[論文レビュー] On the Feasibility of Generic Deep Disaggregation for Single-Load Extraction

Karim Said Barsim, Bin Yang|arXiv (Cornell University)|Feb 5, 2018

Smart Grid Energy Management参考文献 30被引用数 43

ひとこと要約

本論文は、完全畳み込みニューラルネットワークに基づく固定アーキテクチャの汎用ディスアグリゲーションモデルを提案し、UK-DALEデータを用いて複数荷重にわたる単一荷重の活性化プロファイルを抽出します。

ABSTRACT

Recently, and with the growing development of big energy datasets, data-driven learning techniques began to represent a potential solution to the energy disaggregation problem outperforming engineered and hand-crafted models. However, most proposed deep disaggregation models are load-dependent in the sense that either expert knowledge or a hyper-parameter optimization stage is required prior to training and deployment (normally for each load category) even upon acquisition and cleansing of aggregate and sub-metered data. In this paper, we present a feasibility study on the development of a generic disaggregation model based on data-driven learning. Specifically, we present a generic deep disaggregation model capable of achieving state-of-art performance in load monitoring for a variety of load categories. The developed model is evaluated on the publicly available UK-DALE dataset with a moderately low sampling frequency and various domestic loads.

研究の動機と目的

• データ主導の荷重非依存 NILM 手法を動機づけるため、荷重ごとのハイパーパラメータ調整を回避する。
• 固定アーキテクチャとハイパーパラメータを持つ汎用の深層ディスアグリゲーションモデルを提案する。
• 公開UK-DALEデータを用いて多様な荷重カテゴリでの性能を評価する。
• 荷重別モデルと比較して、荷重間および建物間での一般化を示す。

提案手法

• 入力、40のエンコード/デコード、4つの表現層、出力を含む46層の完全畳み込みニューラルネットワークを用いる。
• モデルは、ターゲット荷重の活性化のK長窓の事後確率を、二値交差エントロピー損失を用いて出力する。
• 実電力信号の閾値処理から得られた真の活性化プロファイルを用いて、重複なし窓で訓練する。
• 膨張畳み込み、バッチ正規化、LReLU活性化、活性化ノイズ、スキップ接続を用いて表現を学習する。
• Adam（Nesterovモーメンタム付き）でパラメータを最適化し、平均0の一様分布から初期化する。
• 真の活性化プロファイルは、荷重ごとの閾値と最小ON/OFF継続時間で定義される。

実験結果

リサーチクエスチョン

• RQ1 単一の固定アーキテクチャ深層モデルが、荷重ごとのハイパーパラメータ調整なしで、複数の荷重タイプに対して最先端のようなディスアグリゲーションを達成できるか？
• RQ2 公開NILMデータで訓練した場合、未知の荷重や建物に対して汎用モデルはどれくらい一般化できるか？
• RQ3 荷重特異的ベースラインと比較した場合、完全畳み込みNILMアプローチの性能と評価特性はどのようになるか？

主な発見

• 提案された汎用モデルは、評価対象として選択されたUK-DALEデータセットのすべての荷重で先行研究を上回る。
• 簡易な正確度を超える複数の指標を用いて荷重間の性能変動を定量化し、クラス不均衡の懸念に対処している。
• 複数の荷重カテゴリで高いf-measureとMCCを達成し、他のカテゴリで強力なAUC類似指標を示す。
• 既知の荷重から未知の荷重へ新しい建物へ転移させた場合、回帰ベースのベースラインと比べて競争力があるまたは優れている。
• 活性化プロファイルに基づく評価は、総電力データの部分セグメントから活性化を推定できるため、ほぼリアルタイムのフィードバック可能性を提供する。