[论文解读] Domain Knowledge Aids in Signal Disaggregation; the Example of the Cumulative Water Heater

Belikov, Alexander, Guillaume Matheron+1 more|arXiv (Cornell University)|Mar 22, 2022

Smart Grid Energy Management参考文献 16被引用 2

一句话总结

本文提出了一种无监督、基于领域知识的方法，利用低频（30分钟）智能电表数据中的时间模式和非高峰时段激活行为，检测并分解累积式热水器（CWH）的能耗。该模型在真实数据上的精确率和召回率均超过0.9，并在5,000户家庭的数据集中成功识别出85%的申报CWH，从而实现对配置错误和性能退化的检测。

ABSTRACT

In this article we present an unsupervised low-frequency method aimed at detecting and disaggregating the power used by Cumulative Water Heaters (CWH) in residential homes. Our model circumvents the inherent difficulty of unsupervised signal disaggregation by using both the shape of a power spike and its time of occurrence to identify the contribution of CWH reliably. Indeed, many CHWs in France are configured to turn on automatically during off-peak hours only, and we are able to use this domain knowledge to aid peak identification despite the low sampling frequency. In order to test our model, we equipped a home with sensors to record the ground-truth consumption of a water heater. We then apply the model to a larger dataset of energy consumption of Hello Watt users consisting of one month of consumption data for 5k homes at 30-minute resolution. In this dataset we successfully identified CWHs in the majority of cases where consumers declared using them. The remaining part is likely due to possible misconfiguration of CWHs, since triggering them during off-peak hours requires specific wiring in the electrical panel of the house. Our model, despite its simplicity, offers promising applications: detection of mis-configured CWHs on off-peak contracts and slow performance degradation.

研究动机与目标

• 开发一种基于低频（30分钟）智能电表数据的无监督信号分解方法，用于检测累积式热水器（CWHs）。
• 利用特定领域的知识——特别是法国非高峰时段CWH的可预测激活行为——以提升在低时间分辨率下的检测精度。
• 在单户家庭的真实数据集上验证模型，随后将其扩展至约5,000户家庭的大型匿名数据集。
• 实现实际应用，如检测非高峰合同中配置错误的CWH，以及长期性能退化的监测。

提出的方法

• 该方法通过检测在非高峰时段开始时持续出现的功率突增来识别CWH，利用法国智能电表系统（Linky）已知的非高峰时段时间信息。
• 利用局部基础能耗作为基线，检测异常突增，假设CWH在非高峰时段开始时可稳定触发。
• 该模型依赖CWH激活的时间规律性——通常持续1.5至5小时——确保突增持续时间超过30分钟采样间隔。
• 假设CWH通过点火线信号连接，仅在非高峰时段触发激活，这是关键的领域约束条件。
• 该方法为无监督方法，无需标注训练数据，而是利用能源合同和电器行为的时间与行为先验知识。
• 该模型首先在单个受监控家庭的真实数据集上进行验证，随后应用于大规模匿名的5,000户家庭数据集。

实验结果

研究问题

• RQ1 能否利用关于非高峰时段激活的领域知识，在低分辨率（30分钟）智能电表数据中可靠检测CWH？
• RQ2 当仅能获取综合能耗数据时，无监督方法在多大程度上能准确识别CWH？
• RQ3 在真实家庭环境中，该模型在用户报告使用电热水器的情况下，能多大程度上检测到CWH？
• RQ4 在非高峰使用方面，有多少比例的CWH存在配置错误？该模型能否检测到此类情况？
• RQ5 该模型能否检测CWH能耗随时间的变化或性能退化？

主要发现

• 在真实数据集上，该模型的精确率和召回率均超过0.9，证实了其强大的检测性能。
• 在约5,000户家庭的大规模数据集中，该模型成功识别出大多数用户申报使用CWH的情况。
• 该模型检测到的CWH功率范围为1至3.5 kW，与典型CWH规格一致。
• CWH能耗占总家庭能耗的比例在8%至14%之间，与全国12%–15%的估算值相符。
• 在用户申报使用CWH但未表现出规律性非高峰时段激活模式的情况下，该模型识别出潜在的配置错误。
• 该方法在1分钟至1小时的采样率范围内均表现稳健，表明其适用范围不仅限于30分钟分辨率。