[논문 리뷰] Energy Disaggregation via Deep Temporal Dictionary Learning

Mahdi Khodayar, Jianhui Wang외 1명|arXiv (Cornell University)|2018. 09. 10.

Smart Grid Energy Management인용 수 4

한 줄 요약

이 논문은 장기적 기억을 가진 순환 신경망 자동에코더(LSTM-AE)와 비선형 사전 학습 기법을 융합하여 주거용 전기 신호의 시간적 패턴을 모델링하는 새로운 방법인 딥 타임리얼 사전 학습(DTDL)을 제안한다. 깊이 있는 시간 의존 특징에서 비선형 사전를 학습함으로써 DTDL은 공개된 REDD 데이터셋에서 최신 기술 수준의 성능을 달성하여 기존 방법에 비해 분리 정확도와 F-스코어를 크게 향상시킨다.

ABSTRACT

This paper addresses the energy disaggregation problem, i.e. decomposing the electricity signal of a whole home to its operating devices. First, we cast the problem as a dictionary learning (DL) problem where the key electricity patterns representing consumption behaviors are extracted for each device and stored in a dictionary matrix. The electricity signal of each device is then modeled by a linear combination of such patterns with sparse coefficients that determine the contribution of each device in the total electricity. Although popular, the classic DL approach is prone to high error in real-world applications including energy disaggregation, as it merely finds linear dictionaries. Moreover, this method lacks a recurrent structure; thus, it is unable to leverage the temporal structure of energy signals. Motivated by such shortcomings, we propose a novel optimization program where the dictionary and its sparse coefficients are optimized simultaneously with a deep neural model extracting powerful nonlinear features from the energy signals. A long short-term memory auto-encoder (LSTM-AE) is proposed with tunable time dependent states to capture the temporal behavior of energy signals for each device. We learn the dictionary in the space of temporal features captured by the LSTM-AE rather than the original space of the energy signals; hence, in contrast to the traditional DL, here, a nonlinear dictionary is learned using powerful temporal features extracted from our deep model. Real experiments on the publicly available Reference Energy Disaggregation Dataset (REDD) show significant improvement compared to the state-of-the-art methodologies in terms of the disaggregation accuracy and F-score metrics.

연구 동기 및 목표

• 기존 선형 사전 학습 기법이 전기 신호의 복잡한 시간 패턴을 포착하지 못하는 한계를 해결하기 위해.
• 기존 사전 학습 기법이 순차적 의존성을 모델링하는 데 한계를 가지는 반복적 구조의 부재를 해결하기 위해.
• LSTM 자동에코더를 통해 추출한 깊이 있는 시간 의존 특징에서 비선형 사전를 학습하여 분리 정확도를 향상시키기 위해.
• 딥 타임리얼 특징 공간에서 사전와 희박 계수를 동시에 최적화하여 장치 수준의 에너지 추정을 더 정밀하게 가능하게 하기 위해.

제안 방법

• 원시 전기 신호에서 강력한 시간 의존적 표현을 추출하기 위해 장기적 기억을 가진 순환 신경망 자동에코더(LSTM-AE)를 학습한다.
• LSTM-AE에서 학습된 시간적 특징을 사전 학습의 입력 공간으로 사용함으로써 장치 수준 소비의 비선형 패턴을 발견할 수 있도록 한다.
• 비선형 사전와 희박 계수를 동시에 학습할 수 있는 공동 최적화 프레임워크를 제안하여 각 장치의 기여도를 정확히 표현한다.
• LSTM-AE의 잠재 공간에서 사전를 학습함으로써 선형 모델이 놓치는 복잡한 시간 역학을 포착할 수 있다.
• 모든 장치의 에너지 신호를 학습된 시간 패턴의 희박 선형 조합으로 모델링하여 정밀한 분리를 가능하게 한다.
• 재구성 오차를 최소화하면서 계수의 희박성을 강제하는 최적화 방식을 제안함으로써 해석 가능성과 정확도를 향상시킨다.

실험 결과

연구 질문

• RQ1 반복적 아키텍처를 가진 딥 네트워크가 기존 선형 모델에 비해 주거용 전기 신호의 시간 패턴 표현에 있어 향상된 성능을 보일 수 있는가?
• RQ2 LSTM 자동에코더의 특징 공간에서 비선형 사전를 학습하는 것이 원시 신호 공간에서의 선형 사전 학습보다 에너지 분리 성능을 향상시키는가?
• RQ3 딥 타임리얼 특징 공간에서 사전와 희박 계수를 공동 최적화함으로써 분리 정확도와 F-스코어 지표에 어떤 영향을 미치는가?
• RQ4 LSTM-AE를 통해 시간 의존성을 통합함으로써 최신 기술 수준의 방법에 비해 장치 수준의 에너지 추정 오차를 어느 정도 감소시킬 수 있는가?

주요 결과

• 제안된 DTDL 방법은 공개된 REDD 데이터셋에서 최신 기술 수준의 방법에 비해 분리 정확도에서 뚜렷한 향상을 이룩한다.
• 장치 수준의 에너지 분리에 있어서 F-스코어가 기존 기준 방법보다 상당히 높아, 개별 가전기기 사용을 식별하는 데 있어 뛰어난 정밀도와 재현율을 보여준다.
• LSTM-AE 특징의 사용은 모델이 에너지 신호의 장기적 시간 의존성을 포착할 수 있도록 하며, 이는 선형 모델이 표현하지 못하는 부분이다.
• 딥 특징 공간에서 사전와 희박 계수를 공동 최적화함으로써 더 정확하고 강건한 장치 활동 탐지 성능을 달성한다.
• 시간적 특징에서 학습된 비선형 사전는 가정용 가전기기의 복잡하고 비정상적인 소비 행동을 모델링하는 데 있어 선형 사전보다 뛰어난 성능을 보인다.
• 실증 결과는 제안된 방법이 재구성 오차를 감소시키고 분리된 에너지 신호의 해석 가능성을 향상시킨다는 것을 확인한다.