[論文レビュー] How good is good enough? Re-evaluating the bar for energy disaggregation

Nipun Batra, Rishi Baijal+2 more|arXiv (Cornell University)|Oct 26, 2015

Smart Grid Energy Management参考文献 21被引用数 5

ひとこと要約

本稿は、エネルギー分解能の必要精度を再評価し、高電力の背景負荷（例：暖房換気空調、冷蔵庫）の基本的非教師付き分解能が、集約電力のみを用いる場合と比較して、居住状況や静的特性といった家庭の特徴の推定を顕著に向上させることを示している。結果として、居住状況の推定が最大30%向上し、世帯規模や世帯員数の分類精度が最大10%向上した。これは、実用的応用において、きわめて基本的な分解能でも十分に効果を発揮することを証明している。

ABSTRACT

Since the early 1980s, the research community has developed ever more sophisticated algorithms for the problem of energy disaggregation, but despite decades of research, there is still a dearth of applications with demonstrated value. In this work, we explore a question that is highly pertinent to this research community: how good does energy disaggregation need to be in order to infer characteristics of a household? We present novel techniques that use unsupervised energy disaggregation to predict both household occupancy and static properties of the household such as size of the home and number of occupants. Results show that basic disaggregation approaches performs up to 30% better at occupancy estimation than using aggregate power data alone, and are up to 10% better at estimating static household characteristics. These results show that even rudimentary energy disaggregation techniques are sufficient for improved inference of household characteristics. To conclude, we re-evaluate the bar set by the community for energy disaggregation accuracy and try to answer the question "how good is good enough?"

研究の動機と目的

• 集約電力のみを用いる場合と比較して、非教師付きエネルギー分解能技術が、居住状況や静的特性といった家庭の特徴の推定をどの程度向上させるかを調査すること。
• 周期的背景負荷（例：暖房換気空調、冷蔵庫）の非教師付き分解能が、家庭の動的特性や静的特徴を予測する集約電力データを上回る性能を示すかを評価すること。
• 従来の高い分解能精度指標に依存する伝統的枠組みを疑問視し、応用指向の評価基準を提唱すること。
• 実用的エネルギー応用において実質的な価値を提供するための分解能精度の閾値を特定すること。

提案手法

• ハートのアルゴリズムを用いた非教師付きエネルギー分解能により、集約電力トレースから周期的背景負荷（例：暖房換気空調、冷蔵庫）を分離した。
• 居住状況特徴推定のため、非教師付き家電単位トレースから、夜間の暖房換気空調電力平均値や最大電力などの特徴量を抽出した。
• 教師ありおよび非教師ありの分解能手法（ハートのアルゴリズム vs. FHMM）を適用し、従来のNILM指標と応用指向タスクにおける性能を比較した。
• 集約データから得た特徴量を用いて分類器を学習・評価し、収入、階数、部屋数、世帯員数などの家庭特徴を予測した。
• 集約された特徴量（例：暖房換気空調最大電力、夜間平均電力）と真値との相関関係を分析し、特徴量の正確性を検証した。
• 標準指標を用いて性能を評価した：分解能の評価にはFスコア、RMSE、エネルギー誤差率を、家庭特徴推定の評価には分類精度を用いた。

実験結果

リサーチクエスチョン

• RQ1 高電力の背景負荷の非教師付きエネルギー分解能が、集約電力データのみを用いる場合と比較して、居住状況推定の精度をどの程度向上させるか？
• RQ2 基本的な分解能が、住宅規模、世帯員数、収入といった静的家庭特徴の予測をどの程度向上させるか？
• RQ3 従来のNILM指標では低い性能を示すにもかかわらず、なぜ非教師付き手法が居住状況特徴推定といった応用指向タスクで教師あり手法を上回るのか？
• RQ4 エネルギー管理やホームアナリティクスの実用的応用を実現するためには、どの程度の分解能精度が十分とされるか？

主な発見

• ハートの非教師付きアルゴリズムを用いた非教師付きエネルギー分解能により、集約電力データのみを用いる場合と比較して、居住状況推定の精度が最大30%向上した。
• 集約データに比べ、集約された特徴量を用いることで、世帯員数の分類精度が10%向上し、部屋数の分類精度が8%向上した。
• 従来のNILM指標（例：Fスコア、RMSE）では低い性能を示したにもかかわらず、ハートの非教師付き手法は、家庭特徴の分類タスクにおいて教師ありFHMMアルゴリズムを上回った。
• 集約された暖房換気空調特徴量（例：夜間平均電力、最大電力）と実測値との相関は高く、それぞれR² = 0.62および0.65であった。これが優れた推定性能を説明している。
• 非教師付き分解能から得た特徴量でさえ、従来の集約データを上回る分類精度を達成でき、これは標準指標では高い精度とは言えないにもかかわらず、重要な家庭特徴の推定において有効であることを示している。
• これらの結果は、応用指向の評価指標が、従来のNILM精度ベンチマークを上回るべきであり、「どれほど良いのが十分か」を定義するのにも適していることを示唆している。