[논문 리뷰] Energy Disaggregation & Appliance Identification in a Smart Home: Transfer Learning enables Edge Computing

M. Hashim Shahab, Hasan Mujtaba Buttar외 6명|arXiv (Cornell University)|2023. 01. 08.

Smart Grid Energy Management인용 수 6

한 줄 요약

이 논문은 스마트 홈에서 에너지 분리 해석 및 가전 기기 식별을 위한 전이 학습 기반 딥 러닝 프레임워크를 제안한다. NILM에 대해 seq2-[3]-point CNN를 사용하고, 웨이블릿 및 STFT 기반 전기 서명에 대해 최적화된 2D-CNN(ResNet-18, DenseNet-121)를 적용한다. REDD 및 REFIT 데이터셋을 사용하여 홈-NILM에서 94.6%의 정확도, 사이트-NILM에서 81%의 정확도, 가전 기기 식별에서 88.9%의 정확도를 달성한다.

ABSTRACT

Non-intrusive load monitoring (NILM) or energy disaggregation aims to extract the load profiles of individual consumer electronic appliances, given an aggregate load profile of the mains of a smart home. This work proposes a novel deep-learning and edge computing approach to solve the NILM problem and a few related problems as follows. 1) We build upon the reputed seq2-point convolutional neural network (CNN) model to come up with the proposed seq2-[3]-point CNN model to solve the (home) NILM problem and site-NILM problem (basically, NILM at a smaller scale). 2) We solve the related problem of appliance identification by building upon the state-of-the-art (pre-trained) 2D-CNN models, i.e., AlexNet, ResNet-18, and DenseNet-121, which are fine-tuned two custom datasets that consist of Wavelets and short-time Fourier transform (STFT)-based 2D electrical signatures of the appliances. 3) Finally, we do some basic qualitative inference about an individual appliance's health by comparing the power consumption of the same appliance across multiple homes. Low-frequency REDD dataset is used for all problems, except site-NILM where REFIT dataset has been used. As for the results, we achieve a maximum accuracy of 94.6\% for home-NILM, 81\% for site-NILM, and 88.9\% for appliance identification (with Resnet-based model).

연구 동기 및 목표

• 집단 메인 데이터에서 개별 가전 기기의 전력 프로파일을 추정함으로써 비침습적 부하 모니터링(NILM) 문제를 해결한다.
• 웨이블릿 및 STFT 변환에서 유도된 2차원 전기 서명을 기반으로 딥 전이 학습을 통해 가전 기기 식별을 가능하게 한다.
• 여러 가정에서의 전력 소비 패턴을 비교함으로써 가전 기기의 정성적 건강 상태 평가를 수행한다.
• 전이 학습을 통해 엣지 장치에 이러한 모델을 구현하고 실시간 스마트 홈 응용 프로그램에 적용 가능한 가능성을 입증한다.

제안 방법

• 홈 수준 및 사이트 수준 NILM에 적합한 새로운 seq2-[3]-point CNN 모델을 제안하여 기존 seq2-point 아키텍처를 개선한다.
• 웨이블릿 변환과 단기 푸리에 변환(STFT)을 사용하여 1차원 전력 시계열 데이터를 2차원 이미지 유사 표현으로 변환하고, 두 방법의 융합을 통해 특징 추출을 향상시킨다.
• 사전 학습된 2D-CNN(AlexNet, ResNet-18, DenseNet-121)를 사용자 정의 완전 연결 계층과 함께 적용하여 전기 서명의 사용자 정의 데이터셋에서 가전 기기 분류를 수행한다.
• 한 가전 기기에서 사전 학습된 컨볼루션 계층을 동결하고 다른 기기에서 미세 조정하여 일반화 성능 향상과 학습 시간 단축을 달성한다.
• 클래스 불균형을 최소화하고 분류 작업의 모델 강인성을 향상시키기 위해 데이터 증강 기법을 적용한다.
• 정확도와 F1 스코어를 평가 지표로 사용하며, NILM 평가를 위해 연속적인 예측을 임계값 기반으로 이산적 가전 기기 상태로 변환한다.

Figure 1: NILM aims to detect step changes in the power mains [ 3 ]

실험 결과

연구 질문

• RQ1 seq2-[3]-point CNN 모델은 집단 메인 데이터만을 사용하여 개인 가전 기기의 고정확도 에너지 분리 해석을 달성할 수 있는가?
• RQ2 전이 학습 기반 2D-CNN 모델(ResNet-18, DenseNet-121, AlexNet)은 웨이블릿 및 STFT 기반 전기 서명에서 가전 기기 유형을 얼마나 효과적으로 분류하는가?
• RQ3 다양한 융합 전략(예: 웨이블릿 + STFT)은 가전 기기 식별 성능에 어떤 영향을 미치는가?
• RQ4 여러 가정에서의 전력 소비 패턴을 비교함으로써 개별 가전 기기의 건강 상태를 정성적으로 추론할 수 있는가?
• RQ5 제안된 프레임워크는 홈-NILM 및 사이트-NILM 시나리오에서 REDD 및 REFIT과 같은 실세계 데이터셋에서 어떻게 성능을 발휘하는가?

주요 결과

• 제안된 seq2-[3]-point CNN는 싱크로트론 세탁기의 경우 최대 홈-NILM 정확도 94.6%를 달성하였으며, 각 가전 기기별 최적화된 임계값을 적용하였다.
• REFIT 데이터셋에서의 사이트-NILM는 전체 테스트 정확도 81%를 기록하여 모델의 소규모 모니터링에 대한 확장성과 타당성을 입증하였다.
• ResNet-18 기반 모델은 웨이블릿 변환 서명에서 가장 높은 가전 기기 식별 정확도 88.9%와 F1 스코어 88%를 기록하였다.
• DenseNet-121는 낮은 학습률(0.001)에서 성능 향상을 보였으며, 융합된 웨이블릿-STFT 서명에서 86.17%의 정확도를 달성하였다.
• AlexNet 모델은 웨이블릿 서명에서 80.67%의 정확도와 81%의 F1 스코어를 기록하여 더 깊은 아키텍처에 비해 중간 수준의 성능을 보였다.
• 정성적 분석을 통해 동일한 가전 기기를 여러 가정에서 비교함으로써 기기 건강 상태 및 운영 이상에 대한 통찰을 확보할 수 있었다.

Figure 2: Architecture of the proposed seq2-[3]point CNN model. It consists of five convolutional layers, two custom FC layers, and outputs a sequence/vector of size three.