[論文レビュー] Non-Intrusive Load Monitoring with Fully Convolutional Networks

Cillian Brewitt, Nigel Goddard|arXiv (Cornell University)|Dec 10, 2018

Structural Health Monitoring Techniques参考文献 21被引用数 15

ひとこと要約

本論文は、非侵襲的負荷監視（NILM）のための完全畳み込みニューラルネットワーク（FCN）を提案し、従来の最先端（SOTA）のシーケンス・ツー・ポイント（S2P）モデルと比較して、32倍速い学習と43倍速い推論を実現しながら、最新の分離性能を達成した。計算効率が著しく向上したが、精度に妥協は見られなかった。

ABSTRACT

Non-intrusive load monitoring or energy disaggregation involves estimating the power consumption of individual appliances from measurements of the total power consumption of a home. Deep neural networks have been shown to be effective for energy disaggregation. In this work, we present a deep neural network architecture which achieves state of the art disaggregation performance with substantially improved computational efficiency, reducing model training time by a factor of 32 and prediction time by a factor of 43. This improvement in efficiency could be especially useful for applications where disaggregation must be performed in home on lower power devices, or for research experiments which involve training a large number of models.

研究の動機と目的

• 処理能力が限られた家庭のリアルタイムまたはエッジデプロイに適した、非侵襲的負荷監視（NILM）における計算効率の向上。
• 分離精度を損なわずに、NILMにおける深層学習モデルの学習時間と推論時間を短縮すること。
• 数百万戸にわたる家庭でのモデル学習とデプロイが可能になるように、大規模なNILMアプリケーションの実現。
• エネルギー分離において、再帰型またはシーケンス・ツー・ポイントモデルの代替として、完全畳み込みネットワーク（FCN）の有効性の検証。
• 各モデルの学習時間を大幅に短縮することで、ハイパラメータ探索やアンサンブルモデリングのワークフローを促進すること。

提案手法

• スライディングウィンドウのセグメンテーションを必要とせず、生の集約電力信号をエンドツーエンドで処理する完全畳み込みニューラルネットワーク（FCN）アーキテクチャを提案。
• 因果的畳み込み（causal convolutions）を用いて時系列の順序を維持し、予測が過去および現在の入力にのみ依存するようにし、データ漏洩を回避。
• 各タイムステップごとの家電レベルの電力予測を出力するために、グローバル平均プーリングとシグモイド活性化関数を適用。
• 予測誤差と総消費電力量の誤差を最小化するため、平均絶対誤差（MAE）と正規化された信号集約誤差（SAE）を損失関数として使用。
• Adam最適化関数とバッチ正則化を用いる標準的なディープラーニングのトレーニングパイプラインを採用したが、従来モデルと比較して顕著に少ないパラメータ数を実現。
• 同一のデータ分割と評価指標を用いて、FCNを最先端のシーケンス・ツー・ポイント（S2P）モデルと直接比較。

実験結果

リサーチクエスチョン

• RQ1 完全畳み込みネットワーク（FCN）は、従来のシーケンス・ツー・ポイントモデルと同等またはそれ以上の分離精度を達成できるか？
• RQ2 エネルギー分離において、再帰型または全結合シーケンスモデルと比較して、FCNは学習時間と推論時間をどの程度短縮できるか？
• RQ3 パラメータ数と推論時間の削減により、ハイパーパramータチューニングやアンサンブルモデリングといった新しい研究ワークフローが可能になるか？
• RQ4 電気シャワー機器や食器洗い機のような、複雑なまたは一時的な電力シグネチャを持つ家電では、モデルの性能はいかがなっているか？
• RQ5 FCNは多様な家庭用家電に一般化可能であり、MAEおよびSAE指標の両方で低誤差を維持できるか？

主な発見

• FCNは、全家電タイプの平均MAEを14.9ワットに低下させ、S2Pモデルの34.8ワットから57％の削減を達成した。
• 平均SAEは0.67から0.33に低下し、時間経過に伴う総消費電力量の推定精度が著しく向上したことが示された。
• 学習時間は422.0分から13.2分にまで32倍短縮された（4台のNVIDIA Titan X GPUを用いて）。
• 推論時間は1週間分のデータあたり1.573秒から0.036秒にまで43倍短縮された。
• FCNのパラメータ数は428,801にとどまり、S2Pモデルの3070万パラメータと比較して72倍の削減が達成された。
• FCNは全家電タイプにおいてMAEでS2Pモデルを上回り、特に電気ケトルと電子レンジで最大の改善が見られた。