[논문 리뷰] Subtask Gated Networks for Non-Intrusive Load Monitoring

Changho Shin, Sunghwan Joo외 4명|arXiv (Cornell University)|2018. 11. 16.

Smart Grid Energy Management참고 문헌 23인용 수 20

한 줄 요약

이 논문은 비침습적 부하 모니터링(NILM)의 정확도를 향상시키기 위해 회귀망을 통한 전력 추정과 케이스/오프 상태 탐지용 분류 하위망을 동시에 훈련하는 딥러닝 아키텍처인 서브태스크 게이팅 네트워크(SGN)를 제안한다. 회귀 출력을 분류 확률로 게이팅하여, REDD 및 UK-DALE 데이터셋에서 최신 기술 대비 15–30% 향상된 성능을 달성하며, 특히 대기 전력 상태를 모델링할 경우에 뚜렷한 성능 향상이 나타난다.

ABSTRACT

Non-intrusive load monitoring (NILM), also known as energy disaggregation, is a blind source separation problem where a household's aggregate electricity consumption is broken down into electricity usages of individual appliances. In this way, the cost and trouble of installing many measurement devices over numerous household appliances can be avoided, and only one device needs to be installed. The problem has been well-known since Hart's seminal paper in 1992, and recently significant performance improvements have been achieved by adopting deep networks. In this work, we focus on the idea that appliances have on/off states, and develop a deep network for further performance improvements. Specifically, we propose a subtask gated network that combines the main regression network with an on/off classification subtask network. Unlike typical multitask learning algorithms where multiple tasks simply share the network parameters to take advantage of the relevance among tasks, the subtask gated network multiply the main network's regression output with the subtask's classification probability. When standby-power is additionally learned, the proposed solution surpasses the state-of-the-art performance for most of the benchmark cases. The subtask gated network can be very effective for any problem that inherently has on/off states.

연구 동기 및 목표

• 기존 딥러닝 모델이 가전기기의 케이스/오프 상태를 명시적으로 모델링하지 못하는 한계를 해결한다.
• 가정 내 가전기기의 본질적인 케이스/오프 행동을 활용하여 에너지 분해 정확도를 향상시킨다.
• 더 나은 일반화를 위해 게이팅 메커니즘을 통해 회귀와 분류 하위작업을 통합한 새로운 아키텍처를 개발한다.
• 하위태스크 네트워크를 통한 케이스/오프 상태의 명시적 모델링이 표준 다중태스크 학습 접근법을 초월해 성능 향상을 이끌 수 있음을 입증한다.
• REDD 및 UK-DALE와 같은 표준 NILM 벤치마크에서 MAE 및 SAEδ 등의 다수의 지표를 사용해 방법을 평가한다.

제안 방법

• 주 회귀망과 별도의 케이스/오프 분류 하위망을 결합한 서브태스크 게이팅 네트워크(SGN)를 제안한다.
• 분류 하위망이 예측한 '작동 중'일 확률로 회귀 출력을 원소별 곱셈으로 게이팅한다.
• 회귀 손실(L_output)과 케이스 상태 분류 손실(L_on)을 포함하는 복합 손실 함수를 사용해 모델을 종합적으로 훈련한다.
• 저전력 상태를 명시적으로 모델링함으로써 저전력 상태를 가지는 기기에서의 성능 향상을 위한 변형을 도입한다.
• 일부 변형에서는 딱딱한 게이팅을 적용하여 이진 결정을 강제함으로써 노이즈가 많은 조건에서도 내구성을 향상시킨다.
• 분류 하위망을 동적 게이트로 사용하여 기기가 끄다고 예측될 경우 회귀 출력이 억제되도록 보장한다.

실험 결과

연구 질문

• RQ1 딥러닝을 활용한 비침습적 부하 모니터링에서 가전기기의 케이스/오프 상태를 명시적으로 모델링하면 정확도가 향상되는가?
• RQ2 케이스/오프 분류 확률로 회귀 출력을 게이팅하는 방식이 표준 다중태스크 학습 대비 분해 성능에 어떤 영향을 미치는가?
• RQ3 케이스 상태 분류를 위한 전용 손실(L_on)을 도입하면 회귀 출력의 일반화 능력 향상과 노이즈 감소에 기여하는가?
• RQ4 대기 전력을 모델링하면 저전력 상태를 가지는 기기에서 성능 향상에 얼마나 기여하는가?
• RQ5 실제 응용에서 다양한 오차 허용 수준(δ)과 다양한 오차 지표(SAEδ 등)에 대해 서브태스크 게이팅 네트워크의 내구성은 어느 정도인가?

주요 결과

• SGN는 MAE 및 SAEδ 지표를 사용해 REDD 및 UK-DALE 데이터셋에서 최신 기술 대비 15–30% 향상된 성능을 달성한다.
• 케이스 상태 분류 손실(L_on)의 포함으로 게이팅 메커니즘의 신뢰성이 크게 향상되어, 분류 하위망이 단순한 스케일링 요소로 전락하는 것을 방지한다.
• 분류 하위망의 출력은 0과 1 근처에 집중되어 있어, 냉장고와 같이 주기적으로 작동하는 기기의 케이스/오프 상태를 효과적으로 학습한 것으로 나타났다.
• 식기세척기 및 전기밥솥과 같은 기기의 경우, 게이팅 메커니즘이 끄기 상태에서 노이즈가 많은 회귀 출력을 효과적으로 억제하여 정확도를 향상시켰다.
• 명시적인 대기 전력 모델링을 통한 모델은 저전력 상태를 가지는 기기에서 성능 향상을 더욱 뚜렷하게 보이며, 세밀한 상태 표현의 이점을 입증한다.
• SAEδ의 모든 테스트된 δ 값에서 SGN 모델은 뛰어난 성능 유지를 보이며, 실생활 응용에서 다양한 오차 허용 수준에 대한 내구성을 입증한다.