[論文レビュー] Energy Disaggregation & Appliance Identification in a Smart Home: Transfer Learning enables Edge Computing

M. Hashim Shahab, Hasan Mujtaba Buttar+6 more|arXiv (Cornell University)|Jan 8, 2023

Smart Grid Energy Management被引用数 6

ひとこと要約

本論文は、seq2-[3]-point CNNを用いたNILMのための転移学習ベースのディープラーニングフレームワークを提案する。波形とSTFTに基づく電気的シグネチャに、微調整された2次元CNN（ResNet-18、DenseNet-121）を適用し、スマートホームにおけるエネルギー分解能と家電識別を実現する。REDDおよびREFITデータセットを用いて、ホーム-NILMで94.6%、サイト-NILMで81%、家電識別で88.9%の精度を達成した。

ABSTRACT

Non-intrusive load monitoring (NILM) or energy disaggregation aims to extract the load profiles of individual consumer electronic appliances, given an aggregate load profile of the mains of a smart home. This work proposes a novel deep-learning and edge computing approach to solve the NILM problem and a few related problems as follows. 1) We build upon the reputed seq2-point convolutional neural network (CNN) model to come up with the proposed seq2-[3]-point CNN model to solve the (home) NILM problem and site-NILM problem (basically, NILM at a smaller scale). 2) We solve the related problem of appliance identification by building upon the state-of-the-art (pre-trained) 2D-CNN models, i.e., AlexNet, ResNet-18, and DenseNet-121, which are fine-tuned two custom datasets that consist of Wavelets and short-time Fourier transform (STFT)-based 2D electrical signatures of the appliances. 3) Finally, we do some basic qualitative inference about an individual appliance's health by comparing the power consumption of the same appliance across multiple homes. Low-frequency REDD dataset is used for all problems, except site-NILM where REFIT dataset has been used. As for the results, we achieve a maximum accuracy of 94.6\% for home-NILM, 81\% for site-NILM, and 88.9\% for appliance identification (with Resnet-based model).

研究の動機と目的

• 集約 mains データからの個々の家電の電力プロファイルを推定することで、非侵襲的負荷監視（NILM）問題を解決すること。
• ウェーブレット変換およびSTFT変換から得られる2次元電気的シグネチャを用いて、ディープラーニングベースの転移学習による家電識別を可能にすること。
• 複数の家庭における電力消費パターンの比較を通じて、家電の定性的な健全性を評価すること。
• 転移学習を活用したモデルのエッジデバイスへの実装可能性を示し、リアルタイムのスマートホームアプリケーションに向けた実現可能性を検証すること。

提案手法

• ホームおよびサイトレベルのNILMに適した、シーケンスからシーケンスへの予測を実現する新規のseq2-[3]-point CNNモデルを提案。標準的なseq2-pointアーキテクチャを上回る性能を実現する。
• ウェーブレット変換および短時間フーリエ変換（STFT）を用いて1次元の電力時系列データを2次元の画像に類似した表現に変換し、両者の特徴量を統合することで、より強力な特徴抽出を実現する。
• 電気的シグネチャのカスタムデータセット上で、カスタム全結合層を追加した事前学習済み2次元CNN（AlexNet、ResNet-18、DenseNet-121）を微調整し、家電分類に用いる。
• 1つの家電で事前学習した畳み込み層を凍結し、他の家電で微調整することで、汎化性能の向上と学習時間の短縮を実現する転移学習を適用する。
• 分類タスクにおけるモデルのロバスト性を向上させるとともに、クラス不均衡の低減を図るためにデータ拡張を適用する。
• 評価指標として正解率とF1スコアを用い、NILM評価のための連続的予測値をしきい値に基づいて離散的家電状態に変換する手法を採用する。

Figure 1: NILM aims to detect step changes in the power mains [ 3 ]

実験結果

リサーチクエスチョン

• RQ1 seq2-[3]-point CNNモデルは、集約 mains データのみを用いて、家庭内の個々の家電の高精度なエネルギー分解能を達成できるか？
• RQ2 転移学習ベースの2次元CNNモデル（ResNet-18、DenseNet-121、AlexNet）は、ウェーブレットおよびSTFTに基づく電気的シグネチャから家電タイプを分類するのにどの程度効果的か？
• RQ3 異なる統合戦略（例：ウェーブレット＋STFT）は、家電識別性能にどのような影響を及えるか？
• RQ4 複数の家庭における電力消費パターンの比較は、個々の家電の健全性状態や運用上の異常を推定する手がかりとなるか？
• RQ5 本フレームワークは、REDDおよびREFITといった実世界のデータセットにおいて、ホーム-NILMおよびサイト-NILMの両状況でどの程度の性能を示すか？

主な発見

• 提案されたseq2-[3]-point CNNは、洗濯機に対して94.6%の最高ホーム-NILM精度を達成し、家電ごとに最適化されたしきい値を用いた。
• REFITデータセットにおけるサイト-NILMでは、全体のテスト精度が81%に達し、本モデルの小規模な監視環境へのスケーラビリティを示した。
• ResNet-18ベースのモデルは、ウェーブレット変換されたシグネチャで88.9%の最高の家電識別精度を達成し、F1スコアは88%であった。
• DenseNet-121は、低い学習率（0.001）で高い性能を示し、統合されたウェーブレット-STFTシグネチャで86.17%の精度を達成した。
• AlexNetは、ウェーブレットシグネチャで80.67%の精度と81%のF1スコアを達成し、より深いアーキテクチャと比較して中程度の性能であった。
• 定性的な分析から、同一家電の電力プロファイルを複数の家庭で比較することで、家電の健全性や運用上の異常に関する洞察が得られることを明らかにした。

Figure 2: Architecture of the proposed seq2-[3]point CNN model. It consists of five convolutional layers, two custom FC layers, and outputs a sequence/vector of size three.