[논문 리뷰] A Survey on Non-Intrusive Load Monitoring Methodies and Techniques for Energy Disaggregation Problem

Anthony Faustine, Nerey H. Mvungi외 2명|arXiv (Cornell University)|2017. 03. 02.

Smart Grid Energy Management참고 문헌 50인용 수 121

한 줄 요약

본 논문은 에너지 분해를 위한 NILM 시스템, 방법, 지표, 벤치마킹 도구, 데이터셋 및 향후 방향에 대해 개관한다.

ABSTRACT

The rapid urbanization of developing countries coupled with explosion in construction of high rising buildings and the high power usage in them calls for conservation and efficient energy program. Such a program require monitoring of end-use appliances energy consumption in real-time. The worldwide recent adoption of smart-meter in smart-grid, has led to the rise of Non-Intrusive Load Monitoring (NILM); which enables estimation of appliance-specific power consumption from building's aggregate power consumption reading. NILM provides households with cost-effective real-time monitoring of end-use appliances to help them understand their consumption pattern and become part and parcel of energy conservation strategy. This paper presents an up to date overview of NILM system and its associated methods and techniques for energy disaggregation problem. This is followed by the review of the state-of-the art NILM algorithms. Furthermore, we review several performance metrics used by NILM researcher to evaluate NILM algorithms and discuss existing benchmarking framework for direct comparison of the state of the art NILM algorithms. Finally, the paper discuss potential NILM use-cases, presents an overview of the public available dataset and highlight challenges and future research directions.

연구 동기 및 목표

• 에너지 보존 및 정책 평가를 지원하기 위한 건물에서의 실시간 비침해적 최종 사용 에너지 모니터링을 촉진한다.
• 에너지 분해를 위한 NILM 아키텍처, 방법 및 기술에 대한 최신 개요를 제공한다.
• 범주별 최첨단 NILM 알고리즘(HMM 기반, 그래프 신호 처리, 딥 러닝)을 검토한다.
• NILM 방법의 공정한 비교를 가능하게 하는 평가 지표와 벤치마킹 프레임워크를 논의한다.
• 공개 데이터셋, 활용 사례, 도전과제 및 향후 연구 방향을 강조한다.

제안 방법

• NILM 접근법을 이벤트 기반과 상태 기반 이벤트 탐지기로 분류한다.
• 가전 기기의 시그니처와 과도 상태 특성과 정상 상태 특성의 구분을 설명한다.
• 학습/추론 패러다드를 조사한다(감독학습 대 비감독학습; HMM, FHMM, 및 딥 러닝 하이브리드).
• NILM에서의 그래프 신호 처리(GSP) 응용과 그 한계를 논의한다.
• 딥 러닝 아키텍처(RNN, CNN, 오토인코더 및 하이브리드 HMM/DNN 모델)를 요약한다.
• 평가 지표를 개요하고 NILMTK 및 NILM-Eval과 같은 벤치마킹 도구의 중요성을 강조한다.

실험 결과

연구 질문

• RQ1 총 소비 전력으로부터 에너지를 분해하는 데 사용되는 주요 NILM 접근법은 무엇인가?
• RQ2 NILM 모델은 어떻게 학습되고 추론되며, 감독학습과 비감독학습 간의 트레이드오프는 무엇인가?
• RQ3 NILM 알고리즘을 공정하게 평가하기 위한 지표와 벤치마킹 프레임워크는 무엇이 있는가?
• RQ4 NILM 연구를 위한 공개 데이터셋은 어떤 것이 있으며, 어떤 활용 사례를 지원하는가?
• RQ5 실세계 건물에서의 NILM 연구 및 구축에 영향을 만드는 도전과제와 향후 방향은 무엇인가?

주요 결과

• HMM 기반 및 FHMM 접근법이 비감독 NILM에서 지배적이며, 다중 상태 가전제품을 다루기 위한 확장과 변형이 있다.
• 그래프 신호 처리(GSP)와 딥 러닝은 대안적 NILM 패러다임을 제시하며, 각자 학습 데이터 및 실시간 추론에서의 장단점이 있다.
• 다양한 평가 지표가 존재하지만(정확도, F-측정, RMSE, de, EEFI) 표준화된 벤치마킹의 부재가 있다.
• 오픈 소스 벤치마킹 도구킷 NILMTK 및 NILM-Eval은 재현 가능한 비교를 가능하게 하지만 한계와 통합 격차가 있다.
• 다양한 공개 데이터셋(REDD, UK-DALE, UK-DALE, REFIT, GREEND, AMPDS 등)은 다양한 센싱 해상도와 맥락을 지원한다.
• 본 검토는 다수의 가전제품으로의 확장성, 라벨링된 데이터의 필요성, 노이즈 민감성 및 실시간 적용 가능성과 같은 도전과제를 강조하고, 향후 연구 방향을 제시한다.