[논문 리뷰] Neighbourhood NILM: A Big-data Approach to Household Energy Disaggregation

Nipun Batra, Amarjeet Singh외 1명|arXiv (Cornell University)|2015. 10. 26.

Smart Grid Energy Management참고 문헌 20인용 수 10

한 줄 요약

이 논문은 월별 에너지 사용량과 몇몇 하위미터링된 '이웃' 주택의 데이터를 활용하여 가정 내 기기 수준의 에너지 사용을 추정하는 대용량 데이터 기반의 주택 에너지 분해 기법인 Neighborhood NILM을 제안한다. 주택의 크기, 거주 인원 수, 월별 에너지 추세와의 유사성에 기반해 이웃 주택을 매칭함으로써 냉장고의 경우 최대 83%의 정확도, 세탁기의 경우 64%의 정확도를 달성하며, 고주기 스마트 미터링이 필요한 기존 최고 수준의 방법들을 능가한다.

ABSTRACT

In this paper, we investigate whether "big-data" is more valuable than "precise" data for the problem of energy disaggregation: the process of breaking down aggregate energy usage on a per-appliance basis. Existing techniques for disaggregation rely on energy metering at a resolution of 1 minute or higher, but most power meters today only provide a reading once per month, and at most once every 15 minutes. In this paper, we propose a new technique called Neighbourhood NILM that leverages data from 'neighbouring' homes to disaggregate energy given only a single energy reading per month. The key intuition behind our approach is that 'similar' homes have 'similar' energy consumption on a per-appliance basis. Neighbourhood NILM matches every home with a set of 'neighbours' that have direct submetering infrastructure, i.e. power meters on individual circuits or loads. Many such homes already exist. Then, it estimates the appliance-level energy consumption of the target home to be the average of its K neighbours. We evaluate this approach using 25 homes and results show that our approach gives comparable or better disaggregation in comparison to state-of-the-art accuracy reported in the literature that depend on manual model training, high frequency power metering, or both. Results show that Neighbourhood NILM can achieve 83% and 79% accuracy disaggregating fridge and heating/cooling loads, compared to 74% and 73% for a technique called FHMM. Furthermore, it achieves up to 64% accuracy on washing machine, dryer, dishwasher, and lighting loads, which is higher than previously reported results. Many existing techniques are not able to disaggregate these loads at all. These results indicate a potentially substantial advantage to installing submetering infrastructure in a select few homes rather than installing new high-frequency smart metering infrastructure in all homes.

연구 동기 및 목표

• 고주기 스마트 미터링이 없는 주택에서 에너지 분해 문제를 해결하기 위해.
• 유사한 주택의 대용량 데이터가 정밀한 고해상도 데이터보다 분해 정확도에서 뛰어나지 못할지 조사하기 위해.
• 기존 방법이 일반적으로 탐지하지 못하는 저전력 및 복잡한 기기(예: 조명, 식기세척기)의 분해를 가능하게 하기 위해.
• 비용이 많이 드는 고주기 스마트 미터의 광범위한 도입 필요성을 줄이기 위해 소수의 주택에서 하위미터링을 활용하기 위해.
• 수동적인 기기 모델 학습이 필요 없는 확장 가능한 모델-프리 접근법을 개발하기 위해.

제안 방법

• 참고 데이터셋에서 직접 하위미터링(예: 회로 또는 기기 수준)이 이루어진 '이웃' 주택을 식별한다.
• 월별 에너지 소비, 주택 면적, 거주 인원 수 등의 특징을 사용해 대상 주택과 K개의 가장 가까운 이웃 주택을 매칭한다.
• 대상 주택의 기기 수준 에너지 소비는 K개의 가장 가까운 이웃 주택의 평균값으로 추정한다.
• 유사도는 집합 월별 에너지 추세, 주택 크기, 거주 인원 수를 포함한 특징 벡터를 사용해 계산한다.
• 학습 모델이나 고주기 전력 신호가 필요 없으며, 월별 청구 데이터와 사전에 확보된 유사 주택의 하위미터링 데이터에만 의존한다.
• 특징 중요도는 원시 에너지, 면적, 거주 인원 수 등의 다양한 조합을 테스트하여 분해 정확도 향상 여부를 평가함으로써 평가한다.

실험 결과

연구 질문

• RQ1 고주기 미터링에 의존하는 대신 유사한 주택의 데이터를 활용함으로써 에너지 분해 정확도를 향상시킬 수 있는가?
• RQ2 소수의 하위미터링된 주택에서의 대용량 데이터가 일반 가정 기기의 정확한 분해를 가능하게 하는 데 충분한가?
• RQ3 이 방법은 기존 NILM 기술이 일반적으로 탐지하지 못하는 저전력 및 복잡한 기기(예: 조명, 식기세척기)의 분해가 가능한가?
• RQ4 정적 주택 특징(예: 면적, 거주 인원 수)의 포함 여부가 분해 정확도에 어떤 영향을 미치는가?
• RQ5 참고 데이터셋에 더 많은 하위미터링 주택이 추가될수록 이 방법의 확장성은 어떻게 되는가?

주요 결과

• Neighborhood NILM는 냉장고 에너지 사용 분해에 대해 83%의 정확도를 달성하여 FHMM 방법의 74%를 뛰어넘었다.
• 난방 및 냉방 부하 분해에 대해 79%의 정확도를 기록했으며, FHMM의 73%보다 높았다.
• 세탁기, 건조기, 식기세척기, 조명에 대해 최대 64%의 정확도를 달성하여 이 기기들에 대해 이전에 보고된 결과보다 높았다.
• 조명의 경우 주택 면적 특징이 정확도를 크게 향상시켰으며, 이는 더 큰 주택이 더 많은 조명 기구를 갖추고 있기 때문일 것이다.
• HVAC의 경우 원시 월별 에너지 추세가 가장 예측력 있는 특징이었으며, 계절적 변동을 효과적으로 반영했다.
• 세탁기 기기의 경우 거주 인원 수가 특징으로 포함될 경우 성능이 가장 뛰어났으며, 이는 부하 빈도와의 상관관계 때문일 것이다.