[논문 리뷰] Deep Learning Based Energy Disaggregation and On/Off Detection of Household Appliances

Jie Jiang, Qiuqiang Kong외 2명|arXiv (Cornell University)|2019. 07. 03.

Smart Grid Energy Management참고 문헌 31인용 수 12

한 줄 요약

이 논문은 웨이브넷 기반 딥러닝 모델을 활용해 주거용 에너지 분해 및 가전기기 케이스 온/오프 감지를 제안하며, 정확도와 계산 효율성 측면에서 CNN 및 RNN보다 뛰어난 성능을 입증한다. 직접적으로 이진 분류기 학습을 통한 온/오프 감지 방식이 후처리 회귀 예측 방식보다 우수하며, 실생활 2년 분량의 20개 영국 주거 가구 데이터셋에서 테스트한 모든 가전기기에서 높은 F1 스코어를 기록한다.

ABSTRACT

Energy disaggregation, a.k.a. Non-Intrusive Load Monitoring, aims to separate the energy consumption of individual appliances from the readings of a mains power meter measuring the total energy consumption of, e.g. a whole house. Energy consumption of individual appliances can be useful in many applications, e.g., providing appliance-level feedback to the end users to help them understand their energy consumption and ultimately save energy. Recently, with the availability of large-scale energy consumption datasets, various neural network models such as convolutional neural networks and recurrent neural networks have been investigated to solve the energy disaggregation problem. Neural network models can learn complex patterns from large amounts of data and have been shown to outperform the traditional machine learning methods such as variants of hidden Markov models. However, current neural network methods for energy disaggregation are either computational expensive or are not capable of handling long-term dependencies. In this paper, we investigate the application of the recently developed WaveNet models for the task of energy disaggregation. Based on a real-world energy dataset collected from 20 households over two years, we show that WaveNet models outperforms the state-of-the-art deep learning methods proposed in the literature for energy disaggregation in terms of both error measures and computational cost. On the basis of energy disaggregation, we then investigate the performance of two deep-learning based frameworks for the task of on/off detection which aims at estimating whether an appliance is in operation or not. Based on the same dataset, we show that for the task of on/off detection the second framework, i.e., directly training a binary classifier, achieves better performance in terms of F1 score.

연구 동기 및 목표

• 주거용 에너지 소비 데이터의 장기적 의존성을 다룰 수 있는 딥러닝 모델을 활용해 에너지 분해 성능을 향상시키는 것.
• 확장된 컨volution과 스킵 연결을 특징으로 하는 웨이브넷 아키텍처가 에너지 분해 작업에서 장기간 시퀀스를 모델링하는 데 얼마나 효과적인지 평가하는 것.
• 가전기기 온/오프 감지에 대한 두 가지 학습 프레임워크를 비교하는 것: 하나는 회귀 예측 결과를 이진화하는 방식이고, 다른 하나는 직접 이진 분류기를 학습하는 방식.
• 직접 분류 학습 방식이 F1 스코어 측면에서 회귀 기반 온/오프 감지보다 더 높은 성능을 내는지 확인하는 것.
• 수신 영역 크기가 다양한 가전기기에서 모델 성능에 미치는 영향에 대한 실증적 증거를 제공하는 것.

제안 방법

• 장기적인 시간적 의존성을 모델링하기 위해 확장된 컨볼루션 신경망과 스킵 연결을 갖춘 웨이브넷을 사용하여 집합적 주거 전력 신호의 장기적 의존성을 모델링하는 것.
• 시퀀스에서 한 시점의 에너지 소비를 예측하는 시퀀스-투-포oin트 학습 프레임워크를 사용하여 모델을 학습하는 것.
• 수신 영역 크기를 하이퍼파라미터로 설정하여 맥락 길이를 제어하며, 15에서 2047까지의 값을 설정하여 성능에 미치는 영향을 평가하는 것.
• 온/오프 감지에 대해 두 가지 다른 학습 프레임워크를 구현하는 것: (1) 회귀 기반 웨이브넷 모델의 예측 결과를 이진화하는 방식, (2) 이진화된 가전기기 상태에 직접 이진 분류기를 학습하는 방식.
• MAE(평균 절대 오차)를 최소화하기 위해 고정 학습률 0.001로 Adam 옵timizer를 사용하여 회귀 학습을 수행하고, 분류 학습에는 이진 교차 엔트로피 손실 함수를 사용하는 것.
• 분류 프레임워크에서 온/오프 상태를 결정하기 위해 확률 임계값 0.3을 사용하여 모든 모델 간 일관된 평가를 보장하는 것.

실험 결과

연구 질문

• RQ1 웨이브넷 기반 모델이 정확도와 계산 효율성 측면에서 기존의 CNN 및 RNN 모델보다 에너지 분해에서 뛰어나게 성능을 발휘할 수 있는가?
• RQ2 웨이브넷 모델의 수신 영역 크기가 다양한 가전기기에서 에너지 분해 성능에 어떻게 영향을 미치는가?
• RQ3 직접 이진 분류기를 학습하여 온/오프 감지를 수행하는 것이, 회귀 기반 에너지 예측 결과에서 온/오프 상태를 유도하는 것보다 더 높은 F1 스코어를 기록할 수 있는가?
• RQ4 수신 영역 크가 증가함에 따라 두 온/오프 감지 프레임워크 간 성능 차이가 어떻게 변화하는가?
• RQ5 가전기기 에너지 소비 패턴의 장기적 의존성이 딥러닝 모델의 분해 작업 성능에 얼마나 영향을 미치는가?

주요 결과

• 웨이브넷 모델은 UK-DALE 데이터셋에서 최신 기술의 CNN 및 RNN 모델보다 낮은 평균 절대 오차(MAE)를 기록하여 에너지 분해 성능이 뛰어나다는 것을 입증한다.
• 더 긴 타겟 필드(즉, 더 큰 수신 영역)는 모든 가전기기에서 MAE를 지속적으로 향상시키며, 특히 수신 영역 크기가 2047일 때 최고의 성능을 기록한다.
• 모든 네 가지 가전기기—보일러, 싱크대세제기, 전자레인지, 세탁기—에 대해 분류 기반 학습 프레임워크가 회귀 기반 프레임워크보다 높은 F1 스코어를 기록한다. 이는 모든 수신 영역 크기에서 동일하게 성립한다.
• 보일러와 싱크대세제기의 경우, 수신 영역 크기가 증가함에 따라 두 프레임워크 간 성능 격차는 줄어들지만, 분류 프레임워크가 여전히 우월하다.
• 수신 영역 크기가 2047일 때, 분류 기반 프레임워크의 F1 스코어는 전자레인지의 경우 최대 0.89, 세탁기의 경우 0.86에 도달한다.
• 결과는 주거 에너지 모니터링의 온/오프 감지 작업에서 후처리 회귀 예측 결과를 다루는 것보다 직접 이진 분류 학습을 수행하는 것이 더 효과적인 전략임을 시사한다.