[論文レビュー] Neural Network for NILM Based on Operational State Change Classification

Peng Xiao, Samuel Cheng|arXiv (Cornell University)|Feb 5, 2019

Fault Detection and Control Systems参考文献 26被引用数 6

ひとこと要約

本稿では、非侵襲的負荷モニタリング（NILM）のための深層ニューラルネットワーク（DNN）を提案する。この手法は、オンオフ状態や消費電力の推定を必要とせず、集約電力データのみを用いて家電の稼働状態の変化を分類する。従来の深層学習手法と比較して、より少ないデータと低い複雑性で多様な家電機器においても競争力のある性能を達成しており、REDDデータセットにおいてもHMMおよびGSPのベンチマーク、およびGRU-RNNを上回っている。特に、キッチンコンセントのような変動の大きい家電機器において顕著な優位性を示している。

ABSTRACT

Energy disaggregation in a non-intrusive way estimates appliance level electricity consumption from a single meter that measures the whole house electricity demand. Recently, with the ongoing increment of energy data, there are many data-driven deep learning architectures being applied to solve the non-intrusive energy disaggregation problem. However, most proposed methods try to estimate the on-off state or the power consumption of appliance, which need not only large amount of parameters, but also hyper-parameter optimization prior to training and even preprocessing of energy data for a specified appliance. In this paper, instead of estimating on-off state or power consumption, we adapt a neural network to estimate the operational state change of appliance. Our proposed solution is more feasible across various appliances and lower complexity comparing to previous methods. The simulated experiments in the low sample rate dataset REDD show the competitive performance of the designed method, with respect to other two benchmark methods, Hidden Markov Model-based and Graph Signal processing-based approaches.

研究の動機と目的

• 既存の深層学習モデルが、各家電機器ごとに大規模なハイパーパrameterチューニング、大規模データ、前処理を必要としているという限界を解消すること。
• オンオフ状態や消費電力の推定という代替手段として、集約電力の顕著な変化（＝稼働状態の変化）を検出するというアプローチが、より汎用的かつ低複雑性である可能性を検討すること。
• 単一の家庭からの最小限のデータを用いて、複数の家電機器タイプにわたる稼働状態変化の検出の可能性と性能を評価すること。
• 実世界のデータを用いて、提案手法のDNNをHMM、グラフ信号処理（GSP）、およびGRUベースのRNNといった既存のベンチマークと比較すること。

提案手法

• 深層ニューラルネットワーク（DNN）を、与えられた時間窓の集約電力データが稼働状態の変化を示すかどうかを分類するように訓練する。
• モデルは、集約電力の単一の時間窓を入力とし、その時点での状態変化の有無を2値予測する。
• 学習データは、REDDデータセットの実際の集約電力測定値から構築され、電力消費の統計的シフトに基づいて状態変化がラベル付けされている。
• DNNは標準的なバックプロパゲーションを用いてエンドツーエンドで訓練され、データ合成やアンダーランピング、機器特有の前処理は不要である。
• アーキテクチャは機器タイプにかかわらず単純かつ一貫性を持たせ、さまざまなデバイスへの一般化を可能にしている。
• 性能評価は、状態変化検出のF1スコアを用い、HMM、GSP、およびGRU-RNNモデルと同一の評価プロトコルで比較している。

実験結果

リサーチクエスチョン

• RQ1 集約電力データのみを用いて、オンオフ状態や電力レベルの推定を一切行わずに、DNNが家電の稼働状態変化を効果的に検出できるか。
• RQ2 提案されたDNNの性能は、HMMやグラフ信号処理（GSP）といった既存手法と比較して、状態変化検出においてどうなるか。
• RQ3 RNNベースのモデルが小さな電力窓を推定するのに対して、DNNはより少ないデータと低い複雑性で競争力のある性能を達成できるか。
• RQ4 多段階稼働や低周波の機器を含む多様な機器タイプに、モデルがどの程度一般化できるか。

主な発見

• 提案されたDNNは、REDDデータセットの3軒の住宅でテストした全家電機器において、競争力あるF1スコアを達成しており、特に変動の大きい家電機器（例：キッチンコンセント）ではGSPベースの手法を上回っている。
• 家電6号室のキッチンコンセントでは、F1スコアが1.0に達し、GSPベースラインおよびGRU-RNNモデルを大きく上回っている。
• 洗いだしがあるような多段階家電機器では、ベースロードに類似していることや稼働頻度が低いため、すべての手法で性能が低くなる傾向にあるが、DNNは依然として頑健性を示している。
• 小さな集約データ窓を推定するGRU-RNNモデルは、ほとんどのケースでDNNより著しく性能が低い。特に、オンオフ頻度が低く、変動が大きい家電機器において顕著である。
• DNNは、単一の住宅からのわずかな割合の学習データでも高い性能を達成しており、これは稼働状態変化が統計的に規則的なパターンを示している可能性を示している。
• 従来の深層学習モデルが機器特有のチューニングや前処理を必要としているのに対し、本手法はより低い複雑性かつ多様な家電機器にわたる実用性に優れている。