメンテーションにより、PLAIDデータセットで89.7%の精度を達成し、データセットサイズ、サンプリング周波数、信号位相の変動に対して頑健であることが示された。

ABSTRACT

The problem of identifying end-use electrical appliances from their individual consumption profiles, known as the appliance identification problem, is a primary stage in both Non-Intrusive Load Monitoring (NILM) and automated plug-wise metering. Therefore, appliance identification has received dedicated studies with various electric appliance signatures, classification models, and evaluation datasets. In this paper, we propose a neural network ensembles approach to address this problem using high resolution measurements. The models are trained on the raw current and voltage waveforms, and thus, eliminating the need for well engineered appliance signatures. We evaluate the proposed model on a publicly available appliance dataset from 55 residential buildings, 11 appliance categories, and over 1000 measurements. We further study the stability of the trained models with respect to training dataset, sampling frequency, and variations in the steady-state operation of appliances.

研究の動機と目的

• 生の電気的波形を用いて非侵襲的負荷モニタリングおよびプラグ単位のメーター計測における家電識別問題に対処すること。
• 手作業で特徴を設計するか、特徴的なシグネチャを必要とする従来手法の限界を克服すること。
• 訓練データサイズ、サンプリング周波数、信号位相シフトの変動に対するモデルの頑健性を評価すること。
• ニューラルネットワークアンサンブルが実世界の高時間分解能電力測定に有効であることを示すこと。
• ユーザーの干渉なしにリアルタイムで家電識別が可能なスケーラブルでエンドツーエンドのソリューションを提供すること。

提案手法

• 所定のサンプリング周波数で、1周期分の電流および電圧波形を抽出し、1サイクルあたり d = fs / fg 個のサンプルとする。
• セグメントベースの正規化を適用して振幅の変動を除去し、各信号セグメントを [-1, 1]^d にマッピングする。
• 正規化された電流および電圧セグメントを連結して入力ベクトルを構築し、[−1, 1]^{2d} の入力を得る。
• 各測定値に対してウィンドウをスライドさせることで、アルゴリズム的データ拡張を実施し、1台の家電製品あたり複数の訓練サンプルを生成する。
• 拡張されたデータセット上で、完全結合型フィードフォワードニューラルネットワークのアンサンブルを学習させ、一般化性能および頑健性を向上させる。
• 最終的な分類予測のために、アンサンブルメンバー間の多数決を適用する。

実験結果

リサーチクエスチョン

• RQ1 特徴工学を伴わず、生の電流および電圧波形から直接家電製品の種別を識別するニューラルネットワークアンサンブルは、有効に機能するか？
• RQ2 実世界のプラグ単位家電データセットにおいて、訓練データサイズの変化に伴いモデル性能はどのように変化するか？
• RQ3 入力測定のサンプリング周波数の変動に対して、モデルはどの程度頑健か？
• RQ4 定常状態での信号セグメント抽出における位相シフトに対して、モデルの感度はどの程度か？
• RQ5 家庭固有の家電製品の可用性に関する事前知識を活用することで、分類性能は向上するか？

主な発見

• アンサンブルモデルは、全PLAIDデータセットで未加重精度89.7%およびCohenの kappa 0.882を達成し、アンサンブルメンバー間の多数決による予測が最良の性能を示した。
• 訓練データセットが小さくなると性能が低下し、データ量に強く依存していることが示された。r < 0.5 未満で精度が顕著に低下した。
• サンプリング周波数が低くてもモデルは頑健であり、2.5 kHzでさえ80%以上の精度を維持した。低解像度入力に対しても耐性があることが示された。
• 信号抽出における位相シフトに対して、モデルは高い頑健性を示し、定常状態期間内の異なる開始位置に対しても高い性能を維持した。
• 家庭固有の家電製品の可用性に関する事前知識を用いてラベル空間を絞ることで、精度は94%に向上した。これはドメイン固有の制約の影響が大きいことを示している。
• 電子レンジ、CFL、掃除機、ラップトップは識別が最も容易だったが、温度制御装置（例：エアコン、ヒーター、冷蔵庫）は分類が最も困難であった。