[논문 리뷰] Domain Knowledge Aids in Signal Disaggregation; the Example of the Cumulative Water Heater

Belikov, Alexander, Guillaume Matheron외 1명|arXiv (Cornell University)|2022. 03. 22.

Smart Grid Energy Management참고 문헌 16인용 수 2

한 줄 요약

이 논문은 시간 패턴과 오프피크 시간대 활성화 행동을 활용하여 저주파수(30분 간격) 스마트 미터 데이터에서 누적식 온수기(CWH) 소비를 비지도로 탐지하고 분리하는 도메인 지식을 통합한 방법을 제안한다. 모델은 지상 진실 데이터에서 정밀도와 재현율이 0.9 초과를 달성했으며, 5,000가구 데이터셋에서 선언된 경우의 85%에서 CWH를 성공적으로 식별하여 잘못 설정된 구성과 성능 열화를 탐지할 수 있게 한다.

ABSTRACT

In this article we present an unsupervised low-frequency method aimed at detecting and disaggregating the power used by Cumulative Water Heaters (CWH) in residential homes. Our model circumvents the inherent difficulty of unsupervised signal disaggregation by using both the shape of a power spike and its time of occurrence to identify the contribution of CWH reliably. Indeed, many CHWs in France are configured to turn on automatically during off-peak hours only, and we are able to use this domain knowledge to aid peak identification despite the low sampling frequency. In order to test our model, we equipped a home with sensors to record the ground-truth consumption of a water heater. We then apply the model to a larger dataset of energy consumption of Hello Watt users consisting of one month of consumption data for 5k homes at 30-minute resolution. In this dataset we successfully identified CWHs in the majority of cases where consumers declared using them. The remaining part is likely due to possible misconfiguration of CWHs, since triggering them during off-peak hours requires specific wiring in the electrical panel of the house. Our model, despite its simplicity, offers promising applications: detection of mis-configured CWHs on off-peak contracts and slow performance degradation.

연구 동기 및 목표

• 저주파수(30분 간격) 스마트 미터 데이터를 활용해 누적식 온수기(CWH)에 대한 신호 분리 방법을 비지도로 개발하는 것.
• 특히 프랑스에서 오프피크 시간대에 CWH가 예측 가능하게 작동한다는 도메인 특화 지식을 활용하여, 낮은 시간 해상도에도 탐지 정확도를 향상시키는 것.
• 모델을 한 가구의 지상 진실 데이터셋에서 검증한 후, 약 5,000가구의 익명화된 대규모 데이터셋으로 확장하는 것.
• 오프피크 계약에서 잘못 설정된 CWH를 탐지하고 장기적인 성능 열화를 모니터링하는 등의 실용적 응용을 가능하게 하는 것.

제안 방법

• 모델는 프랑스 스마트 미터 시스템(Linky)에서 알려진 오프피크 시간대를 기반으로, 오프피크 시작 시 일관되게 발생하는 전력 피크를 탐지하여 CWH를 식별한다.
• 기본 소비량을 배경 기준으로 삼아 비정상적인 피크를 탐지하며, CWH가 오프피크 시작 시에 신뢰성 있게 작동한다고 가정한다.
• 모델는 CWH 작동의 시간적 규칙성—일반적으로 1.5~5시간 동안 지속됨—을 활용하여 피크가 30분 샘플링 간격을 초과해 지속됨을 보장한다.
• CWH는 오프피크 기간 동안에만 작동하는 파ilot 와이어 신호에 연결되어 있다고 가정하며, 이는 핵심 도메인 제약 조건이다.
• 모델는 레이블이 부여된 학습 데이터가 필요 없는 비지도 방법이며, 에너지 계약과 가전 기기 행동에서 유도된 시간적 및 행동적 사전 지식을 활용한다.
• 모델는 먼저 한 가구의 지상 진실 데이터셋에서 검증된 후, 5,000가구의 대규모 익명화된 데이터셋에 적용되었다.

실험 결과

연구 질문

• RQ1 오프피크 시간대 활성화에 대한 도메인 지식을 활용해 저해상도(30분 간격) 스마트 미터 데이터에서 CWH를 신뢰성 있게 탐지할 수 있는가?
• RQ2 집계 소비 데이터만 제공될 때 비지도 방법이 CWH를 얼마나 정확하게 식별할 수 있는가?
• RQ3 사용자가 전기 온수기를 사용한다고 선언한 실제 주거 환경에서 모델이 CWH를 어느 정도 탐지할 수 있는가?
• RQ4 오프피크 사용 측면에서 CWH의 몇 퍼센트가 잘못 설정되어 있으며, 이러한 경우를 모델이 탐지할 수 있는가?
• RQ5 모델은 시간이 지남에 따라 CWH의 에너지 소비 변화나 성능 열화를 탐지할 수 있는가?

주요 결과

• 지상 진실 데이터셋에서 모델은 정밀도와 재현율이 0.9 초과를 달성하여 강력한 탐지 성능을 확인했다.
• 약 5,000가구의 대규모 데이터셋에서 사용자가 CWH를 사용한다고 선언한 대부분의 경우에서 CWH를 성공적으로 식별했다.
• 모델은 1~3.5kW의 전력 수준을 가진 CWH를 탐지했으며, 이는 일반적인 CWH 사양과 일치했다.
• CWH에 기인한 총 가정 에너지 소비 비율은 8%에서 14% 사이였으며, 국가 평균 12~15%와 부합했다.
• 사용자가 CWH를 사용한다고 선언했지만 정기적인 오프피크 활성화 패턴을 보이지 않는 경우, 잠재적인 잘못 설정을 탐지했다.
• 1분에서 1시간까지의 다양한 샘플링 속도에서도 모델이 안정적으로 작동함을 확인하여, 30분 해상도를 초월한 광범위한 적용 가능성을 시사했다.