[논문 리뷰] Non-Intrusive Load Monitoring: A Review and Outlook

Christoph Klemenjak, Peter Goldsborough|arXiv (Cornell University)|2016. 10. 04.

Smart Grid Energy Management인용 수 14

한 줄 요약

이 논문은 단일 지점 스마트 미터 데이터로부터 가정용 전력 소비를 분해하는 비침습적 부하 모니터링(NILM) 기법을 검토한다. 전력 소비 행동 기반의 기기 모델링, 기기 특성, 그리고 지도/비지도 학습 방법을 포함한다. 최근에 신경망을 활용한 딥러닝 기법의 발전을 강조하며, 기존의 인과(hidden) 마르코프 모델(FHMM)과 같은 전통적 방법보다 뛰어난 성능을 보임을 입증한다.

ABSTRACT

With the roll-out of smart meters the importance of effective non-intrusive load monitoring (NILM) techniques has risen rapidly. NILM estimates the power consumption of individual devices given their aggregate consumption. In this way, the combined consumption must only be monitored at a single, central point in the household, providing various advantages such as reduced cost for metering equipment. In this paper we discuss the fundamental building-blocks of NILM, first giving a taxonomy of appliance models and device signatures and then explaining common supervised and unsupervised learning methods. Furthermore, we outline a fundamental algorithm that tackles the task of NILM. Subsequently, this paper reviews recent research that has brought novel insight to the field and more effective techniques. Finally, we formulate future challenges in the domain of NILM and smart meters.

연구 동기 및 목표

• NILM의 기본 원리, 즉 기기 모델링, 특성, 학습 기법을 종합적으로 검토하는 것.
• 부하 분해에서 지도 학습 및 비지도 학습 방법의 효과성을 분석하는 것.
• 최근 NILM의 발전, 특히 RNN 및 노이즈 제거 오토인코더와 같은 딥러닝 모델의 적용을 평가하는 것.
• 향후 NILM 시스템의 실시간 처리, 데이터 프라이버시, 시스템 구현에 있어 핵심 과제를 규명하는 것.
• 가정용 에너지 낭비 감소 및 스마트 그리드 응용을 위한 NILM의 잠재력을 평가하는 것.

제안 방법

• 전력 소비 행동에 기반해 기기를 on/off, 다중 상태, 무한 상태 모델로 분류한다.
• 짧은 시간 창 내에서 전환 횟수가 적다는 가정을 통해 상태 전환 오류를 최소화하기 위해 스위치 연속성 원칙을 적용한다.
• 부하 분해에 대해 인과 은닉 마르코프 모델(FHMM)과 최적화 기반 방법을 사용한다.
• 클라우드 또는 엣지 장치를 활용해 실시간 기기 탐지, 모델링, 추적을 수행하는 온라인 NILM 프레임워크를 도입한다.
• 세 가지 신경망 아키텍처를 활용한다: 특징 학습을 위한 순환 네트워크, 집합적 노이즈에서 기기 신호를 분리하기 위한 노이즈 제거 오토인코더, 기기 활성화 시점과 전력 수준을 예측하기 위한 표준 피드포워드 네트워크.
• 모델 훈련 및 평가에 사용하기 위해 오스트리아와 이탈리아의 아홉 가정에서 1Hz 속도로 1년간 수집된 GREEND 데이터셋을 활용한다.

실험 결과

연구 질문

• RQ1 집합적 가정 전력 측정값에서 개별 기기의 전력 소비를 정확하게 분해할 수 있는 방법은 무엇인가?
• RQ2 NILM에서 가장 효과적인 학습 방법은 지도 학습인지 비지도 학습인지이며, 성능 측면에서 어떻게 비교되는가?
• RQ3 RNN 및 노이즈 제거 오토인코더와 같은 딥러닝 모델이 FHMM과 같은 전통적 방법보다 부하 분해에서 뛰어난 성능을 보일 수 있는가?
• RQ4 다수의 가정에서 실시간, 온라인 NILM 시스템을 대규모로 구현하는 데 있어 핵심 과제는 무엇인가?
• RQ5 데이터 품질과 샘플링 주파수가 장기 모니터링에서 NILM 알고리즘의 정확성에 미치는 영향은 무엇인가?

주요 결과

• RNN 및 노이즈 제거 오토인코더를 포함한 신경망 기반 접근 방식이 평가된 모든 지표에서 기존의 부하 분해 알고리즘을 능가한다.
• 1Hz 샘플링 주파수와 1년 간의 기간을 갖는 GREEND 데이터셋은 REDD 및 BLUED와 같은 짧은 기간 데이터셋을 뛰어넘어 계절적 기기 행동을 강력하게 모델링할 수 있도록 한다.
• 실시간 기기 탐지 및 추적을 수행하는 온라인 NILM 처리 방식은 대규모 에너지 예측 및 즉각적인 피드백에 유리하지만, 상당한 계산적 과제를 동반한다.
• 스위치 연속성 원칙은 짧은 시간 간격 내에서 전환 활동이 적다는 가정을 통해 상태 전환 탐지에서의 오진 양성(false positives)을 효과적으로 줄인다.
• 스마트 미터 측정 오차가 10–20% 수준임을 고려할 때, NILM 정확도 향상을 위해 하드웨어 개선과 더 정밀한 에너지 모니터링 IC의 개발이 필요하다.
• 다른 진전에도 불구하고, 데이터 프라이버시 문제는 클라우드 기반 NILM 배포의 주요 장벽으로 남아 있으며, 라즈베리 파이와 같은 엣지 컴퓨팅 솔루션을 활용한 현장 내 처리가 실현 가능한 대안으로 제시된다.