[论文解读] Energy Disaggregation & Appliance Identification in a Smart Home: Transfer Learning enables Edge Computing

M. Hashim Shahab, Hasan Mujtaba Buttar+6 more|arXiv (Cornell University)|Jan 8, 2023

Smart Grid Energy Management被引用 6

一句话总结

该论文提出了一种基于迁移学习的深度学习框架，用于智能家庭中的能耗分解与电器识别，采用seq2-[3]-point CNN进行NILM，并在小波和STFT基电气特征上微调2D-CNN（ResNet-18、DenseNet-121）。在REDD和REFIT数据集上，该方法在家用电能分解中达到94.6%的准确率，在站点级NILM中达到81%，在电器识别中达到88.9%。

ABSTRACT

Non-intrusive load monitoring (NILM) or energy disaggregation aims to extract the load profiles of individual consumer electronic appliances, given an aggregate load profile of the mains of a smart home. This work proposes a novel deep-learning and edge computing approach to solve the NILM problem and a few related problems as follows. 1) We build upon the reputed seq2-point convolutional neural network (CNN) model to come up with the proposed seq2-[3]-point CNN model to solve the (home) NILM problem and site-NILM problem (basically, NILM at a smaller scale). 2) We solve the related problem of appliance identification by building upon the state-of-the-art (pre-trained) 2D-CNN models, i.e., AlexNet, ResNet-18, and DenseNet-121, which are fine-tuned two custom datasets that consist of Wavelets and short-time Fourier transform (STFT)-based 2D electrical signatures of the appliances. 3) Finally, we do some basic qualitative inference about an individual appliance's health by comparing the power consumption of the same appliance across multiple homes. Low-frequency REDD dataset is used for all problems, except site-NILM where REFIT dataset has been used. As for the results, we achieve a maximum accuracy of 94.6\% for home-NILM, 81\% for site-NILM, and 88.9\% for appliance identification (with Resnet-based model).

研究动机与目标

• 通过仅使用总电表数据估计单个电器的功率曲线，以解决非侵入式负载监测（NILM）问题。
• 利用小波和STFT变换生成的2D电气特征，通过深度迁移学习实现电器分类。
• 通过比较多个家庭中电器的功率消耗模式，实现对电器的定性健康评估。
• 通过迁移学习在边缘设备上部署这些模型，以实现实时智能家庭应用的可行性。

提出的方法

• 提出一种新颖的seq2-[3]-point CNN模型，用于家庭和站点级NILM的序列到序列预测，优于标准的seq2-point架构。
• 通过小波变换和短时傅里叶变换（STFT）将一维功率时间序列数据转换为类似图像的二维表示，并融合两者以增强特征提取。
• 在自定义电气特征数据集上，对预训练的2D-CNN（AlexNet、ResNet-18、DenseNet-121）进行微调，并添加自定义全连接层以实现电器分类。
• 通过在一种电器上预训练后冻结卷积层，并在其他电器上微调，应用迁移学习以提高泛化能力并减少训练时间。
• 使用数据增强技术以最小化类别不平衡，并提高分类任务中的模型鲁棒性。
• 采用准确率和F1分数作为评估指标，并通过阈值法将连续预测结果转换为离散电器状态，用于NILM评估。

Figure 1: NILM aims to detect step changes in the power mains [ 3 ]

实验结果

研究问题

• RQ1 seq2-[3]-point CNN模型能否仅使用总电表数据，在家庭环境中实现高精度的单个电器能耗分解？
• RQ2 基于迁移学习的2D-CNN模型（ResNet-18、DenseNet-121、AlexNet）在小波和STFT基电气特征上的电器类型分类效果如何？
• RQ3 不同融合策略（如小波+STFT）对电器识别性能有何影响？
• RQ4 能否通过多个家庭中相同电器的功率消耗模式比较，推断出其定性健康状态？
• RQ5 所提出的框架在REDD和REFIT等真实世界数据集上的家庭级NILM和站点级NILM场景中表现如何？

主要发现

• 所提出的seq2-[3]-point CNN在洗碗机任务中实现了94.6%的最大家庭级NILM准确率，且各电器的阈值均经过优化。
• 在REFIT数据集上的站点级NILM实现了81%的整体测试准确率，表明该模型在小规模监测场景中具备良好的可扩展性。
• 基于ResNet-18的模型在小波变换特征上实现了最高的电器识别准确率88.9%，F1分数为88%。
• DenseNet-121在较低学习率（0.001）下表现更优，在融合的小波-STFT特征上达到86.17%的准确率。
• AlexNet在小波特征上的准确率为80.67%，F1分数为81%，相较于更深的网络架构表现中等。
• 定性分析表明，通过比较多个家庭中相同电器的功率曲线，可获得关于电器健康状况和运行异常的洞察。

Figure 2: Architecture of the proposed seq2-[3]point CNN model. It consists of five convolutional layers, two custom FC layers, and outputs a sequence/vector of size three.