[논문 리뷰] A Hybrid Event Detection Approach for Non-Intrusive Load Monitoring

Mengqi Lu, Zuyi Li|arXiv (Cornell University)|2019. 03. 21.

Smart Grid Energy Management참고 문헌 12인용 수 4

한 줄 요약

이 논문은 복잡한 가정용 부하 데이터셋에서 가전기기 이벤트를 탐지하기 위해 이동 평균 변화와 시간 제한, 도함수 분석, 필터링 분석을 조합한 하이브리드 이벤트 탐지 방법을 제안한다. 이 방법은 학습 데이터나 가전기기별 정보가 필요 없이도 LLD-Max, AWB, GLR와 같은 기존 방법들보다 뛰어난 성능을 달성한다.

ABSTRACT

Non-Intrusive Load Monitoring (NILM) is a practical method to provide appliance-level electricity consumption information. Event detection, as an important part of event-based NILM methods, has a direct impact on the accuracy of the ultimate load disaggregation results in the entire NILM framework. This paper presents a hybrid event detection approach for relatively complex household load datasets that include appliances with long transients, high fluctuations, and/or near-simultaneous actions. The proposed approach includes a base algorithm based on moving average change with time limit, and two auxiliary algorithms based on derivative analysis and filtering analysis. The structure, steps, and working principle of this approach are described in detail. The proposed approach does not require additional information about household appliances, nor does it require any training sets. Case studies on different datasets are conducted to evaluate the performance of the proposed approach in comparison with several existing approaches including log likelihood ratio detector with maxima (LLD-Max) approach, active window-based (AWB) approach, and generalized likelihood ratio (GLR) approach. Results show that the proposed approach works well in detecting events in complex household load datasets and performs better than the existing approaches.

연구 동기 및 목표

• 긴 전이 상태, 높은 변동성, 근접한 동시 작동을 포함하는 복잡한 가정용 부하 데이터셋에서 가전기기 이벤트 탐지의 과제를 해결하기 위해.
• 학습 데이터나 가전기기 유형에 대한 사전 지식에 의존하지 않는 이벤트 탐지 방법을 개발하기 위해.
• 도전적인 신호 조건에서의 이벤트 탐지 향상을 통해 부하 분해능을 향상시키기 위해.
• 다양한 실제 가정용 전기 소비 패턴에 적용 가능한 강건하고 일반적인 목적의 이벤트 탐지 프레임워크를 제공하기 위해.

제안 방법

• 기본 알고리즘은 시간 제한이 있는 이동 평균 변화를 사용하여 주요 전력 전이를 식별한다.
• 도함수 분석에 기반한 보조 알고리즘은 전력 신호의 급격한 변화를 식별하여 일시적 이벤트를 포착한다.
• 필터링 분석 컴포넌트는 노이즈를 감소시키고 변동성이 큰 신호에서의 탐지 신뢰도를 향상시킨다.
• 세 구성 요소는 각각의 방법이 가진 상호보완적 강점을 활용하는 하이브리드 프레임워크로 통합된다.
• 이 방법은 완전히 비지도 학습이며, 레이블이 붙은 데이터나 가전기기별 정보가 필요하지 않다.
• 이 방법은 실시간 또는 기록된 유효 전력 신호를 처리하여 개별 가전기기의 시작 및 정지 이벤트를 탐지한다.

실험 결과

연구 질문

• RQ1 긴 전이 상태와 높은 신호 변동성을 포함하는 가정용 부하 데이터셋에서 이벤트 탐지는 어떻게 향상시킬 수 있는가?
• RQ2 다양한 신호 분석 기법을 조합한 하이브리드 접근 방식이 복잡한 상황에서 단일 방법 탐지기보다 우수한 성능을 낼 수 있는가?
• RQ3 학습 데이터나 사전 가전기기 지식 없이 이벤트 탐지는 어느 정도 달성될 수 있는가?
• RQ4 LLD-Max, AWB, GLR와 같은 기존 방법들과 비교해 제안된 방법의 성능은 어떻게 되는가?

주요 결과

• 제안된 하이브리드 접근 방식은 여러 기준 데이터셋에서 LLD-Max, AWB, GLR 방법보다 더 높은 이벤트 탐지 정확도를 달성한다.
• 긴 전이 상태와 근접한 동시 작동을 포함하는 복잡한 상황에서도 이벤트 탐지에 효과적으로 대응한다.
• 학습 데이터나 가전기기 메타데이터가 없더라도 성능에 손상이 없으며, 이는 강건성과 일반화 능력을 입증한다.
• 이동 평균, 도함수, 필터링 분석의 통합은 탐지 민감도를 향상시키고 임의의 경고를 감소시킨다.