[論文レビュー] Subtask Gated Networks for Non-Intrusive Load Monitoring

Changho Shin, Sunghwan Joo+4 more|arXiv (Cornell University)|Nov 16, 2018

Smart Grid Energy Management参考文献 23被引用数 20

ひとこと要約

本稿では、非侵襲的負荷モニタリング（NILM）の性能を向上させるために、電力推定のための回帰ネットワークと、オン/オフ状態検出のための分類サブネットワークを同時に学習する深層学習アーキテクチャ、Subtask Gated Networks（SGN）を提案する。回帰出力を分類確率でゲーティングすることにより、REDDおよびUK-DALEデータセットにおいて、最先端の手法と比較して15–30%の性能向上を達成し、特に待機電力のモデル化において顕著である。

ABSTRACT

Non-intrusive load monitoring (NILM), also known as energy disaggregation, is a blind source separation problem where a household's aggregate electricity consumption is broken down into electricity usages of individual appliances. In this way, the cost and trouble of installing many measurement devices over numerous household appliances can be avoided, and only one device needs to be installed. The problem has been well-known since Hart's seminal paper in 1992, and recently significant performance improvements have been achieved by adopting deep networks. In this work, we focus on the idea that appliances have on/off states, and develop a deep network for further performance improvements. Specifically, we propose a subtask gated network that combines the main regression network with an on/off classification subtask network. Unlike typical multitask learning algorithms where multiple tasks simply share the network parameters to take advantage of the relevance among tasks, the subtask gated network multiply the main network's regression output with the subtask's classification probability. When standby-power is additionally learned, the proposed solution surpasses the state-of-the-art performance for most of the benchmark cases. The subtask gated network can be very effective for any problem that inherently has on/off states.

研究の動機と目的

• 既存の深層学習モデルが家電のオン/オフ状態を明示的にモデル化しないという限界を解決する。
• 家庭用家電の内在するオン/オフ動作を活用することで、エネルギー分解能の精度を向上させる。
• より良い一般化を実現するため、ゲーティング機構を介して回帰と分類のサブタスクを統合する新しいアーキテクチャを開発する。
• サブタスクネットワークを介したオン/オフ状態の明示的モデル化が、標準的なマルチタスク学習手法を上回る性能向上をもたらすことを示す。
• REDDおよびUK-DALEの標準NILMベンチマークにおいて、MAEおよびSAEδなどの複数の指標を用いて、手法を評価する。

提案手法

• メインの回帰ネットワークと別個のオン/オフ分類サブネットワークを組み合わせたサブタスクゲーテッドネットワーク（SGN）を提案する。
• 分類サブネットワークが「オン」であると予測する確率と、回帰出力を要素ごとの積でゲーティングする。
• 回帰損失（L_output）とオン状態分類損失（L_on）を含む合成損失関数を用いて、エンドツーエンドでモデルを学習する。
• 待機電力を明示的にモデル化するバージョンを導入し、低電力状態の家電における性能向上を図る。
• 一部のバージョンではハードゲーティングを適用し、ノイズの多い状況でも耐性を高める。
• 分類サブネットワークを動的ゲートとして用い、家電がオフと予測された場合には回帰出力を抑制する。

実験結果

リサーチクエスチョン

• RQ1 家電のオン/オフ状態を明示的にモデル化することで、深層学習を用いた非侵襲的負荷モニタリングの精度が向上するか？
• RQ2 オン/オフ分類確率で回帰出力をゲーティングすることにより、標準的なマルチタスク学習手法と比較して、分解能性能にどのような影響を与えるか？
• RQ3 オン状態分類のための専用損失（L_on）を導入することで、一般化性能が向上し、回帰出力のノイズが低減するか？
• RQ4 待機電力をモデル化することで、低電力状態の家電における性能向上はどの程度達成されるか？
• RQ5 実世界の応用において、さまざまな誤差許容度（δ）を想定したSAEδなどの誤差指標において、サブタスクゲーテッドネットワークの耐性はどの程度高いか？

主な発見

• Subtask Gated Networksは、MAEおよびSAEδを指標として用いたREDDおよびUK-DALEデータセットにおいて、最先端の深層学習モデルと比較して15–30%の性能向上を達成した。
• オン状態分類損失（L_on）の導入により、ゲーティング機構の信頼性が著しく向上し、分類サブネットワークが単なるスケーリング要因にとどまらなくなることが確認された。
• 分類サブネットワークの出力は0および1の周辺に強く集中しており、特に冷蔵庫のようなサイクル動作を行う家電において、オン/オフ状態の学習が効果的に行われていることが示された。
• 食洗機やケトルのような家電では、オフ状態におけるノイズの多い回帰出力をゲーティング機構が効果的に抑制し、精度向上に寄与した。
• 待機電力を明示的にモデル化したモデルは、低電力状態の家電においてさらなる性能向上を示し、細分化された状態表現の利点を実証した。
• SAEδのテストで用いたδのすべての値において、SGNモデルは優れた性能を維持しており、実用応用におけるさまざまな誤差許容度レベルに対しても耐性が高いことが示された。