[論文レビュー] PowerGAN: Synthesizing Appliance Power Signatures Using Generative Adversarial Networks

Alon Harell, Richard Jones+2 more|arXiv (Cornell University)|Jul 20, 2020

Smart Grid Energy Management参考文献 39被引用数 4

ひとこと要約

PowerGANは、手作業で設計されたモデルに依存せずに、現実的で多様な家電の電力シグネチャを合成するための条件付きで段階的に成長する1次元 Wasserstein GAN を導入した。Inceptionスコア（3.81±0.13）、FID（43.30）、SWDといった定量的指標および定性的な現実性において、既存の合成データ手法を上回り、非侵襲的負荷監視（NILM）のデータ拡張に、高精度で真にランダムな家電の電力トレースを生成する有効性を示している。

ABSTRACT

Non-intrusive load monitoring (NILM) allows users and energy providers to gain insight into home appliance electricity consumption using only the building's smart meter. Most current techniques for NILM are trained using significant amounts of labeled appliances power data. The collection of such data is challenging, making data a major bottleneck in creating well generalizing NILM solutions. To help mitigate the data limitations, we present the first truly synthetic appliance power signature generator. Our solution, PowerGAN, is based on conditional, progressively growing, 1-D Wasserstein generative adversarial network (GAN). Using PowerGAN, we are able to synthesise truly random and realistic appliance power data signatures. We evaluate the samples generated by PowerGAN in a qualitative way as well as numerically by using traditional GAN evaluation methods such as the Inception score.

研究の動機と目的

• 標榜された家電の電力データが限られているという非侵襲的負荷監視（NILM）における重要なボトル neck を解決すること。
• 物理的モデルや手作業で設計されたモデルに依存せずに、真にランダムで現実的な家電の電力シグネチャを生成するデータ生成手法を開発すること。
• 大規模かつ多様な合成データの生成を可能にすることで、NILMの一般化性能を向上させること。
• 時間系列の電力信号データに適応した、既存のGAN評価指標を用いて合成トレースを評価すること。

提案手法

• PowerGANは、現実的な家電の電力シグネチャを生成するために、条件付きで段階的に成長する1次元 Wasserstein GAN（WGAN）アーキテクチャを採用している。
• 生成器は、ランダムな潜在コードと条件付きラベル（例：家電タイプ）を入力として受け取り、時間系列の電力トレースを出力する。
• 識別器は、ECO や Tracebase などのデータセットからの実際の電力トレースと生成されたトレースを区別するように訓練され、特徴抽出のための1次元 ResNet ベースの分類器が使用されている。
• 訓練は、生成器と識別器の更新を交互に繰り返し、生成器が実データ分布とのWasserstein距離を最小化するように最適化される。
• 評価には、分類器特徴量およびラプラシアンピラミッド特徴量の両方に対して適応されたGAN指標（Inceptionスコア（IS）、Frechet Inception距離（FID）、Sliced Wasserstein距離（SWD））が使用されている。
• 本手法は、ECO および Tracebase からの実際の電力データを用いて訓練され、非公開または合成されたベースラインに依存しない、現実的な分布モデリングを実現している。

実験結果

リサーチクエスチョン

• RQ1 物理的または手作業で設計されたモデルに依存せずに、GANベースのアプローチが現実的で多様な家電の電力シグネチャを生成できるか？
• RQ2 ANTgen や SynD などの既存の合成データ生成器と比較して、PowerGAN は生成された電力トレースの現実性と多様性においてどのように差をつけるか？
• RQ3 標準的なGAN評価指標（IS、FID、SWD）は、合成された家電の電力信号の品質をどれほど的確に反映しているか？
• RQ4 提案手法は、訓練データに存在しない真にランダムで新しい家電の電力シグネチャを生成できるか？

主な発見

• PowerGANは、評価されたすべての生成器の中で最高のInceptionスコア（3.81±0.13）を達成しており、サンプルの品質と多様性が優れていることを示している。
• FIDが最低の43.30を記録しており、生成された電力信号特徴量と実際の特徴量の分布が最も一致していることを示している。
• ラプラシアン特徴量（18±0.088）および分類器特徴量（0.25±0.011）を用いたSliced Wasserstein距離は、実データとの強い分布類似性を確認している。
• PowerGANは、すべての評価指標においてANTgen や SynD を上回っており、現実的で多様な家電の電力シグネチャを生成する優位性を示している。
• 実データで訓練された1次元 ResNet 分類器の使用により、合成信号品質の信頼性が高く、バイアスのない評価が可能になった。