[논문 리뷰] SDP Relaxation with Randomized Rounding for Energy Disaggregation

Kiarash Shaloudegi, András György외 2명|arXiv (Cornell University)|2016. 10. 29.

Smart Grid Energy Management인용 수 19

한 줄 요약

이 논문은 가정용 전력 모니터링에서 에너지 분리 분석을 위한 새로운 SDP 풀이법과 확률적 라운딩, 스케일러블한 ADMM 기반 솔버를 제안한다. 볼록 준선형 프로그래밍 풀이법과 효율적인 최적화를 활용하여, 기존의 최첨단 방법들보다 훨씬 높은 정밀도와 재현율을 달성하였으며, 합성 및 실제 데이터셋 모두에서 기존의 2차 프로그래밍 기반 방법들보다 최대 50% 높은 정밀도를 기록하였다.

ABSTRACT

We develop a scalable, computationally efficient method for the task of energy disaggregation for home appliance monitoring. In this problem the goal is to estimate the energy consumption of each appliance over time based on the total energy-consumption signal of a household. The current state of the art is to model the problem as inference in factorial HMMs, and use quadratic programming to find an approximate solution to the resulting quadratic integer program. Here we take a more principled approach, better suited to integer programming problems, and find an approximate optimum by combining convex semidefinite relaxations randomized rounding, as well as a scalable ADMM method that exploits the special structure of the resulting semidefinite program. Simulation results both in synthetic and real-world datasets demonstrate the superiority of our method.

연구 동기 및 목표

• 에너지 분리 분석에서 인과적 HMM의 정확한 추론이 계산적으로 비가역적인 문제를 해결하기 위해, 기기 수에 따라 상태 공간이 조합적으로 증가하는 문제를 다루기 위함이다.
• 에너지 분리 분석에서 발생하는 정수 2차 프로그래밍 문제에 대해 기존의 2차 프로그래밍 풀이법보다 더 날카운 풀이를 제공하는 더 엄밀한 준선형 프로그래밍(SDP) 풀이법을 사용하여 기존의 풀이법을 향상시키기 위함이다.
• 실제 가정용 에너지 모니터링에서 흔히 발생하는 수백만 개의 변수를 포함한 대규모 문제를 다룰 수 있는 스케일러블하고 효율적인 최적화 방법을 개발하기 위함이다.
• SDP 풀이법과 확률적 라운딩, ADMM 기반 초기화를 조합하여 고품질의 근사 해를 도출하기 위함이다.
• 실제 및 합성 데이터셋에서 최첨단 기법들과 비교하여 정밀도, 재현율, 전력 할당 정확도 측면에서 뛰어난 성능을 보여주기 위함이다.

제안 방법

• 가정용 총 전력 소비에서 기기 상태를 추론하는 추가적 인과적 HMM에서 유도된 정수 2차 프로그래밍 문제로 에너지 분리 분석 문제를 수식화한다.
• 기존 연구에서 사용한 2차 프로그래밍 풀이법을 더 엄밀한 준선형 프로그래밍(SDP) 풀이법으로 대체하여 해의 품질을 향상시킨다.
• SDP의 블록 대각 행렬의 특성을 활용하기 위해 모어-요시다 정규화를 적용한 새로운 ADMM 변종을 개발하여 대규모 문제의 스케일러블한 해법을 가능하게 한다.
• 파크와 보이드(Park and Boyd, 2015)의 영감을 얻어, 연속적인 SDP 해를 기기 상태에 대한 타당한 정수 해로 변환하기 위한 확률적 라운딩 절차를 적용한다.
• 지역 탐색과 확률적 라운딩를 개선하기 위해 ADMM 해를 초기화 값으로 사용한다.
• MATLAB로 알고리즘을 구현하였으며, C++ 최적화를 통해 상당한 속도 향상을 기대할 수 있으며, 최대 30,000개의 시간 단위와 7대의 기기를 포함한 합성 및 실제 데이터셋에서 평가하였다.

실험 결과

연구 질문

• RQ1 기존의 2차 프로그래밍 풀이법에 비해 더 엄밀한 준선형 프로그래밍(SDP) 풀이법이 에너지 분리 분석의 정확도를 향상시킬 수 있는가?
• RQ2 수백만 개의 변수를 포함하는 대규모 SDP 문제를 효과적으로 해결할 수 있는 스케일러블한 ADMM 기반 방법이 실제로 작동하는가?
• RQ3 SDP 풀이법과 확률적 라운딩, ADMM 초기화를 조합하여 최첨단 기법들보다 더 높은 정밀도와 재현율을 달성할 수 있는가?
• RQ4 복잡한 기기 사용 패턴을 포함한 실제 가정용 에너지 데이터에서 제안된 방법의 성능은 어떠한가?
• RQ5 이 방법은 에너지 분리 분석을 넘어서 다른 인과적 HMM 추론 문제에 일반화될 수 있는가?

주요 결과

• 제안된 ADMM-RR 방법은 실제 데이터에서 평균 정밀도 60.97%와 재현율 78.56%를 기록하여, KJ 방법(38.68%/75.02%)과 ZGS 방법(17.97%/36.22%)보다 뚜렷이 뛰어난 성능을 보였다.
• 경쟁자 대비 기기의 전력 소비를 할당하는 데서 오류를 30~35% 감소시켜, 2.87%의 오차를 기록하였으며(KJ는 4.44%, ZGS는 3.94%), 성능 향상을 확보하였다.
• 오븐-3 기기의 경우, 제안된 방법은 정밀도 61.70%, 재현율 78.30%를 기록하였고, KJ는 각각 27.62%와 72.32%였으며, ZGS는 5.35%와 15.04%였다.
• 세탁/건조 기기(20-A)의 경우, 제안된 방법은 정밀도 98.23%, 재현율 93.80%를 기록하여 KJ(70.41%/98.19%)와 ZGS(15.91%/35.51%)를 모두 앞섰다.
• 기록되지 않은 기기들에 대해서도 강건성을 보였으며, 정밀도 94.27%, 재현율 87.80%를 기록하였고, KJ는 각각 85.35%와 25.91%였으며, ZGS는 57.43%와 99.31%였다.
• 5시간이 넘는 실행 시간에도 불구하고, 뛰어난 정확도와 C++ 최적화를 통한 스케일러비리티 잠재력을 고려할 때, 대규모 배포에 매우 유망한 후보로 평가된다.