[论文解读] Data augmentation for dealing with low sampling rates in NILM

Tai Le Quy, Sergej Zerr+2 more|arXiv (Cornell University)|Mar 30, 2021

Advanced Adaptive Filtering Techniques参考文献 12被引用 4

一句话总结

本文提出通过插值技术（如Denton-Cholette、分段式、三次样条及设备特定方法）进行数据增强，以提升低频电能分解数据的采样率，用于非侵入式负载监测（NILM）。该方法提升了NILM算法性能，其中设备特定插值在冷却、娱乐和计算机电器上取得最高F-score提升，表明数据级增强可增强模型在低采样数据集上的鲁棒性与准确性。

ABSTRACT

Data have an important role in evaluating the performance of NILM algorithms. The best performance of NILM algorithms is achieved with high-quality evaluation data. However, many existing real-world data sets come with a low sampling quality, and often with gaps, lacking data for some recording periods. As a result, in such data, NILM algorithms can hardly recognize devices and estimate their power consumption properly. An important step towards improving the performance of these energy disaggregation methods is to improve the quality of the data sets. In this paper, we carry out experiments using several methods to increase the sampling rate of low sampling rate data. Our results show that augmentation of low-frequency data can support the considered NILM algorithms in estimating appliances' consumption with a higher F-score measurement.

研究动机与目标

• 解决真实世界电能分解数据集中因采样率低和数据不完整导致的NILM性能差的问题。
• 提升低采样率数据集（例如1/60 Hz）的质量，以支持更精确的电器级功率消耗估计。
• 探究是否可通过数据级增强提升现有NILM算法性能，而无需修改算法本身。
• 评估不同插值技术在从稀疏数据重建高分辨率时间序列方面的有效性。
• 证明数据增强是一种可行的、与方法无关的提升NILM性能的策略，尤其适用于数据需求高的深度学习模型。

提出的方法

• 应用多种插值技术（Denton-Cholette、分段式、三次样条及设备特定插值）从低采样率的功率消耗数据中重建高采样率信号。
• 使用两个基准数据集（ECO和iAWE），原始采样率为1 Hz，将其下采样至1/60 Hz以进行增强实验。
• 应用增强技术生成合成的高频数据，同时保持原始信号的时间特性和功率特性。
• 使用两种成熟的NILM算法进行评估：Weiss算法（有监督）和Parson算法（半监督，使用因子HMM）。
• 以F-score为主要指标评估性能，比较原始数据、下采样数据和增强数据在不同电器类别中的表现。
• 将电器按功能类别分组（冷却、烹饪、娱乐、计算机、照明），以分析不同设备类型下的性能差异。

实验结果

研究问题

• RQ1 通过插值实现的数据增强是否能显著提升低采样率数据集上NILM算法的F-score？
• RQ2 在Denton-Cholette、分段式、三次样条和设备特定插值中，哪种方法在电能分解中表现最佳？
• RQ3 数据增强如何影响不同电器类型（尤其是低功率或功率波动电器）的NILM算法性能？
• RQ4 所提出的基于数据层面的增强方法是否可在不同NILM算法和数据集上泛化？
• RQ5 增强在多大程度上缓解了数据稀疏性和低采样率对NILM性能的负面影响？

主要发现

• 设备特定插值实现了最高的平均F-score提升，Weiss算法在ECO数据集中对冷却设备的F-score达到0.744，对烹饪设备为0.300。
• Parson算法在冷却和计算机电器上使用设备特定插值和分段式插值时表现优异，F-score分别达到0.620和0.485。
• Denton-Cholette方法生成了更平滑的时间序列，但降低了事件检测精度，导致F-score下降（例如Weiss算法在iAWE上的F-score为0.305），表明过度平滑会损害性能。
• 三次样条和分段式插值结果不一，其中三次样条在ECO上表现较差（Weiss算法F-score为0.176），可能因对噪声或数据间隙的过拟合。
• 照明设备在所有方法中F-score均较低，因其功率消耗低，表明即使经过增强，该类电器仍是NILM的持续挑战。
• 在某些情况下，原始高质量数据（1 Hz）优于所有增强版本，但与下采样数据相比，增强显著提升了性能，例如Weiss算法在iAWE上使用分段式插值的F-score从0.206提升至0.416。