[논문 리뷰] A Comprehensive Review on the NILM Algorithms for Energy Disaggregation

Akriti Verma, Adnan Anwar외 3명|arXiv (Cornell University)|2021. 02. 20.

Smart Grid Energy Management참고 문헌 35인용 수 14

한 줄 요약

이 논문은 에너지 분리 분석을 위한 비침습적 부하 모니터링(NILM) 알고리즘에 대한 종합적인 리뷰를 제시하며, NILMTK API를 사용하여 IAWE, REDD, UK-DALE 세 가지 공개 데이터셋에서 성능을 평가한다. 다양한 가전제품에서 단일 알고리즘이 항상 우월한 성능을 보이지 않음을 입증하지만, 특히 고변동성 부하에서 Sequence-to-Sequence와 DAE 알고리즘이 뛰어난 안정성 있는 성능을 보이며, 데이터셋 다양성과 NILMTK를 통한 표준화된 벤치마킹이 에너지 분리 분석 연구 발전에 중요함을 시사한다.

ABSTRACT

The housing structures have changed with urbanization and the growth due to the construction of high-rise buildings all around the world requires end-use appliance energy conservation and management in real-time. This shift also came along with smart-meters which enabled the estimation of appliance-specific power consumption from the buildings aggregate power consumption reading. Non-intrusive load monitoring (NILM) or energy disaggregation is aimed at separating the household energy measured at the aggregate level into constituent appliances. Over the years, signal processing and machine learning algorithms have been combined to achieve this. Incredible research and publications have been conducted on energy disaggregation, non-intrusive load monitoring, home energy management and appliance classification. There exists an API, NILMTK, a reproducible benchmark algorithm for the same. Many other approaches to perform energy disaggregation has been adapted such as deep neural network architectures and big data approach for household energy disaggregation. This paper provides a survey of the effective NILM system frameworks and reviews the performance of the benchmark algorithms in a comprehensive manner. This paper also summarizes the wide application scope and the effectiveness of the algorithmic performance on three publicly available data sets.

연구 동기 및 목표

• 에너지 분리 분석을 위한 NILM 시스템 프레임워크와 벤치마크 알고리즘에 대한 체계적인 조사를 제공하기 위해.
• IAWE, REDD, UK-DALE와 같은 세 가지 공개 데이터셋에서 최신 NILM 알고리즘의 성능을 평가하기 위해.
• NILMTK API를 활용하여 NILM 접근 방식의 효과성과 재현 가능성을 표준화된 비교를 통해 평가하기 위해.
• 특히 가전제품별 오차 변동성과 데이터셋 다양성과 관련된 에너지 분리 분석의 성능 패턴과 과제를 규명하기 위해.
• 에너지 사용량 또는 이벤트 빈도 기반으로 표준화된 평가 기준을 제안하고, 메트릭의 한계를 분석함으로써 향후 연구를 안내하기 위해.

제안 방법

• 연구는 NILMTK API를 활용한 재현 가능한 벤치마킹 프레임워크를 사용하여, 세 가지 공개 데이터셋에서 여러 NILM 알고리즘을 구현하고 비교한다.
• 평가된 알고리즘으로는 Sequence-to-Sequence, 디노이징 오토인코더(DAE), RNN, WindowGRU, Sequence-to-Point 등이 있으며, 평균 절대 오차(MAE)와 같은 표준 성능 메트릭을 사용한다.
• 분석은 IAWE(단일 건물), REDD(다중 가구), UK-DALE(영국 기반 가정)의 세 데이터셋을 사용하여 지리적 및 사용 패턴의 일반화 능력을 평가한다.
• 성능 평가는 MAE를 기준으로 하며, 고·저전력 기기 간 오차 변동성의 추세를 파악하기 위해 각 가전제품별로 분석한다.
• 성능 메트릭을 에너지 사용량 단위 또는 이벤트 수 단위로 정규화하여, 다양한 가전제품 간 공정한 비교를 보장하기 위해 표준화를 권장한다.
• 실증 분석은 특히 세탁기, 냉장고, 에어컨과 같은 기기의 예측된 소비량과 실제 소비량 간의 시각적·정량적 비교를 포함한다.

실험 결과

연구 질문

• RQ1 IAWE, REDD, UK-DALE와 같은 다양한 데이터셋에서 어떤 NILM 알고리즘이 가장 일관된 성능을 보이는가?
• RQ2 평균 절대 오차(MAE) 값은 다양한 가전제품 간에 어떻게 변동하는가? 높거나 낮은 오차를 유도하는 요인은 무엇인가?
• RQ3 사용 패턴이나 지리적 기원 등 데이터셋 특유의 변동성이 알고리즘 성능과 일반화 능력에 얼마나 영향을 미치는가?
• RQ4 NILMTK API는 다양한 연구 팀과 데이터셋 간에 재현 가능하고 표준화된 NILM 알고리즘 벤치마킹을 효과적으로 가능하게 하는가?
• RQ5 현재 평가 메트릭의 한계는 무엇이며, 에너지 소비가 상이한 기기 간 공정하고 의미 있는 비교를 위해 어떻게 개선할 수 있는가?

주요 결과

• 단일 알고리즘이 모든 가전제품과 데이터셋에서 항상 뛰어난 성능을 보이지 않으며, 성능은 가전제품 유형과 데이터 특성에 크게 의존함을 시사한다.
• Sequence-to-Sequence와 DAE 알고리즘이 가장 안정적인 성능을 보이며, DAE는 IAWE 데이터셋에서 TV에 대해 가장 낮은 오차를 기록했고, Sequence-to-Sequence는 세탁기에서 가장 낮은 오차를 기록했다.
• REDD 데이터셋은 전체적으로 가장 낮은 평균 절대 오차를 기록했으며, 특히 소켓 기기의 경우 MAE < 1이어서, 낮은 오차 변동성으로 인해 벤치마킹에 가장 적합한 것으로 나타났다.
• 에어컨은 모든 알고리즘에서 가장 높은 MAE를 보이며(100 이상 초과), 고전력이고 간헐적인 부하를 정확히 분리하는 데 큰 도전 과제가 있음을 시사한다.
• 냉장고와 세탁기는 알고리즘 간에 높은 오차 변동성을 보이며, 사용 패턴의 복잡성과 이벤트 빈도에 민감함을 시사한다.
• 연구는 에너지 사용량 또는 이벤트 수 단위로 성능 메트릭을 정규화하여, 저전력 또는 드물게 사용되는 기기에서의 오차를 잘못 해석하는 것을 방지하기 위해 공정하고 의미 있는 기기 간 비교를 보장하기를 권장한다.