[论文解读] A comparison of non-intrusive load monitoring methods for commercial and residential buildings

Nipun Batra, Oliver Parson+3 more|arXiv (Cornell University)|Aug 27, 2014

Smart Grid Energy Management参考文献 32被引用 83

一句话总结

本文使用印度一所教育园区的高分辨率智能电表数据集，评估了商业建筑中的非侵入式负荷监测（NILM）方法，发现住宅NILM的假设在商业环境中失效，原因在于负载复杂、多变且相互关联。本文发布了COMBED数据集，并表明在更细粒度的计量层级下，分解性能显著提升，尤其在暖通空调（HVAC）系统方面；同时强调了对瞬态负载（如电梯）需更高采样率和先进算法的需求。

ABSTRACT

Non intrusive load monitoring (NILM), or energy disaggregation, is the process of separating the total electricity consumption of a building as measured at single point into the building's constituent loads. Previous research in the field has mostly focused on residential buildings, and although the potential benefits of applying this technology to commercial buildings have been recognised since the field's conception, NILM in the commercial domain has been largely unexplored by the academic community. As a result of the heterogeneity of this section of the building stock (i.e., encompassing buildings as diverse as airports, malls and coffee shops), and hence the loads within them, many of the solutions developed for residential energy disaggregation do not apply directly. In this paper we highlight some insights for NILM in the commercial domain using data collected from a large smart meter deployment within an educational campus in Delhi, India, of which a subset of the data has been released for public use. We present an empirical characterisation of loads in commercial buildings, highlighting the differences in energy consumption and load characteristics between residential and commercial buildings. We assess the validity of the assumptions generally made by NILM solutions for residential buildings when applied to measurements from commercial facilities. Based on our observations, we discuss the required traits for a NILM system for commercial buildings, and run benchmark residential NILM algorithms on our data set to confirm our observations. To advance the research in commercial buildings energy disaggregation, we release a subset of our data set, called COMBED (commercial building energy data set).

研究动机与目标

• 评估常见住宅NILM假设（如单个电器事件依次发生、稳态运行）在商业建筑环境中的适用性。
• 识别商业建筑电能分解中的关键挑战，包括变频驱动、功率因数校正及高事件频率。
• 使用新发布的高分辨率数据集，评估现有住宅NILM算法在商业建筑数据上的性能。
• 发布COMBED数据集，以推动商业建筑电能分解研究。
• 为未来专为商业设施设计的NILM系统提出设计需求，包括对复杂计量层级结构的支持和高频传感能力。

提出的方法

• 从印度德里一所大型教育园区收集了覆盖多种商业建筑类型的高分辨率（1 Hz）智能电表数据。
• 对负载特性进行实证分析，比较住宅与商业建筑在能耗和事件动态方面的差异。
• 在不同聚合层级（建筑整体与楼层级别）上，对标准住宅NILM算法（特别是CO，即切换检测法）在商业数据上的表现进行评估。
• 采用基于熵的指标和NPEET工具箱，分析不同计量点的负载可变性和分解性能。
• 通过降采样评估时间分辨率对分解精度的影响，特别是对电梯等瞬态负载的影响。
• 提出对NILMTK元数据模式的改进，以支持复杂的商业计量层级结构，并探索信息论指标以确定最优传感策略。

实验结果

研究问题

• RQ1 住宅NILM所依赖的假设（如单个电器事件依次发生、稳态功率）在商业建筑环境中是否成立？
• RQ2 商业负载中高事件频率和高变异性（如基于VFD的HVAC系统）在多大程度上会降低标准住宅NILM算法的性能？
• RQ3 与仅使用建筑总计量相比，采用更细粒度的计量（如楼层级）是否能提升商业设施中的分解精度？
• RQ4 瞬态负载（如电梯和变频驱动）如何影响NILM性能？检测这些负载所需的采样率是多少？
• RQ5 在部署有效的NILM系统时，商业建筑的关键系统级需求是什么，特别是与现有建筑自动化系统和资产管理的集成？

主要发现

• 商业建筑的能耗远高于住宅建筑，且负载事件数量多出数个数量级，这使得住宅NILM中常见的‘单个事件依次发生’假设难以成立。
• 在建筑整体层级，AHU（空气处理机组）的F-score为0.70，而在第五层的F-score提升至0.99，表明分解性能对计量粒度高度敏感。
• 将数据降采样至较低频率（如1 Hz）会掩盖电梯等短时瞬态事件的功率波动，表明对这类负载必须采用更高采样率。
• 在校园总电表和变压器2层级，冷水机组的F-score均达到1.0，表明当负载特征清晰且稳定时，性能表现极佳。
• 能源使用的时间模式，尤其是工作日与周末之间的显著差异，在商业建筑中更为突出，可被用于提升分解精度。
• 复杂负载（如VFD、功率因数校正装置、分布式能源资源）对NILM性能有显著影响，尤其在使用高频特征时更为明显。