[논문 리뷰] Complexity of Power Draws for Load Disaggregation

Dominik Egarter, Manfred Pöchacker외 1명|arXiv (Cornell University)|2015. 01. 13.

Smart Grid Energy ManagementEngineering참고 문헌 32인용 수 17

한 줄 요약

이 논문은 전력 소비 분해 문제에 대한 두 가지 새로운 알고리즘 독립적 복잡도 측정법을 제안한다: 기기 집합 복잡도와 시계열 복잡도로, 각각 기기의 전력 상태와 시간적 사용 패턴에 기반한다. 실세계 데이터셋을 사용하여 최신 NILM 알고리즘을 평가한 결과, 이 측정법들은 사용된 분해 알고리즘과 무관하게 기기를 구분하는 데의 어려움을 정량화하여 문제의 난이도를 성공적으로 분류하였다.

ABSTRACT

Non-Intrusive Load Monitoring (NILM) is a technology offering methods to identify appliances in homes based on their consumption characteristics and the total household demand. Recently, many different novel NILM approaches were introduced, tested on real-world data and evaluated with a common evaluation metric. However, the fair comparison between different NILM approaches even with the usage of the same evaluation metric is nearly impossible due to incomplete or missing problem definitions. Each NILM approach typically is evaluated under different test scenarios. Test results are thus influenced by the considered appliances, the number of used appliances, the device type representing the appliance and the pre-processing stages denoising the consumption data. This paper introduces a novel complexity measure of aggregated consumption data providing an assessment of the problem complexity affected by the used appliances, the appliance characteristics and the appliance usage over time. We test our load disaggregation complexity on different real-world datasets and with a state-of-the-art NILM approach. The introduced disaggregation complexity measure is able to classify the disaggregation problem based on the used appliance set and the considered measurement noise.

연구 동기 및 목표

• 일관되지 않은 테스트 조건과 불완전한 문제 정의로 인해 NILM 알고리즘 간 공정한 비교가 어려운 문제를 해결한다.
• 기기 유형, 전력 상태, 사용 패턴, 전처리 단계 등으로 인해 로드 분해의 복잡도가 영향을 받는 주요 요인을 규명한다.
• 기기 특성과 시간적 행동에 기반하여 문제의 본질적 복잡도를 정량화하고 알고리즘에 종속되지 않는 측정법을 개발한다.
• 알고리즘 성능과 문제별 난이도를 분리함으로써 다양한 데이터셋 간 NILM 성능의 의미 있는 비교를 가능하게 한다.
• 복잡도 측정법이 분해 난이도와 상관이 있지만 특정 알고리즘 성능과는 상관이 없음을 입증함으로써, 이들이 문제 기술자로서의 역할을 확인한다.

제안 방법

• 다른 기기의 전력 상태 간 유사도를 통계적 측정법으로 정의하여 기기 간 전기적 서명에 기반한 구분 어려움을 캡처하는 기기 집합 복잡도를 정의한다.
• 관측된 노이즈가 있는 전력 신호와 가능한 모든 기기 상태 집합 간 유사도를 측정하여 시간적 변동성과 노이즈 영향을 반영하는 시계열 복잡도를 정의한다.
• 실세계 주거용 전력 데이터셋(GREEND, UK-DALE 등)을 사용하여 클러스터링 또는 활성 전력 트레이스의 세그멘테이션을 통해 전력 상태를 추출한다.
• 동일한 데이터셋을 사용하여 최신 NILM 알고리즘(SMD, NILMTK 기반 등)의 분해 성능을 평가한다.
• 각 데이터셋과 시간 윈도우에 대해 두 복잡도 측정법을 계산하며, 엔트로피 기반 또는 거리 기반 유사도 측정법을 사용하여 상태 겹침과 신호 모호성을 정량화한다.
• 사례 연구를 통해 복잡도 값과 실제 분해 정확도 간의 관계를 비교하여 문제 난이도 분류의 일관성을 검증한다.

실험 결과

연구 질문

• RQ1 기기 전력 상태의 수와 유사도는 로드 분해 문제의 본질적 복잡도에 어느 정도 영향을 미치는가?
• RQ2 시간적 기기 사용 행동은 기기 집합과 무관하게 집합 전력 신호의 복잡도에 어떻게 영향을 미치는가?
• RQ3 NILM 알고리즘에 종속되지 않는 복잡도 측정법을 구성할 수 있는가? 이를 통해 다양한 데이터셋과 방법 간 공정한 비교가 가능한가?
• RQ4 전처리 단계(예: 노이즈 필터링)는 분해 문제의 측정된 복잡도에 어떤 영향을 미치는가?
• RQ5 제안된 복잡도 측정법은 실제 분해 성능과 상관이 있는가, 아니면 순수한 문제 기술자인가?

주요 결과

• 기기 집합 복잡도 측정법은 전력 상태 유사도에 기반하여 기기 간 구분 어려움을 효과적으로 캡처하며, 높은 복잡도일수록 더 큰 모호성을 의미한다.
• 시계열 복잡도 측정법은 기기 사용 패턴과 측정 노이즈의 영향을 반영하며, 사용 패턴이 규칙적이고 예측 가능할 경우 심지어 복잡한 기기 집합이라도 낮은 복잡도를 보일 수 있음을 보여준다.
• 두 복잡도 측정법은 상호 독립적이다: 높은 기기 집합 복잡도가 높은 시계열 복잡도를 의미하지는 않으며, 그 반대도 마찬가지로, 이는 상호 보완적 성격을 확인한다.
• 제안된 복잡도 측정법은 알고리즘에 종속되지 않으며, 다양한 실세계 데이터셋에서 다양한 분해 문제의 난이도를 성공적으로 분류한다.
• 측정법은 분해 난이도와 상관이 있지만 특정 NILM 알고리즘 성능을 예측하지 못하므로, 이들이 성능 예측자가 아니라 문제 기술자로서의 역할을 확인한다.
• 사례 연구에서 복잡도 측정법은 다양한 주택과 데이터셋 간 일관성을 유지함을 보여주어, 이들이 절대적 지표가 아니라 상대적 문제 난이도 지표로서 신뢰성 있음을 검증한다.