[논문 리뷰] Data augmentation for dealing with low sampling rates in NILM

Tai Le Quy, Sergej Zerr외 2명|arXiv (Cornell University)|2021. 03. 30.

Advanced Adaptive Filtering Techniques참고 문헌 12인용 수 4

한 줄 요약

이 논문은 비침습적 부하 모니터링(NILM)을 위한 저주파수 에너지 분해 데이터의 샘플링 레이트를 향상시키기 위해 보간 기법—Denton-Cholette, 단계적, 세제곱 스퍼인, 기기별 방법—을 활용한 데이터 증강 기법을 제안한다. 이 접근법은 NILM 알고리즘 성능을 향상시키며, 특히 냉방, 오락, 컴퓨터 기기에서 가장 높은 F-스코어 향상을 보이며, 데이터 수준의 증강이 저샘플링 데이터셋에서 모델의 강건성과 정확도를 높인다는 것을 입증한다.

ABSTRACT

Data have an important role in evaluating the performance of NILM algorithms. The best performance of NILM algorithms is achieved with high-quality evaluation data. However, many existing real-world data sets come with a low sampling quality, and often with gaps, lacking data for some recording periods. As a result, in such data, NILM algorithms can hardly recognize devices and estimate their power consumption properly. An important step towards improving the performance of these energy disaggregation methods is to improve the quality of the data sets. In this paper, we carry out experiments using several methods to increase the sampling rate of low sampling rate data. Our results show that augmentation of low-frequency data can support the considered NILM algorithms in estimating appliances' consumption with a higher F-score measurement.

연구 동기 및 목표

• 실세계 에너지 분해 데이터셋에서 낮은 샘플링 레이트와 불완전한 데이터로 인한 NILM 성능 저하 문제를 해결한다.
• 저샘플링 레이트 데이터셋(예: 1/60 Hz)의 품질을 향상시켜 보다 정확한 기기 수준의 전력 소비 추정을 지원한다.
• 기존 NILM 알고리즘을 수정하지 않고도 데이터 수준의 증강이 알고리즘 성능 향상에 기여하는지 조사한다.
• 다양한 보간 기법이 희소 데이터에서 고해상도 시계열을 복원하는 데 얼마나 효과적인지 평가한다.
• 데이터 증강이 깊이 학습 모델과 같은 데이터 집약적 모델에 대해 성능 향상에 유의미한 방법론으로 작용할 수 있음을 입증한다.

제안 방법

• 저샘플링 레이트 전력 소비 데이터에서 고샘플링 레이트 신호를 복원하기 위해 다수의 보간 기법—Denton-Cholette, 단계적, 세제곱 스퍼인, 기기별 보간—을 적용한다.
• 보간 실험을 위해 원래 1 Hz 샘플링 레이트를 가진 두 가지 벤치마크 데이터셋(ECO 및 iAWE)을 1/60 Hz로 다운샘플링한다.
• 원본 신호의 시간적 및 전력 특성을 유지하면서 증강 기법을 활용해 합성 고주파수 데이터를 생성한다.
• 두 가지 기존 NILM 알고리즘—Weiss의 알고리즘(감독 학습), Parson의 알고리즘(반감독 학습, 인수 분해 HMMs 사용)—을 사용해 증강 데이터를 평가한다.
• 주요 평가 지표로 F-스코어를 사용하여 원본, 과도하게 다운샘플링된, 증강된 데이터의 성능을 다양한 기기 유형 간에 비교한다.
• 기기 유형별로 기능 그룹(냉방, 조리, 오락, 컴퓨터, 조명)으로 분류하여 기기 유형 간 성능 변동성을 분석한다.

실험 결과

연구 질문

• RQ1 보간 기반 데이터 증강이 저샘플링 레이트 데이터셋에서 NILM 알고리즘의 F-스코어를 유의미하게 향상시킬 수 있는가?
• RQ2 Denton-Cholette, 단계적, 세제곱 스퍼인, 기기별 보간 중 어느 보간 기법이 에너지 분해에서 가장 높은 성능을 낼 수 있는가?
• RQ3 데이터 증강이 저전력 또는 변동 전력 소비를 보이는 기기 유형에서 NILM 알고리즘 성능에 미치는 영향은 어떠한가?
• RQ4 제안된 데이터 수준의 증강 접근법이 다양한 NILM 알고리즘과 데이터셋에 일반화되는가?
• RQ5 증강이 데이터 희소성과 낮은 샘플링 레이트가 NILM 성능에 악영향을 미치는 데 얼마나 효과적으로 완화하는가?

주요 결과

• 기기별 보간이 평균 F-스코어 향상에서 가장 높은 성능을 보였으며, ECO 데이터셋에서 Weiss의 알고리즘이 냉방 기기에서 0.744, 조리 기기에서 0.300의 F-스코어를 기록했다.
• Parson의 알고리즘은 냉방 및 컴퓨터 기기에서 기기별 보간과 단계적 보간을 사용할 경우 뛰어난 성능을 보였으며, 각각 F-스코어 0.620과 0.485를 기록했다.
• Denton-Cholette 방법은 더 매끄러운 시계열을 생성했지만, 이로 인해 이벤트 탐지 정확도가 떨어지고 F-스코어가 낮아졌다(예: iAWE에서 Weiss의 알고리즘의 경우 0.305), 이는 과도한 매끄러움이 성능에 악영향을 준다는 것을 시사한다.
• 세제곱 스퍼인과 단계적 보간은 성능이 엇갈렸으며, 세제곱 스퍼인은 ECO에서 성능이 열악했고(Weiss의 알고리즘의 경우 F-스코어 0.176), 노이즈 또는 간격에 대한 과적합이 원인일 가능성이 있다.
• 조명 기기는 모든 방법에서 일관되게 낮은 F-스코어를 보였으며, 이는 낮은 전력 소비로 인해 여전히 NILM의 도전 과제임을 보여준다.
• 원본 고품질 데이터(1 Hz)는 일부 경우에서 모든 증강 버전을 능가했지만, 증강은 다운샘플링된 데이터 대비 성능 향상을 크게 향상시켰으며, iAWE에서 Weiss의 알고리즘이 단계적 보간을 사용해 F-스코어를 0.206에서 0.416으로 상승시켰다.