[论文解读] Complexity of Power Draws for Load Disaggregation

Dominik Egarter, Manfred Pöchacker+1 more|arXiv (Cornell University)|Jan 13, 2015

Smart Grid Energy ManagementEngineering参考文献 32被引用 17

一句话总结

本文提出了两种新颖的、与算法无关的负载分解问题复杂度度量方法：设备集合复杂度和时间序列复杂度，分别基于设备的功率状态和时间使用模式。在真实世界数据集上使用最先进的NILM算法进行评估，这些度量方法成功通过量化区分设备的难度，实现了对问题难度的分类，且独立于所使用的分解方法。

ABSTRACT

Non-Intrusive Load Monitoring (NILM) is a technology offering methods to identify appliances in homes based on their consumption characteristics and the total household demand. Recently, many different novel NILM approaches were introduced, tested on real-world data and evaluated with a common evaluation metric. However, the fair comparison between different NILM approaches even with the usage of the same evaluation metric is nearly impossible due to incomplete or missing problem definitions. Each NILM approach typically is evaluated under different test scenarios. Test results are thus influenced by the considered appliances, the number of used appliances, the device type representing the appliance and the pre-processing stages denoising the consumption data. This paper introduces a novel complexity measure of aggregated consumption data providing an assessment of the problem complexity affected by the used appliances, the appliance characteristics and the appliance usage over time. We test our load disaggregation complexity on different real-world datasets and with a state-of-the-art NILM approach. The introduced disaggregation complexity measure is able to classify the disaggregation problem based on the used appliance set and the considered measurement noise.

研究动机与目标

• 解决由于测试条件不一致和问题定义不完整，导致NILM算法之间缺乏公平比较的问题。
• 识别影响负载分解复杂度的关键因素，包括设备类型、功率状态、使用模式以及预处理阶段。
• 开发一种定量的、与算法无关的度量方法，基于设备特性与时间行为，评估负载分解问题的固有复杂度。
• 通过将算法性能与问题特定难度解耦，实现不同数据集间NILM性能的有意义比较。
• 证明复杂度度量与分解难度相关，但与特定算法性能无关，验证其作为问题描述符的作用。

提出的方法

• 将设备集合复杂度定义为不同设备功率状态之间相似性的统计度量，捕捉基于其电气特征区分设备的难度。
• 将时间序列复杂度定义为观测到的噪声功率信号与可能的设备状态集合之间相似性的度量，反映时间上的可变性及噪声的影响。
• 使用真实世界家庭用电数据集（如GREEND、UK-DALE）通过聚类或主动功率轨迹分割提取功率状态。
• 应用最先进的NILM算法（如SMD、基于NILMTK的算法）在与复杂度计算相同的数据库上评估分解性能。
• 针对每个数据集和时间窗口计算两种复杂度度量，使用基于熵或距离的相似性度量来量化状态重叠与信号模糊性。
• 通过案例研究验证度量方法，将复杂度值与实际分解准确率进行比较，显示问题难度分类的一致性。

实验结果

研究问题

• RQ1 设备功率状态的数量及其相似性在多大程度上影响负载分解问题的固有复杂度？
• RQ2 时间上的设备使用行为在多大程度上影响聚合功率信号的复杂度，且独立于设备集合本身？
• RQ3 能否构建一种与NILM算法无关的复杂度度量，以实现在不同数据集和方法间的公平比较？
• RQ4 预处理步骤（如噪声滤波）如何影响负载分解问题的测量复杂度？
• RQ5 所提出的复杂度度量是否与实际的负载分解性能相关，还是仅作为问题描述符？

主要发现

• 设备集合复杂度度量有效捕捉了基于功率状态相似性区分设备的难度，复杂度越高表示模糊性越大。
• 时间序列复杂度度量反映了设备使用模式和测量噪声的影响，表明即使设备集合复杂，若使用规律且可预测，复杂度也可能较低。
• 两种复杂度度量相互独立：高设备集合复杂度并不意味着高时间序列复杂度，反之亦然，证实了它们的互补性。
• 所提出的复杂度度量与算法无关，并在多个真实世界数据集上成功对不同分解问题的难度进行了分类。
• 这些度量与负载分解的难度相关，但无法预测特定NILM算法的性能，确认其作为问题描述符而非性能预测器的角色。
• 案例研究显示，复杂度度量在不同房屋和数据集间保持一致，验证了其作为相对而非绝对问题难度指标的可靠性。