[論文レビュー] Non-Intrusive Load Monitoring: A Review and Outlook

Christoph Klemenjak, Peter Goldsborough|arXiv (Cornell University)|Oct 4, 2016

Smart Grid Energy Management被引用数 14

ひとこと要約

この論文は、単一のスマートメーターからのデータを用いた家庭の電力消費を非侵襲的（NILM）に分解する技術についてレビューしており、家電機器のモデル化、デバイスの特徴、教師あり・教師なし学習手法をカバーしている。特に深層学習、特にニューラルネットワークを用いた最近の進展が強調されており、因子隠れマルコフモデル（FHMM）などの伝統的手法よりも優れた性能を示している。

ABSTRACT

With the roll-out of smart meters the importance of effective non-intrusive load monitoring (NILM) techniques has risen rapidly. NILM estimates the power consumption of individual devices given their aggregate consumption. In this way, the combined consumption must only be monitored at a single, central point in the household, providing various advantages such as reduced cost for metering equipment. In this paper we discuss the fundamental building-blocks of NILM, first giving a taxonomy of appliance models and device signatures and then explaining common supervised and unsupervised learning methods. Furthermore, we outline a fundamental algorithm that tackles the task of NILM. Subsequently, this paper reviews recent research that has brought novel insight to the field and more effective techniques. Finally, we formulate future challenges in the domain of NILM and smart meters.

研究の動機と目的

• 家電機器のモデル化、特徴、学習手法を含むNILMの基礎を包括的にレビューすること。
• 負荷分解における教師ありおよび教師なし学習手法の有効性を分析すること。
• 特にRNNやノイズ除去オートエンコーダを含む深層学習モデルの応用を含む、NILM分野における最近の進展を評価すること。
• 今後のNILMシステムにおけるリアルタイム処理、データプライバシー、システム展開に関する主な課題を特定すること。
• 家庭のエネルギー浪費削減およびスマートグリッド応用へのNILMの可能性を評価すること。

提案手法

• 電力消費行動に基づき、家電機器をオン/オフ型、マルチステート型、無限ステート型モデルに分類する。
• 短い時間窓内での状態遷移が少ないという仮定に基づき、スイッチ連続性原理を適用して状態遷移誤差を最小限に抑える。
• 負荷分解に因子隠れマルコフモデル（FHMM）と最適化ベースの手法を適用する。
• クラウドまたはエッジデバイスを用いて、リアルタイムでのデバイス検出、モデル化、トラッキングを実行するオンラインNILMフレームワークを導入する。
• 3種類のニューラルネットワークアーキテクチャを採用する：特徴学習に再帰型ネットワーク、集約ノイズからのデバイス信号の分離にノイズ除去オートエンコーダ、デバイスの起動タイミングと電力レベルの予測に標準的な順方向ネットワーク。
• 1年間にわたりオーストリアおよびイタリアの9世帯から1 Hzで収集されたGREENDデータセットを、モデルの学習および評価に使用する。

実験結果

リサーチクエスチョン

• RQ1 集約された家庭の電力測定値から、個々の家電機器の電力消費をどのように正確に分解できるか？
• RQ2 教師あり学習と教師なし学習のどちらがNILMにおいてより効果的であり、性能面でどのように比較されるか？
• RQ3 RNNやノイズ除去オートエンコーダのような深層学習モデルは、FHMMなどの伝統的アプローチを上回る性能を示せるか？
• RQ4 多数の世帯にわたるスケールでのリアルタイム、オンラインNILMシステムの展開における主な課題は何か？
• RQ5 データ品質とサンプリング周波数は、長期監視においてNILMアルゴリズムの正確さにどのように影響するか？

主な発見

• RNNやノイズ除去オートエンコーダを含むニューラルネットワークベースのアプローチは、評価されたすべての指標で従来の負荷分解アルゴリズムを上回っている。
• 1 Hzのサンプリングレートと1年間の期間を持つGREENDデータセットは、季節的家電行動の強固なモデリングを可能にし、REDD や BLUED よりも短いデータセットを上回っている。
• リアルタイムでのデバイス検出とトラッキングを実行するオンラインNILM処理は、電力会社向けの予測や即時のフィードバックにおいて利点を有するが、計算上の大きな課題を伴う。
• スイッチ連続性原理は、短い時間間隔におけるスイッチング活動が最小限であると仮定することで、状態遷移検出における誤検出（偽陽性）を効果的に低減する。
• スマートメーターの測定誤差が10–20%であることは、NILMの正確性を高めるために、ハードウェアの改善とより高精度なエネルギー監視ICの開発が不可欠であることを示している。
• 進展は見られるものの、データプライバシーの懸念はクラウドベースのNILM展開の主要な障壁のままであり、オンプレミス処理の代替手段としてエッジコンピューティング（例：Raspberry Pi）の活用が有効であると考えられる。