[논문 리뷰] PowerGAN: Synthesizing Appliance Power Signatures Using Generative Adversarial Networks

Alon Harell, Richard Jones외 2명|arXiv (Cornell University)|2020. 07. 20.

Smart Grid Energy Management참고 문헌 39인용 수 4

한 줄 요약

PowerGAN은 수작업으로 설계된 모델에 의존하지 않고, 조건부이자 渐진적인 1D Wasserstein GAN을 도입하여 현실적이고 다양한 가전기기 전력 서명을 합성한다. 기존의 합성 데이터 방법에 비해 정성적 현실성과 정량적 지표인 Inception Score (3.81±0.13), FID (43.30), SWD에서 모두 뛰어난 성능을 보이며, 비침습적 부하 모니터링(NILM)을 위한 고해상도이자 진정으로 무작위인 가전기기 전력 트레이스 생성에 효과적임을 입증한다.

ABSTRACT

Non-intrusive load monitoring (NILM) allows users and energy providers to gain insight into home appliance electricity consumption using only the building's smart meter. Most current techniques for NILM are trained using significant amounts of labeled appliances power data. The collection of such data is challenging, making data a major bottleneck in creating well generalizing NILM solutions. To help mitigate the data limitations, we present the first truly synthetic appliance power signature generator. Our solution, PowerGAN, is based on conditional, progressively growing, 1-D Wasserstein generative adversarial network (GAN). Using PowerGAN, we are able to synthesise truly random and realistic appliance power data signatures. We evaluate the samples generated by PowerGAN in a qualitative way as well as numerically by using traditional GAN evaluation methods such as the Inception score.

연구 동기 및 목표

• 제한된 레이블이 부여된 실세계 가전기기 전력 데이터로 인해 발생하는 비침습적 부하 모니터링(NILM)의 핵심적 한계를 해결하기 위해.
• 수작업으로 설계된 물리적 모델에 의존하지 않고 진정으로 무작위이자 현실적인 가전기기 전력 서명을 생성하는 데이터 생성 방법을 개발하기 위해.
• 훈련 및 평가를 위한 대규모이고 다양한 합성 데이터 생성을 가능하게 하여 NILM의 일반화 능력을 향상시키기 위해.
• 시간적 시리즈 전력 신호 데이터에 적합하게 수정된 기존 GAN 평가 지표를 사용하여 합성 전력 트레이스를 평가하기 위해.

제안 방법

• PowerGAN은 현실적인 가전기기 전력 서명을 생성하기 위해 조건부이자 渐진적인 1D Wasserstein GAN(WGAN) 아키텍처를 활용한다.
• 생성자는 임의의 잠재 코드와 조건부 레이블(예: 가전기기 유형)을 입력으로 받아 시간적 시리즈 전력 트레이스를 생성한다.
• 판별자는 ECO 및 Tracebase 등의 데이터셋에서 얻은 실제 전력 트레이스와 생성된 트레이스를 구분하도록 훈련되며, 특징 추출을 위해 1D ResNet 기반 분류기를 사용한다.
• 생성자와 판별자의 훈련이 번갈아가며 진행되며, 생성자는 실제 데이터 분포와의 Wassertein 거리 최소화를 목적으로 한다.
• 평가에는 시간적 시리즈 전력 신호 데이터에 적합하게 수정된 GAN 지표인 Inception Score(IS), Frechet Inception Distance(FID), Sliced Wasserstein Distance(SWD)를 사용하며, 분류기 특징과 라플라시안 피라미드 특징 모두에 적용한다.
• 실제 전력 데이터를 ECO 및 Tracebase에서 수집하여 훈련함으로써 현실적인 분포 모델링을 보장하고, 비공개 또는 합성 기반 기준에 의존하지 않도록 한다.

실험 결과

연구 질문

• RQ1 수작업으로 설계된 물리적 모델이나 수작업 모델에 의존하지 않고, GAN 기반 접근법이 현실적이고 다양한 가전기기 전력 서명을 생성할 수 있는가?
• RQ2 ANTgen, SynD와 같은 기존의 합성 데이터 생성기와 비교할 때, PowerGAN은 생성된 전력 트레이스의 현실성과 다양성 측면에서 어떤가?
• RQ3 표준 GAN 평가 지표(IS, FID, SWD)가 합성 가전기기 전력 신호의 품질을 얼마나 잘 반영하는가?
• RQ4 제안된 방법은 훈련 데이터에 존재하지 않는 진정으로 무작위이자 새로운 가전기기 전력 서명을 생성할 수 있는가?

주요 결과

• PowerGAN은 평가된 모든 생성자 중에서 가장 높은 Inception Score(3.81±0.13)를 기록하여 더 뛰어난 샘플 품질과 다양성을 나타낸다.
• 가장 낮은 Frechet Inception Distance(43.30)를 기록하여 생성된 전력 신호 특징과 실제 전력 신호 특징 간의 분포가 가장 유사함을 보여준다.
• 라플라시안 특징을 사용한 Sliced Wasserstein Distance(18±0.088)와 분류기 특징을 사용한 결과(0.25±0.011)는 실제 데이터와의 강한 분포 유사성을 확인한다.
• PowerGAN은 모든 평가 지표에서 ANTgen과 SynD를 모두 압도하여 현실적이고 다양한 가전기기 전력 서명 생성 능력에서 뛰어난 성능을 보인다.
• 실제 데이터를 기반으로 훈련된 1D ResNet 분류기를 사용함으로써 합성 신호 품질 평가의 신뢰성과 편향 없는 성격을 확보할 수 있다.