[论文解读] Conv-NILM-Net, a causal and multi-appliance model for energy source separation

Mohamed Alami C., Jérémie Decock+2 more|arXiv (Cornell University)|Oct 1, 2022

Smart Grid Energy Management参考文献 34被引用 5

一句话总结

本文提出 Conv-NILM-Net，一种完全卷积、因果的深度学习模型，用于非侵入式负荷监测（NILM）中的端到端多电器能量源分离。受 Convtas-Net 启发，该模型采用编码器-解码器架构，并引入可学习掩码，实现实时将聚合功率信号分解为单个电器负载，仅使用 41,088 个参数，在 REDD 和 UK-DALE 数据集上达到最先进性能——显著小于同类模型，同时保持高精度与因果性，适用于在线应用。

ABSTRACT

Non-Intrusive Load Monitoring (NILM) seeks to save energy by estimating individual appliance power usage from a single aggregate measurement. Deep neural networks have become increasingly popular in attempting to solve NILM problems. However most used models are used for Load Identification rather than online Source Separation. Among source separation models, most use a single-task learning approach in which a neural network is trained exclusively for each appliance. This strategy is computationally expensive and ignores the fact that multiple appliances can be active simultaneously and dependencies between them. The rest of models are not causal, which is important for real-time application. Inspired by Convtas-Net, a model for speech separation, we propose Conv-NILM-net, a fully convolutional framework for end-to-end NILM. Conv-NILM-net is a causal model for multi appliance source separation. Our model is tested on two real datasets REDD and UK-DALE and clearly outperforms the state of the art while keeping a significantly smaller size than the competing models.

研究动机与目标

• 开发一种用于非侵入式负荷监测（NILM）中多电器能量源分离的实时、因果模型，避免对未来的信号依赖。
• 通过共享表征学习，克服单任务、非因果模型的局限，实现实时同步分解多个电器。
• 与现有最先进模型相比，减少模型大小和计算成本，同时保持或提升分解精度。
• 通过确保因果性和实时推理能力，使模型可集成至在线能源管理系统，如强化学习代理。

提出的方法

• 模型采用完全卷积的编码器-解码器架构，将输入的聚合功率信号映射到潜在空间。
• 分离模块学习 C 个独立掩码（每个电器一个），应用于潜在表征以隔离单个电器信号。
• 架构显式设计为因果，确保时间 t 的预测仅依赖于过去和当前输入，不依赖未来数据。
• 使用单一损失函数进行端到端训练，实现多电器源分离，避免为激活和回归任务分别设置损失函数。
• 该方法受 Convtas-Net 启发，利用空洞卷积和残差连接实现有效的长程时间建模。
• 评估了两种变体：标准因果模型与引入门控线性单元（GLU）以建模电器依赖关系的因果增强变体。

实验结果

研究问题

• RQ1 单一、端到端、完全卷积的模型是否能在保持计算轻量化的同时，实现多电器能量分解的最先进性能？
• RQ2 在模型架构中强制实施因果性，是否能实现真正的实时、在线能量分解，适用于强化学习驱动的能源管理系统部署？
• RQ3 在分离器中引入门控线性单元（GLU）在在多大程度上通过建模电器状态之间的相互依赖关系提升性能？
• RQ4 与使用多损失函数或更深架构的现有 SOTA 模型相比，该模型的参数效率如何？

主要发现

• Conv-NILM-Net 在 REDD 和 UK-DALE 数据集上达到最先进性能，REDD 建筑 1 中水壶的平均绝对误差（MAE）为 1.85 W，优于 seq2point 和 UNET-NILM。
• 在 UK-DALE 数据集上，Conv-NILM-Net 的因果变体相比 seq2point 将总 MAE 降低了 33%，证明其具备强大的实时推理能力。
• 在 REDD 建筑 1 的冰箱上，模型取得 96.4% 的 F1 分数，MAE 仅为 0.002 W，表明对低功耗电器的分解具有极高精度。
• 仅含 41,088 个参数，Conv-NILM-Net 显著小于同类竞争模型——例如，seq2point 拥有 2920 万个参数——使其在部署中极具效率。
• 引入 GLU 的因果增强变体在多个电器上进一步提升了性能，表明建模电器依赖关系可增强分解精度。
• 与 UNET-NILM 等多损失方法相比，该模型采用单任务、端到端训练并仅使用一个损失函数，简化了训练流程，并提升了泛化能力。