[论文解读] Neural Network for NILM Based on Operational State Change Classification

Peng Xiao, Samuel Cheng|arXiv (Cornell University)|Feb 5, 2019

Fault Detection and Control Systems参考文献 26被引用 6

一句话总结

本文提出一种用于非侵入式负载监测（NILM）的深度神经网络（DNN），仅通过总功率数据即可对电器的运行状态变化进行分类，无需估计开启/关闭状态或功耗。该方法在复杂度更低、所需数据更少的情况下，实现了与现有先进深度学习方法相当的性能，在REDD数据集上优于HMM和GSP基准方法以及GRU-RNN模型，尤其在如厨房插座等波动较大的电器上表现更优。

ABSTRACT

Energy disaggregation in a non-intrusive way estimates appliance level electricity consumption from a single meter that measures the whole house electricity demand. Recently, with the ongoing increment of energy data, there are many data-driven deep learning architectures being applied to solve the non-intrusive energy disaggregation problem. However, most proposed methods try to estimate the on-off state or the power consumption of appliance, which need not only large amount of parameters, but also hyper-parameter optimization prior to training and even preprocessing of energy data for a specified appliance. In this paper, instead of estimating on-off state or power consumption, we adapt a neural network to estimate the operational state change of appliance. Our proposed solution is more feasible across various appliances and lower complexity comparing to previous methods. The simulated experiments in the low sample rate dataset REDD show the competitive performance of the designed method, with respect to other two benchmark methods, Hidden Markov Model-based and Graph Signal processing-based approaches.

研究动机与目标

• 解决现有深度学习模型在NILM中需要大量超参数调优、大规模数据以及针对每种电器进行预处理的局限性。
• 探究是否可以将运行状态变化检测（即总功率的显著变化）作为替代开启/关闭状态或功耗估计的更通用、更低复杂度的方案。
• 评估DNN在仅使用单户家庭的少量数据下，对多种电器类型检测运行状态变化的可行性与性能。
• 在真实世界数据上，将所提出的DNN与HMM、图信号处理（GSP）以及基于GRU的RNN等成熟基准方法进行比较。

提出的方法

• 训练一个深度神经网络（DNN）以分类给定时间段的总功率数据是否对应于运行状态变化（如电器启停或模式切换）。
• 模型以单个总功率时间窗口作为输入，输出二元预测：该点是否发生了状态变化。
• 训练数据基于REDD数据集中真实的总功率测量结果构建，状态变化通过功耗的统计变化进行标注。
• DNN采用标准反向传播进行端到端训练，无需数据合成、类别平衡或电器特定的预处理。
• 网络架构在各类电器间保持简单且一致，从而实现对不同类型设备的泛化能力。
• 性能通过状态变化检测的F1值进行评估，并与HMM、GSP以及基于GRU的RNN模型采用相同的评估协议进行比较。

实验结果

研究问题

• RQ1 仅使用总功率数据，深度神经网络能否有效检测电器的运行状态变化，而无需估计开启/关闭状态或功耗水平？
• RQ2 所提出的DNN在检测状态变化方面与HMM和图信号处理（GSP）等成熟方法相比表现如何？
• RQ3 与估计小窗口功耗的基于RNN的模型相比，DNN是否能在更少数据和更低复杂度下实现相当的性能？
• RQ4 该模型在多种电器类型（包括多状态和低频设备）上的泛化能力如何？

主要发现

• 所提出的DNN在REDD数据集三个家庭的全部测试电器上均实现了具有竞争力的F1分数，尤其在厨房插座等高波动电器上优于基于GSP的方法。
• 在House 6的厨房插座上，DNN的F1分数达到1.0，显著优于GSP基线和GRU-RNN模型。
• 对于洗碗机等多状态电器，所有方法的性能普遍较低，主要因与基础负载相似且运行频率低，但DNN仍表现出良好的鲁棒性。
• GRU-RNN模型（用于估计小段总数据）在大多数情况下表现显著差于DNN，尤其在开启/关闭频率低且波动大的电器上。
• DNN仅使用单户家庭的少量训练数据即实现优异性能，表明运行状态变化具有统计上的规律性。
• 与以往需要针对电器进行调优和预处理的深度学习模型相比，该方法在复杂度和跨多种电器的可行性方面更具优势。