[論文レビュー] A Hybrid Event Detection Approach for Non-Intrusive Load Monitoring

Mengqi Lu, Zuyi Li|arXiv (Cornell University)|Mar 21, 2019

Smart Grid Energy Management参考文献 12被引用数 4

ひとこと要約

本稿では、非侵襲的負荷監視（NILM）のためのハイブリッドイベント検出手法を提案する。この手法は、移動平均の変化に時間制限を加え、微分解析とフィルタリング解析を組み合わせることで、複雑な家庭用負荷データセットにおける家電機器のイベントを検出する。訓練データや家電機器固有の情報が不要であるが、LLD-Max、AWB、GLRといった既存手法よりも優れた性能を達成する。

ABSTRACT

Non-Intrusive Load Monitoring (NILM) is a practical method to provide appliance-level electricity consumption information. Event detection, as an important part of event-based NILM methods, has a direct impact on the accuracy of the ultimate load disaggregation results in the entire NILM framework. This paper presents a hybrid event detection approach for relatively complex household load datasets that include appliances with long transients, high fluctuations, and/or near-simultaneous actions. The proposed approach includes a base algorithm based on moving average change with time limit, and two auxiliary algorithms based on derivative analysis and filtering analysis. The structure, steps, and working principle of this approach are described in detail. The proposed approach does not require additional information about household appliances, nor does it require any training sets. Case studies on different datasets are conducted to evaluate the performance of the proposed approach in comparison with several existing approaches including log likelihood ratio detector with maxima (LLD-Max) approach, active window-based (AWB) approach, and generalized likelihood ratio (GLR) approach. Results show that the proposed approach works well in detecting events in complex household load datasets and performs better than the existing approaches.

研究の動機と目的

• 長時間の遷移、高い信号の変動、およびほぼ同時発生する動作を伴う複雑な家庭用負荷データセットにおける家電機器イベントの検出という課題に対処すること。
• 訓練データや家電機器タイプに関する事前知識に依存しないイベント検出手法の開発。
• 困難な信号状態下でもイベント検出の精度を向上させることで、負荷分解の精度を向上させること。
• 多様な実世界の家庭用電力消費パターンに適用可能な、堅牢で汎用的なイベント検出フレームワークの提供。

提案手法

• 基本アルゴリズムは、時間制限を設けた移動平均の変化を用いて、顕著な電力遷移を特定することでイベントを検出する。
• 微分解析に基づく補助アルゴリズムは、電力信号の急激な変化を特定することで、過渡的イベントを捉える。
• フィルタリング解析部は、変動の激しい信号におけるノイズを低減し、検出の信頼性を向上させる。
• 3つの構成要素を統合したハイブリッドフレームワークにより、各手法の相補的な強みを活かす。
• 完全に教師なしのアプローチであり、ラベル付きデータや家電機器固有の情報が一切不要である。
• 本手法は、リアルタイムまたは記録済みの有効電力信号を処理し、個々の家電機器の起動および停止イベントを検出する。

実験結果

リサーチクエスチョン

• RQ1 長時間の遷移と高い信号変動を示す家庭用負荷データセットにおいて、どのようにしてイベント検出を改善できるか？
• RQ2 複数の信号解析手法を組み合わせたハイブリッドアプローチは、複雑な状況下で単一手法の検出器を上回る性能を発揮できるか？
• RQ3 訓練データや家電機器に関する事前知識が欠如している状況でも、イベント検出はどの程度達成可能か？
• RQ4 LLD-Max、AWB、GLRといった既存手法と比較して、本手法の性能はいかがであるか？

主な発見

• 提案されたハイブリッド手法は、複数のベンチマークデータセットにおいてLLD-Max、AWB、GLRの手法を上回るイベント検出の正確性を達成した。
• 本手法は、長時間の遷移やほぼ同時発生する家電機器の動作を伴う複雑な状況でも、効果的にイベントを検出できた。
• 訓練データや家電メタデータの欠如が性能に悪影響を及えないことから、本手法の堅牢性と汎用性が示された。
• 移動平均、微分、フィルタリング解析の統合により、検出感度が向上し、誤検出が減少した。