[论文解读] A Survey on Non-Intrusive Load Monitoring Methodies and Techniques for Energy Disaggregation Problem

Anthony Faustine, Nerey H. Mvungi+2 more|arXiv (Cornell University)|Mar 2, 2017

Smart Grid Energy Management参考文献 50被引用 121

一句话总结

本文综述了用于能源分解的NILM系统、方法、度量标准、基准工具、数据集以及未来方向。

ABSTRACT

The rapid urbanization of developing countries coupled with explosion in construction of high rising buildings and the high power usage in them calls for conservation and efficient energy program. Such a program require monitoring of end-use appliances energy consumption in real-time. The worldwide recent adoption of smart-meter in smart-grid, has led to the rise of Non-Intrusive Load Monitoring (NILM); which enables estimation of appliance-specific power consumption from building's aggregate power consumption reading. NILM provides households with cost-effective real-time monitoring of end-use appliances to help them understand their consumption pattern and become part and parcel of energy conservation strategy. This paper presents an up to date overview of NILM system and its associated methods and techniques for energy disaggregation problem. This is followed by the review of the state-of-the art NILM algorithms. Furthermore, we review several performance metrics used by NILM researcher to evaluate NILM algorithms and discuss existing benchmarking framework for direct comparison of the state of the art NILM algorithms. Finally, the paper discuss potential NILM use-cases, presents an overview of the public available dataset and highlight challenges and future research directions.

研究动机与目标

• 推动在建筑物中实现实时、非侵入式的末端用能监测，以支持节能和政策评估。
• 提供关于NILM架构、方法和用于能源分解的技术的最新综述。
• 回顾分领域的最先进NILM算法（基于HMM、图信号处理和深度学习）。
• 讨论评估指标和基准框架，以实现对NILM方法的公平比较。
• 突出公开数据集、用例、挑战以及未来研究方向。

提出的方法

• 将NILM方法分为基于事件的检测与基于状态的事件检测器。
• 描述家电签名及瞬态与稳态特征之间的区别。
• 调查学习/推断范式（监督学习 vs 无监督学习；HMM、FHMM 与深度学习混合模型）。
• 讨论图信号处理（GSP）在NILM中的应用及其局限性。
• 总结深度学习架构（RNN、CNN、自编码器，以及混合HMM/DNN模型）。
• 概述评估指标以及像NILMTK和NILM-Eval这样的基准工具的重要性。

实验结果

研究问题

• RQ1 用于将总功率读数分解为分项用能的主要NILM方法有哪些？
• RQ2 NILM模型如何学习与推断，监督学习与无监督方法之间的权衡是什么？
• RQ3 存在哪些度量标准和基准框架来公平评估NILM算法？
• RQ4 有哪些公开数据集可用于NILM研究，它们支持哪些用例？
• RQ5 哪些挑战和未来方向影响NILM在现实建筑中的研究与部署？

主要发现

• 基于HMM和FHMM的方法在无监督NILM中占主导地位，且有扩展和变体以应对多状态家电。
• 图信号处理和深度学习提供了替代的NILM范式，各自在人X训练数据和实时推断方面的优点与局限。
• 存在广泛的评估指标（准确性、F-measure、RMSE、de、EEFI等），但缺乏标准化的基准。
• 开源基准工具包NILMTK和NILM-Eval实现可重复的比较，但存在局限性和集成缺口。
• 各种公开数据集（REDD、UK-DALE、UK-DALE、REFIT、GREEND、AMPDS 等）支持多样的传感分辨率和情境。
• 综述指出的挑战包括对大量家电的扩展性、对带标注数据的需求、噪声敏感性以及实时性适用性，概述未来研究方向。