[論文レビュー] A Survey on Non-Intrusive Load Monitoring Methodies and Techniques for Energy Disaggregation Problem

Anthony Faustine, Nerey H. Mvungi+2 more|arXiv (Cornell University)|Mar 2, 2017

Smart Grid Energy Management参考文献 50被引用数 121

ひとこと要約

本論文はNILMシステム、手法、指標、ベンチマーキングツール、データセット、およびエネルギー分解の将来の方向性を概観しています。

ABSTRACT

The rapid urbanization of developing countries coupled with explosion in construction of high rising buildings and the high power usage in them calls for conservation and efficient energy program. Such a program require monitoring of end-use appliances energy consumption in real-time. The worldwide recent adoption of smart-meter in smart-grid, has led to the rise of Non-Intrusive Load Monitoring (NILM); which enables estimation of appliance-specific power consumption from building's aggregate power consumption reading. NILM provides households with cost-effective real-time monitoring of end-use appliances to help them understand their consumption pattern and become part and parcel of energy conservation strategy. This paper presents an up to date overview of NILM system and its associated methods and techniques for energy disaggregation problem. This is followed by the review of the state-of-the art NILM algorithms. Furthermore, we review several performance metrics used by NILM researcher to evaluate NILM algorithms and discuss existing benchmarking framework for direct comparison of the state of the art NILM algorithms. Finally, the paper discuss potential NILM use-cases, presents an overview of the public available dataset and highlight challenges and future research directions.

研究の動機と目的

• 建物におけるリアルタイムで非侵襲的なエンドユース電力監視を動機付け、節電と政策評価を支援する。
• NILMのアーキテクチャ、手法、技術に関する最新の概要を提供する。
• カテゴリ別の最先端NILMアルゴリズムをレビューする（HMMベース、グラフ信号処理、ディープラーニング）。
• NILM手法の公正な比較を可能にする評価指標とベンチマーキングフレームワークについて論じる。
• 公開データセット、ユースケース、課題、今後の研究の方向性を強調する。

提案手法

• NILMアプローチをイベントベースと状態ベースイベント検出器に分類する。
• 家電の署名と過渡特性と定常状態特徴の区別を説明する。
• 学習/推論パラダイムを調査する（教師ありと教師なし；HMM、FHMM、ディープラーニングのハイブリッドなど）。
• NILMにおけるグラフ信号処理（GSP）応用とその制限について論じる。
• ディープラーニングアーキテクチャ（RNN、CNN、オートエンコーダ、そしてハイブリッドHMM/DNNモデル）を要約する。
• 評価指標の概要とNILMTKおよびNILM-Evalのようなベンチマーキングツールの重要性を説明する。

実験結果

リサーチクエスチョン

• RQ1 集約電力読値からエネルギーを分解するために用いられる主なNILMアプローチは何か？
• RQ2 NILMモデルはどのように学習・推論され、教師ありと教師なしの方法の間にどんなトレードオフがあるのか？
• RQ3 NILMアルゴリズムを公正に評価するための指標とベンチマーキングフレームワークは何があるか？
• RQ4 NILM研究に利用可能な公開データセットは何があり、それらはどのユースケースをサポートしているか？
• RQ5 現実世界の建物のNILM研究と導入を形作る課題と今後の方向性は何か？

主な発見

• HMMベースおよびFHMMアプローチは教師なしNILMで支配的であり、多状態家電に対応する拡張やバリアントが存在する。
• グラフ信号処理とディープラーニングは代替的なNILMパラダイムを提供し、それぞれ訓練データとリアルタイム推論の利点と制限を持つ。
• さまざまな評価指標が存在する（accuracy, F-measure, RMSE, de, EEFI）こと、標準化されたベンチマーキングが不足している。
• オープンソースのベンチマーキングツ Toolkit NILMTKとNILM-Evalは再現性のある比較を可能にするが、制限や統合のギャップがある。
• 公開データセットの多様性（REDD, UK-DALE, UK-DALE, REFIT, GREEND, AMPDS など）は、さまざまな感知解像度と文脈をサポートする。
• 本レビューは、多数の家電へのスケーラビリティ、ラベル付きデータの必要性、ノイズ感度、リアルタイム適用性などの課題を浮き彫りにし、今後の研究方向を示している。