[논문 리뷰] NILM as a regression versus classification problem: the importance of thresholding

Daniel Precioso, David Gómez‐Ullate|arXiv (Cornell University)|2020. 10. 28.

Smart Grid Energy Management참고 문헌 33인용 수 4

한 줄 요약

이 논문은 비침습적 부하 모니터링(NILM)을 분류 문제로 설정할 때와 회귀 문제로 설정할 때 임계치 설정 방법의 영향을 조사한다. UK-DALE 데이터셋에서 수동, 이동 평균, 분산 기반의 세 가지 임계치 설정 기법을 비교하여, 최적의 임계치 설정을 사용한 분류 모델이 특히 저전력 또는 간헐적인 작동을 하는 기기의 경우 전력 신호 복원에서 회귀 모델을 능가할 수 있음을 보여준다.

ABSTRACT

Non-Intrusive Load Monitoring (NILM) aims to predict the status or consumption of domestic appliances in a household only by knowing the aggregated power load. NILM can be formulated as regression problem or most often as a classification problem. Most datasets gathered by smart meters allow to define naturally a regression problem, but the corresponding classification problem is a derived one, since it requires a conversion from the power signal to the status of each device by a thresholding method. We treat three different thresholding methods to perform this task, discussing their differences on various devices from the UK-DALE dataset. We analyze the performance of deep learning state-of-the-art architectures on both the regression and classification problems, introducing criteria to select the most convenient thresholding method.

연구 동기 및 목표

• 연속적인 전력 신호를 ON/OFF 상태로 변환할 때 다양한 임계치 설정 방법이 NILM 모델 성능에 미치는 영향을 조사하는 것.
• 전력 소비에 직접적으로 회귀를 적용하는 것보다, 임계치 설정을 통한 분류 문제로 NILM를 설정할 경우 더 나은 결과를 얻을 수 있는지 평가하는 것.
• 모델 성능과 해석 가능성 양면에서 고려하여 가장 적절한 임계치 설정 방법을 선정하는 기준을 규명하는 것.
• 회귀와 분류 목표를 가중치 손실 함수에 통합하여 두 목표 간 상호작용을 분석하는 것.
• 시간 순서적 분할과 무작위 분할 방식의 차이가 모델 일반화 능력과 평가 안정성에 미치는 영향을 평가하는 것.

제안 방법

• 연속적인 전력 신호를 이진 ON/OFF 상태로 변환하기 위해 세 가지 임계치 설정 방법을 적용: 수동 임계치 설정(AT), 이동 평균 기반 임계치 설정(MP), 분산 기반 임계치 설정(VS).
• NILM 문제의 회귀 및 분류 설정에 대해 두 가지 딥러닝 아키텍처—합성곱 신경망(CONV)과 게이팅 순환 유닛(GRU)—을 학습시킨다.
• 가중치 손실 함수는 회귀 손실(평균 절대 오차)과 분류 손실(교차 엔트로피)을 조합하며, 두 목표를 균형 잡기 위한 하이퍼파라미터 w를 포함한다.
• 임계치 설정의 품질을 평가하기 위해 원본 전력 신호와 재구성된 이진 신호 간의 MAE(평균 절대 오차)를 내재 오차(intrinsic error)로 사용한다.
• 시간적 의존성을 유지하고 실제 운영 환경을 시뮬레이션하기 위해 데이터를 시간 순서적으로 훈련, 검증, 테스트 세트로 분할한다.
• 성능 평가는 분류의 경우 F1 점수, 회귀의 경우 MAE를 사용하며, 기기 유형별(전자밥솥, 세탁기, 냉장고)로 결과를 분석한다.

실험 결과

연구 질문

• RQ1 수동 임계치 설정(AT), 이동 평균 기반 임계치 설정(MP), 분산 기반 임계치 설정(VS) 등의 다양한 임계치 설정 방법이 회귀에서 분류로 전환할 때 NILM 모델 성능에 어떤 영향을 미치는가?
• RQ2 최적의 임계치 설정을 통한 분류 문제로 NILM를 설정할 경우, 직접적인 회귀보다 더 높은 재구성 정확도를 달성할 수 있는가?
• RQ3 임계치 설정 방법의 선택이 재구성된 기기 전력 신호의 해석 가능성과 내재 오차에 어떤 영향을 미치는가?
• RQ4 NILM의 공동 학습 목표에서 회귀와 분류 손실 간 최적의 균형은 무엇인가?
• RQ5 시간 순서적 분할과 무작위 분할 방식의 차이가 NILM 작업에서 모델 평가 및 일반화 능력에 어떤 영향을 미치는가?

주요 결과

• 전자밥솥의 경우, 최고 성능을 보인 분류 모델(MP 기반)이 어떤 회귀 모델보다도 재구성된 전력 신호의 MAE를 낮게 기록하여, 적절한 임계치 설정을 통한 분류가 회귀를 능가할 수 있음을 시사한다.
• 세탁기의 경우, 순수한 분류 모델(w=1)이 복잡한 작동 패tern을 보이는 기기임에도 불구하고, 가장 높은 성능의 회귀 모델보다 낮은 MAE를 기록하였다.
• 냉장고의 경우, w=1인 분류 모델이 가장 낮은 MAE를 기록하였으며, 회귀 모델 성능은 w가 증가함에 따라 악화되었는데, 이는 분류 모델이 냉장고의 저전력, 2진수에 가까운 동작 특성을 더 잘 반영함을 시사한다.
• 원본 신호와 재구성된 이진 신호 간의 MAE인 내재 오차는 F1 점수보다 더 신뢰할 수 있는 기준이었으며, 특히 신호가 약하거나 간헐적인 기기의 경우 더욱 유의미했다.
• 최적의 임계치 설정 방법은 기기 유형에 따라 크게 달라졌다: 전자밥솥에는 MP, 세탁기에는 VS, 냉장고에는 AT가 가장 우수한 성능을 보였다. 이는 기기별로 별도의 임계치 튜닝이 필요함을 시사한다.
• 가중치 손실 함수를 통해 회귀와 분류 손실을 통합함으로써 모든 기기에서 성능 향상을 기록하였지만, 최적의 가중치 w는 기기의 전력 프로파일과 작동 패턴에 따라 크게 달라졌다.