[논문 리뷰] Non-Intrusive Load Monitoring with Fully Convolutional Networks

Cillian Brewitt, Nigel Goddard|arXiv (Cornell University)|2018. 12. 10.

Structural Health Monitoring Techniques참고 문헌 21인용 수 15

한 줄 요약

이 논문은 비침습적 부하 모니터링(NILM)을 위한 완전 컨볼루션 신경망(FCN)을 제안하며, 이는 이전의 SOTA 시퀀스 투 포인트(S2P) 모델 대비 훈련 속도 32배 향상, 추론 속도 43배 향상으로 최신 기술 수준의 분해성능를 달성하면서도 정확도를 희생시키지 않아 계산 효율성이 크게 향상되었다.

ABSTRACT

Non-intrusive load monitoring or energy disaggregation involves estimating the power consumption of individual appliances from measurements of the total power consumption of a home. Deep neural networks have been shown to be effective for energy disaggregation. In this work, we present a deep neural network architecture which achieves state of the art disaggregation performance with substantially improved computational efficiency, reducing model training time by a factor of 32 and prediction time by a factor of 43. This improvement in efficiency could be especially useful for applications where disaggregation must be performed in home on lower power devices, or for research experiments which involve training a large number of models.

연구 동기 및 목표

• 제한된 처리 능력을 가진 가정에서 실시간 또는 엣지 배포를 위한 비침습적 부하 모니터링(NILM)의 계산 효율성을 향상시키기 위해.
• 분해 정확도를 훼손하지 않고 NILM에서 딥러닝 모델의 훈련 및 추론 시간을 단축시키기 위해.
• 수백만 가구에서의 모델 훈련 및 배포가 가능하도록 하여 대규모 NILM 응용을 실현하기 위해.
• 완전 컨볼루션 네트워크(FCNs)가 에너지 분해에서 순환 또는 시퀀스 투 포인트 모델에 비해 더 효율적인 대안이 될 수 있는지 탐색하기 위해.
• 모델당 훈련 시간을 크게 단축시켜 초모수 최적화 및 앙상블 모델링과 같은 새로운 연구 워크플로우를 가능하게 하기 위해.

제안 방법

• 슬라이딩 윈도우 분할이 필요 없이 원시 집합 전력 신호를 종단 간(end-to-end)으로 처리하는 완전 컨볼루션 신경망(FCN) 아키텍처를 제안한다.
• 시계열 순서를 유지하고 과거 및 현재 입력에만 의존하도록 예측이 이루어지도록 하기 위해 인과 컨볼루션을 사용한다. 이는 데이터 泄漏를 방지한다.
• 각 시간 단위의 가전기기 수준 전력 예측을 위해 글로벌 평균 풀링과 시그모이드 활성화 함수를 적용한다.
• 예측 오차와 총 에너지 소비 오차를 최소화하기 위해 평균 절대 오차(MAE)와 정규화된 신호 집합 오차(SAE)를 손실 함수로 사용한다.
• Adam 옵timizer와 배치 정규화를 사용하는 표준 딥러닝 훈련 파이프라인을 적용하지만, 이전 모델들에 비해 훨씬 적은 파라미터를 가진다.
• 동일한 데이터 분할 및 평가 지표를 사용하여 FCN을 직접적으로 최신 기술 수준의 시퀀스 투 포인트(S2P) 모델과 비교한다.

실험 결과

연구 질문

• RQ1 완전 컨볼루션 네트워크는 NILM에서 기존의 시퀀스 투 포인트 모델과 비슷하거나 더 높은 분해 정확도를 달성할 수 있는가?
• RQ2 에너지 분해에서 순환 또는 완전 연결 시퀀스 모델에 비해 FCN은 훈련 및 추론 시간을 얼마나 줄일 수 있는가?
• RQ3 모델 파라미터 수와 추론 시간의 감소가 초모수 최적화나 앙상블 모델링과 같은 새로운 연구 워크플로우를 가능하게 하는가?
• RQ4 전기 샤워기나 싱크대 세척기처럼 복잡하거나 일시적인 전력 서명을 가진 가전기기에서 모델 성능은 어떠한가?
• RQ5 FCN은 다양한 가전기기에서 MAE 및 SAE 지표 모두에서 낮은 오차를 유지하면서 일반화 성능을 유지를 할 수 있는가?

주요 결과

• FCN은 모든 가전기기 유형에서 평균 MAE가 14.9W를 기록하여 S2P 모델의 34.8W 대비 57% 감소를 달성했다.
• FCN은 평균 SAE를 0.67에서 0.33으로 감소시켜 시간이 지남에 따라 총 에너지 추정 정확도가 크게 향상됨을 나타냈다.
• 4개의 NVIDIA Titan X GPU를 사용하여 훈련 시간이 422.0분에서 13.2분으로 32배 감소했다.
• 예측 시간은 주 단위 데이터당 1.573초에서 0.036초로 43배 감소했다.
• FCN은 총 428,801개의 파라미터를 가지며, S2P 모델의 3070만 개 대비 72배 감소했다.
• FCN은 모든 가전기기 유형에서 MAE 성능에서 S2P 모델를 능가했으며, 전기 티포트와 전자레인지에서 가장 큰 향상을 보였다.