[논문 리뷰] Neural Network Ensembles to Real-time Identification of Plug-level Appliance Measurements

Karim Said Barsim, Lukas Mauch외 1명|arXiv (Cornell University)|2018. 02. 20.

Smart Grid Energy ManagementEngineering참고 문헌 13인용 수 21

한 줄 요약

이 논문은 엔지니어링된 특징이 필요 없이 원시 고해상도 전류 및 전압 파형을 직접 사용하여 플러그 수준의 가전기기 유형을 분류하는 신경망 앙상블 모델을 제안한다. 주기적 신호를 정규화하고 분할하여 훈련 데이터를 단계 이동을 통해 증강함으로써, PLAID 데이터셋에서 89.7%의 정확도를 달성하며, 데이터셋 크기, 샘플링 주파수, 신호 단계 변화에 대해 뛰어난 내구성을 보여준다.

ABSTRACT

The problem of identifying end-use electrical appliances from their individual consumption profiles, known as the appliance identification problem, is a primary stage in both Non-Intrusive Load Monitoring (NILM) and automated plug-wise metering. Therefore, appliance identification has received dedicated studies with various electric appliance signatures, classification models, and evaluation datasets. In this paper, we propose a neural network ensembles approach to address this problem using high resolution measurements. The models are trained on the raw current and voltage waveforms, and thus, eliminating the need for well engineered appliance signatures. We evaluate the proposed model on a publicly available appliance dataset from 55 residential buildings, 11 appliance categories, and over 1000 measurements. We further study the stability of the trained models with respect to training dataset, sampling frequency, and variations in the steady-state operation of appliances.

연구 동기 및 목표

• 원시 전기 파형을 사용하여 비침습적 부하 모니터링 및 플러그 수준의 미터링에서 가전기기 식별 문제를 해결한다.
• 수작업으로 만든 특징이나 엔지니어링된 서명에 의존하는 이전 방법의 한계를 극복한다.
• 훈련 데이터 크기, 샘플링 주파수, 신호 단계 이동 변화에 대한 모델의 내구성을 평가한다.
• 실제 고해상도 전력 측정값에서 신경망 앙상블의 효과성을 입증한다.
• 사용자 간섭 없이 실시간 가전기기 식별을 위한 확장 가능한 종단 간 솔루션을 제공한다.

제안 방법

• 주어진 샘플링 주파수에서 전류 및 전압 파형의 한 주기 분량을 추출하며, 각 사이클에 d = fs / fg개의 샘플이 포함된다.
• 신호 세그먼트 기반 정규화를 적용하여 진폭 변동을 제거하고, 각 신호 세그먼트를 [-1, 1]^d로 매핑한다.
• 정규화된 전류 및 전압 세그먼트를 연결하여 [−1, 1]^{2d} 입력 벡터를 구성한다.
• 각 측정값에 대해 창을 슬라이딩 윈도우 방식으로 이동시켜, 단일 가전기기당 다수의 훈련 샘플을 생성함으로써 알고리즘 기반 데이터 확장을 수행한다.
• 확장된 데이터셋에 대해 완전 연결 피드포워드 신경망의 앙상블을 훈련시켜 일반화 및 내구성을 향상시킨다.
• 최종 분류 예측을 위해 앙상블 구성원 간 다수결정법을 적용한다.

실험 결과

연구 질문

• RQ1 엔지니어링된 특징 없이도 신경망 앙상블이 원시 전류 및 전압 파형에서 가전기기 유형을 효과적으로 식별할 수 있는가?
• RQ2 실제 플러그 수준 가전기기 데이터셋에서 훈련 데이터셋 크기가 모델 성능에 어떻게 영향을 미치는가?
• RQ3 입력 측정값의 샘플링 주파수 변화에 대해 모델이 어느 정도 내구성을 가지는가?
• RQ4 안정 상태 운전 중에 추출된 신호 세그먼트의 단계 이동에 대해 모델의 민감도는 얼마나 되는가?
• RQ5 가정별 가전기기 가용성에 대한 사전 지식을 활용하면 분류 성능이 향상되는가?

주요 결과

• 앙상블 모델은 전체 PLAID 데이터셋에서 무게 없는 정확도 89.7%와 코HEN의 카파 0.882를 기록하였으며, 앙상블 구성원 간 투표 방식이 가장 우수한 성능를 보였다.
• 작은 훈련 세트에서는 성능이 저하되어 데이터 양에 강하게 의존함을 보였으며, r가 0.5 이하로 떨어질수록 정확도가 뚜렷이 감소하였다.
• 낮은 샘플링 주파수에도 불구하고 모델은 2.5 kHz에서도 80% 이상의 정확도를 유지하여, 저해상도 입력에 대해 강건함을 입증하였다.
• 신호 추출 시 단계 이동에 대해 높은 내구성을 보였으며, 안정 상태 기간의 다양한 시작 지점에서도 높은 성능를 유지하였다.
• 가정별 가전기기 가용성에 대한 사전 지식을 활용해 레이블 공간을 축소한 결과 정확도가 94%로 향상되었으며, 도메인 특화 제약 조건의 영향을 확인할 수 있었다.
• 전자레인지, CFL, 진공청소기, 노트북은 가장 식별이 쉬운 가전기기였고, 온도 제어 장치(예: 에어컨, 난방기, 냉장고)는 가장 분류가 어려운 유형이었다.