[논문 리뷰] On the Feasibility of Generic Deep Disaggregation for Single-Load Extraction

Karim Said Barsim, Bin Yang|arXiv (Cornell University)|2018. 02. 05.

Smart Grid Energy Management참고 문헌 30인용 수 43

한 줄 요약

논문은 다층 고정 구조의 일반적인 딥 디스어그리제이션 모델을 기반으로 한 완전 합성곱 신경망을 통해 다수의 부하에서 단일 부하 활성 프로파일을 추출하고, UK-DALE 데이터로 평가했다.

ABSTRACT

Recently, and with the growing development of big energy datasets, data-driven learning techniques began to represent a potential solution to the energy disaggregation problem outperforming engineered and hand-crafted models. However, most proposed deep disaggregation models are load-dependent in the sense that either expert knowledge or a hyper-parameter optimization stage is required prior to training and deployment (normally for each load category) even upon acquisition and cleansing of aggregate and sub-metered data. In this paper, we present a feasibility study on the development of a generic disaggregation model based on data-driven learning. Specifically, we present a generic deep disaggregation model capable of achieving state-of-art performance in load monitoring for a variety of load categories. The developed model is evaluated on the publicly available UK-DALE dataset with a moderately low sampling frequency and various domestic loads.

연구 동기 및 목표

• 데이터 기반의 부하 무관 NILM 방법의 동기부여 및 부하별 하이퍼파라미터 튜닝 회피.
• 고정된 아키텍처와 하이퍼파라미터를 갖는 일반적인 딥 디스어그리제이션 모델 제안.
• 공개된 UK-DALE 데이터를 사용하여 다양한 부하 카테고리에서 성능 평가.
• 개별 부하 모델과의 벤치마크를 통해 부하와 건물 간 일반화 가능성 시연.

제안 방법

• 46층의 완전 합성곱 신경망 사용(입력, 40 인코딩/디코딩, 4 표현, 출력).
• 목표 부하의 K-길이 창에 대한 후방 확률을 이진 교차 엔트로피 손실로 모델 출력.
• 비중첩 윈도우와 실제 전력 신호의 임계값으로 도출된 ground-truth 활성 프로파일로 학습.
• 확장된 합성곱, 배치 정규화, LReLU 활성화, 활성화 노이즈, 건너뛰기 연결을 사용하여 표현 학습.
• Adam(네스테로프 모멘텀)으로 파라미터 최적화하고 제로 평균 균일 분포에서 초기화.
• Ground truth activation profiles는 부하별 임계값과 최소 켜짐/꺼짐 지속 시간을 통해 정의된다.

실험 결과

연구 질문

• RQ1 하나의 고정 아키텍처의 딥 모델이 부하별 하이퍼파라미터 튜닝 없이 다중 부하 유형에 대해 최첨단 수준의 디스어그리제이션을 달성할 수 있는가?
• RQ2 공개 NILM 데이터로 학습했을 때 일반 모델이 보지 못한 부하 및 건물에 얼마나 잘 일반화되는가?
• RQ3 완전 합성곱 NILM 접근 방식의 성능 및 평가 특성이 부하별 기초 모형과 비교해 어떤 차이를 보이는가?

주요 결과

• 제안된 일반 모델은 평가 대상 UK-DALE 데이터셋의 모든 부하에서 이전 연구를 능가한다.
• 정확도뿐 아니라 다수의 메트릭을 사용해 부하 간 성능 변동성을 계량, 클래스 불균형 문제 다룸.
• 부하 간, WM, KT, TS, MC 등 여러 카테고리에서 높은 f-measure와 MCC를 달성하고, 다른 여러 부하에서 AUC 유사 지표를 강하게 보인다.
• 알려진 부하에서 새로운 건물의 unseen 부하로의 이전에서도 회귀 기반 벤치마크에 비해 경쟁력 있거나 우수한 성능 유지.
• 활성화 프로파일 기반 평가로 부분 구간으로도 추론 가능하므로 거의 실시간 피드백 가능성.