[論文レビュー] NILM as a regression versus classification problem: the importance of thresholding

Daniel Precioso, David Gómez‐Ullate|arXiv (Cornell University)|Oct 28, 2020

Smart Grid Energy Management参考文献 33被引用数 4

ひとこと要約

本稿では、非侵襲的負荷モニタリング（NILM）を分類問題と回帰問題に定式化した場合のしきい値設定手法の影響を調査する。UK-DALEデータセットを用い、手動、移動平均、分散に基づくの3つのしきい値設定手法を比較し、特に低消費電力または間欠的動作の機器において、最適なしきい値設定を用いた分類モデルが回帰モデルを上回る信号再構成性能を示すことを明らかにする。

ABSTRACT

Non-Intrusive Load Monitoring (NILM) aims to predict the status or consumption of domestic appliances in a household only by knowing the aggregated power load. NILM can be formulated as regression problem or most often as a classification problem. Most datasets gathered by smart meters allow to define naturally a regression problem, but the corresponding classification problem is a derived one, since it requires a conversion from the power signal to the status of each device by a thresholding method. We treat three different thresholding methods to perform this task, discussing their differences on various devices from the UK-DALE dataset. We analyze the performance of deep learning state-of-the-art architectures on both the regression and classification problems, introducing criteria to select the most convenient thresholding method.

研究の動機と目的

• 連続的な電力信号をON/OFF状態に変換する際の、さまざまなしきい値設定手法がNILMモデルの性能に与える影響を調査すること。
• 電力消費量に直接回帰するのではなく、しきい値設定を伴う分類問題としてNILMを定式化した場合、より優れた結果が得られるかどうかを評価すること。
• モデルの性能と解釈可能性の両面から、最も適切なしきい値設定手法を選択する基準を特定すること。
• 回帰と分類の目的を重み付き損失関数に統合することで、両者の相互作用を検討すること。
• 時系列的分割（chronological）とランダム分割のデータ分割戦略が、モデルの汎化性能と評価の安定性に与える影響を評価すること。

提案手法

• 連続的な電力信号を二値のON/OFF状態に変換するために、3つのしきい値設定手法を適用する：手動しきい値（AT）、移動平均しきい値（MP）、分散に基づくしきい値（VS）。
• 回帰と分類の両方の定式化に基づいて、畳み込みニューラルネットワーク（CONV）とゲート付き再帰型ユニット（GRU）の2つのディープラーニングアーキテクチャを訓練する。
• 重み付き損失関数により、回帰損失（平均絶対誤差）と分類損失（交差エントロピー）を統合し、ハイパーパrameter w が両者の目的をバランスさせる。
• しきい値設定の質を評価する目的基準として、元の電力信号と再構成された二値信号の間のMAE（内在誤差）を用いる。
• 時系列的分割により、学習・検証・テストデータセットに分割し、時間的依存性を保持し、実環境での展開を模擬する。
• 分類の評価にはF1スコア、回帰の評価にはMAEを用い、機器タイプ（ケトル、洗濯機、冷蔵庫）ごとに結果を分析する。

実験結果

リサーチクエスチョン

• RQ1 異なるしきい値設定手法（AT、MP、VS）が、回帰から分類への変換におけるNILMモデルの性能に与える影響は何か？
• RQ2 最適なしきい値設定を伴う分類問題としてNILMを定式化することで、直接回帰する場合に比べて信号再構成精度が向上するか？
• RQ3 しきい値設定手法の選択が、再構成された機器電力信号の解釈可能性と内在誤差に与える影響は何か？
• RQ4 NILMにおける回帰と分類の損失を統合する重み付き目的関数において、最適なバランスは何か？
• RQ5 時系列的分割とランダム分割のデータ分割戦略が、NILMタスクにおけるモデル評価と汎化性能に与える影響は何か？

主な発見

• ケトルに関しては、最良の分類モデル（MPしきい値）が、あらゆる回帰モデルよりも再構成信号のMAEが低く、適切なしきい値設定を伴う分類が回帰を上回ることを示している。
• 洗濯機に関しては、純粋な分類モデル（w=1）の再構成信号が、最良の回帰モデルよりもMAEが低く、機器の複雑な起動パターンにもかかわらず、分類アプローチが優れていることを示している。
• 冷蔵庫に関しては、w=1の分類モデルが最も低いMAEを達成しており、回帰モデルの性能がwの増加に伴い低下する一方で、分類モデルが冷蔵庫の低消費電力・二値的動作に適していることを示している。
• 特に弱い信号や間欠的信号を示す機器においては、F1スコアよりも、元の信号と再構成された二値信号の間のMAE（内在誤差）が、最良のしきい値設定手法の選定により信頼性が高い基準であることがわかった。
• 最適なしきい値設定手法は機器によって顕著に異なり、ケトルにはMP、洗濯機にはVS、冷蔵庫にはATが最適であった。これは、機器に特化したしきい値チューニングの必要性を示している。
• 回帰と分類の損失を重み付き目的関数で統合することで、すべての機器で性能が向上したが、最適な重みwは機器の消費電力プロファイルと起動パターンに強く依存していた。