[논문 리뷰] Neural Network for NILM Based on Operational State Change Classification

Peng Xiao, Samuel Cheng|arXiv (Cornell University)|2019. 02. 05.

Fault Detection and Control Systems참고 문헌 26인용 수 6

한 줄 요약

이 논문은 전력 소비나 케이스 상태 추정 없이도 집합 전력 데이터만을 사용하여 가전기기의 작동 상태 변화를 분류하는 딥 뉴럴 네트워크(DNN)를 제안한다. 이 방법은 이전의 딥 러닝 접근 방식보다 낮은 복잡성과 더 적은 데이터로도 다양한 가전기기에서 경쟁적인 성능을 달성하며, REDD 데이터셋에서 HMM 및 GSP 기반 기준선과 GRU-RNN보다 뛰어난 성능을 보이며, 특히 변동성이 큰 가전기기(예: 주방 콘센트)에서 뛰어난 성능을 발휘한다.

ABSTRACT

Energy disaggregation in a non-intrusive way estimates appliance level electricity consumption from a single meter that measures the whole house electricity demand. Recently, with the ongoing increment of energy data, there are many data-driven deep learning architectures being applied to solve the non-intrusive energy disaggregation problem. However, most proposed methods try to estimate the on-off state or the power consumption of appliance, which need not only large amount of parameters, but also hyper-parameter optimization prior to training and even preprocessing of energy data for a specified appliance. In this paper, instead of estimating on-off state or power consumption, we adapt a neural network to estimate the operational state change of appliance. Our proposed solution is more feasible across various appliances and lower complexity comparing to previous methods. The simulated experiments in the low sample rate dataset REDD show the competitive performance of the designed method, with respect to other two benchmark methods, Hidden Markov Model-based and Graph Signal processing-based approaches.

연구 동기 및 목표

• 기존 딥 러닝 모델이 각 가전기기별로 고도의 초모수 조정, 대규모 데이터, 사전 처리를 필요로 하는 한계를 해결하기 위해.
• 작동 상태 변화 감지(집합 전력의 급격한 변화로 정의됨)가 케이스 상태나 전력 소비 추정보다 더 일반적이고 낮은 복잡성의 대안이 될 수 있는지 탐색하기 위해.
• 단일 주택의 최소한의 데이터를 사용하여 다양한 가전기기 유형에서 작동 상태 변화 감지를 위한 DNN의 타당성과 성능을 평가하기 위해.
• 실제 데이터에서 제안된 DNN을 HMM, 그래프 신호 처리(GSP), GRU 기반 RNN 등 기존 기준선과 비교하기 위해.

제안 방법

• 딥 뉴럴 네트워크(DNN)는 주어진 집합 전력 데이터의 시간 윈도우가 작동 상태 변화(예: 가전기기 케이스 전환 또는 모드 변경)에 해당하는지 분류하도록 훈련된다.
• 모델은 단일 시간 윈도우의 집합 전력 데이터를 입력으로 받아, 해당 시점에 상태 변화가 발생했는지 이진 예측을 출력한다.
• 훈련 데이터는 REDD 데이터셋의 실제 집합 전력 측정치에서 유래하며, 전력 소비의 통계적 변화를 바탕으로 상태 변화를 레이블링한다.
• DNN는 표준 역전파 알고리즘을 사용해 엔드 투 엔드로 훈련되며, 데이터 합성, 균형 조정, 기기별 사전 처리가 필요 없다.
• 아키텍처는 기기 유형 간 일관성 있게 간단하게 유지되어 다양한 기기 유형으로의 일반화를 가능하게 한다.
• 성능 평가에는 상태 변화 감지에 대한 F1-측정치를 사용하며, 동일한 평가 프rotocol를 사용해 HMM, GSP, GRU-RNN 모델과 비교한다.

실험 결과

연구 질문

• RQ1 집합 전력 데이터만을 사용하여 케이스 상태나 전력 수준 추정 없이도 딥 뉴럴 네트워크가 가전기기의 작동 상태 변화를 효과적으로 감지할 수 있는가?
• RQ2 제안된 DNN의 성능은 HMM 및 그래프 신호 처리(GSP)와 같은 기존 방법과 비교해 상태 변화 감지에서 어떻게 나타나는가?
• RQ3 RNN 기반 모델이 소규모 전력 윈도우를 추정하는 것에 비해, DNN은 더 적은 데이터와 낮은 복잡성으로도 경쟁적인 성능를 달성하는가?
• RQ4 모델은 다중 상태 및 저빈도 작동 기기 포함 다양한 가전기기 유형으로 얼마나 잘 일반화되는가?

주요 결과

• 제안된 DNN는 REDD 데이터셋의 3개 주택에서 테스트한 모든 가전기기에서 경쟁적인 F1 점수를 달성했으며, 주방 콘센트와 같은 고변동성 가전기기에서는 GSP 기반 방법보다 뛰어난 성능을 보였다.
• House 6의 주방 콘센트에서 DNN의 F1 점수는 1.0에 도달했으며, GSP 기반 기준선과 GRU-RNN 모델보다 뚜렷이 뛰어났다.
• dishwasher와 같은 다중 상태 기기의 경우 기준부하와 유사성과 저작동 빈도로 인해 모든 방법에서 성능이 낮게 나타났지만, DNN 역시 뛰어난 내구성을 보였다.
• 소규모 집합 데이터 윈도우를 추정하는 GRU-RNN 모델은 대부분의 경우 DNN보다 유의미하게 열등한 성능를 보였으며, 특히 케이스 전환 빈도가 낮고 변동성이 큰 기기에서 두드러졌다.
• 단일 주택의 소량의 훈련 데이터만으로도 DNN가 뛰어난 성능를 달성했으며, 이는 작동 상태 변화가 통계적으로 규칙적인 패턴을 보임을 시사한다.
• 기존의 기기별 초모수 조정과 사전 처리가 필요한 딥 러닝 모델에 비해, 이 방법은 더 낮은 복잡성과 더 높은 실현 가능성으로 다양한 가전기기에서 뛰어난 성능를 발휘한다.