[논문 리뷰] Interleaved Factorial Non-Homogeneous Hidden Markov Models for Energy Disaggregation

Mingjun Zhong, Nigel Goddard외 1명|arXiv (Cornell University)|2014. 06. 30.

Smart Grid Energy Management참고 문헌 13인용 수 18

한 줄 요약

이 논문은 초저주파수 가정 전기 데이터에서 에너지 분리 분석을 향상시키기 위해 상호 배치된 계승적 비균일 숨겨진 마르코프 모델(IFNHMM)을 제안한다. 일일 주기적 사용 패턴을 모델링하기 위해 비균일 상태 전이를 도입하고, 한 번에 하나의 상태만 변경되도록 제약 조건을 부과함으로써 신뢰성 문제를 줄이고, 100개 가구에서 가장 낮은 정규화된 제곱오차(0.847 ± 0.289)를 달성하여 기준 모델들을 능가한다.

ABSTRACT

To reduce energy demand in households it is useful to know which electrical appliances are in use at what times. Monitoring individual appliances is costly and intrusive, whereas data on overall household electricity use is more easily obtained. In this paper, we consider the energy disaggregation problem where a household's electricity consumption is disaggregated into the component appliances. The factorial hidden Markov model (FHMM) is a natural model to fit this data. We enhance this generic model by introducing two constraints on the state sequence of the FHMM. The first is to use a non-homogeneous Markov chain, modelling how appliance usage varies over the day, and the other is to enforce that at most one chain changes state at each time step. This yields a new model which we call the interleaved factorial non-homogeneous hidden Markov model (IFNHMM). We evaluated the ability of this model to perform disaggregation in an ultra-low frequency setting, over a data set of 251 English households. In this new setting, the IFNHMM outperforms the FHMM in terms of recovering the energy used by the component appliances, due to that stronger constraints have been imposed on the states of the hidden Markov chains. Interestingly, we find that the variability in model performance across households is significant, underscoring the importance of using larger scale data in the disaggregation problem.

연구 동기 및 목표

• 읽기가 매 2분마다 이루어지는 초저주파수 가정 전기 데이터에서 에너지 분리 분석의 과제를 해결하기 위해.
• 숨겨진 마르코프 체인에 구조적 제약 조건을 도입하여 집합된 에너지 신호의 맹목적 소스 분리에서의 식별 문제를 줄이기 위해.
• 비균일 마르코프 체인을 통해 가전기기 사용의 일일 변동성을 모델링하기 위해.
• 모든 시간 단위에서 최대 하나의 가전기기 상태만 변경되도록 제약 조건을 도입함으로써 분리 정확도를 향상시키기 위해.
• 251개의 영국 가구로 구성된 대규모이고 다양한 데이터셋을 통해 모델 성능을 평가하여 일반화 능력과 가구 간 변동성을 평가하기 위해.

제안 방법

• 비균일 HMM과 한 번에 하나의 상태 전환 제약 조건을 조합한 상호 배치된 계승적 비균일 숨겨진 마르코프 모델(IFNHMM)을 제안한다.
• 시간대에 따라 변화하는 전이 확률을 갖는 비균일 전이 확률 행렬을 사용하여 일일 사용 패턴을 포착한다.
• 모든 시간 단위에서 오직 하나의 은닉 체인만 상태를 변경할 수 있도록 제약 조건을 도입하며, 이는 전환 변수 Zt에 의존하는 조건부 전이 확률을 통해 모델링된다.
• 후행 확률 P(S,Z|Y)를 최대화하는 가장 가능성이 높은 은닉 상태 S*와 전환 변수 Z*를 추론하기 위해 체인 기반 비터비 알고리즘을 사용한다.
• 감독 학습 데이터를 기반으로 최대우도 추정법을 사용하여 모델 파라미터를 추정하며, 학습에 20~30일, 평가에 5~10일을 사용한다.
• 영국 가정 에너지 조사(HES)에서 유래한 100개 가구의 데이터를 대상으로 정규화된 제곱오차(E = Σ(ŷit - xit)² / Σxit²)를 사용하여 성능을 평가한다.

실험 결과

연구 질문

• RQ1 비균일 HMM이 저주파수 전기 데이터에서 일일 가전기기 사용 패턴을 더 잘 포착할 수 있는가?
• RQ2 한 번에 하나의 상태 전환 제약 조건을 도입함으로써 분리 정확도가 향상되고 식별 문제가 감소하는가?
• RQ3 모델 성능은 다양한 가구 간에 어떻게 달라지며, 이 변동성이 서로 다른 모델 간의 성능 격차를 초월하는가?
• RQ4 IFNHMM이 초저주파수 에너지 분리 분석 환경에서 표준 FHMM과 FNHMM을 능가할 수 있는가?
• RQ5 가정 에너지 사용 패턴의 변동성이 분리 모델의 일반화 능력을 얼마나 제한하는가?

주요 결과

• IFNHMM은 100개 가구에서 정규화된 제곱오차가 0.847 ± 0.289로 가장 낮았으며, FHMM(1.024 ± 0.396), FNHMM(0.947 ± 0.368), IFHMM(0.892 ± 0.334)를 모두 능가했다.
• IFNHMM의 가구 간 분리 오차 변동계수는 0.389로, 높은 가구 간 변동성이 모델 간 성능 격차와 맞먹는다는 것을 시사한다.
• 오차의 표준편차가 높은(0.289) 것은 가정별 사용 패턴이 모델 성능에 크게 영향을 준다는 것을 강조하며,未해결 도전 과제로 향후 연구에 중요한 영향을 미친다.
• 모델은 일부 가구(예: 그림 1의 가정 A)에서는 잘 작동하지만 다른 가구(예: 가정 B)에서는 성능이 떨어지므로, 개인 가정의 행동에 민감함을 보인다.
• 한 번에 하나의 상태 전환 제약 조건과 비균일 전이가 함께 작용하여 식별 문제를 줄이고, 덜 제약된 모델들보다 분리 정확도를 향상시킨다.
• 결과적으로 향후 분리 분석 연구는 가구 간 변동성을 해결하기 위해 대규모이고 다양한 데이터셋을 우선시해야 한다는 점을 시사한다.