[论文解读] A Dynamical Systems Approach to Energy Disaggregation

Roy Dong, Lillian J. Ratliff+2 more|arXiv (Cornell University)|Apr 2, 2013

Smart Grid Energy Management参考文献 17被引用 3

一句话总结

该论文提出了一种用于能耗分解的动态系统框架，将每台电器建模为单输入单输出系统，通过最优控制与系统辨识技术，从总测量值中估计设备级功率消耗。该方法在模拟和真实实验数据上均实现了高精度的分解，且通过最大功率限制等物理先验知识对微小误差进行了校正。

ABSTRACT

Energy disaggregation, also known as non-intrusive load monitoring (NILM), is the task of separating aggregate energy data for a whole building into the energy data for individual appliances. Studies have shown that simply providing disaggregated data to the consumer improves energy consumption behavior. However, placing individual sensors on every device in a home is not presently a practical solution. Disaggregation provides a feasible method for providing energy usage behavior data to the consumer which utilizes currently existing infrastructure. In this paper, we present a novel framework to perform the energy disaggregation task. We model each individual device as a single-input, single-output system, where the output is the power consumed by the device and the input is the device usage. In this framework, the task of disaggregation translates into finding inputs for each device that generates our observed power consumption. We describe an implementation of this framework, and show its results on simulated data as well as data from a small-scale experiment.

研究动机与目标

• 开发一种无需每台设备传感器的、基于数据驱动的动态系统框架，用于非侵入式负荷监测（NILM）。
• 通过将设备功率消耗建模为可辨识输入的动态系统，提升能耗分解的准确性。
• 实现与智能建筑中实时控制和需求响应系统的集成。
• 通过利用设备特定的系统模型，减少对大规模无监督训练数据集的依赖。
• 解决现有无监督方法（如HMM和稀疏编码）在低数据场景下的局限性。

提出的方法

• 每台电器被建模为单输入单输出（SISO）动态系统，功率消耗为输出，设备使用情况为输入。
• 将分解问题表述为最优控制逆问题：恢复生成观测到的总功率信号的输入（设备使用情况）。
• 使用系统辨识技术从有限的训练数据中估计设备动态特性，包括带外生输入的自回归模型（ARX）。
• 应用变化检测算法，为实验设置中的设备启停模式生成输入信号。
• 利用物理先验（如最大电流消耗，例如显示器为10 A）校正估计中的误分类错误。
• 在模拟数据和包含真实电器（微波炉、 toasting oven、电水壶）的小规模实验中验证了该框架。

实验结果

研究问题

• RQ1 与无监督方法相比，动态系统框架是否能提升能耗分解的准确性？
• RQ2 能否从有限的训练数据中准确估计设备特定的系统模型？
• RQ3 基于最优控制的总信号反演能否恢复单个设备的功率消耗？
• RQ4 物理约束（如最大功率）如何提升分解的鲁棒性？
• RQ5 设备动态特性与瞬态行为（如微波炉的启动过程）在多大程度上影响模型准确性？

主要发现

• 在模拟能耗分解数据上，该方法实现了完全恢复，表明在理想条件下具有理论上的准确性。
• 在真实实验数据上，估计的功率信号与真实测量值非常接近，仅有微小偏差。
• 微波炉最初被误分类为显示器，因其功率动态特性相似，但通过应用最大电流先验（10 A）后成功纠正了识别错误。
• 在低数据场景下，该框架优于HMM和稀疏编码等无监督方法，因其利用了设备特定的动力学特性，而非依赖大规模词典。
• 如微波炉的两步功率上升过程，标准过阻尼模型难以准确捕捉，表明未来工作需引入混合系统建模。
• 该方法成功将设备动态特性与用户行为解耦，实现了设备特性与使用模式的独立学习。