[论文解读] Interleaved Factorial Non-Homogeneous Hidden Markov Models for Energy Disaggregation

Mingjun Zhong, Nigel Goddard+1 more|arXiv (Cornell University)|Jun 30, 2014

Smart Grid Energy Management参考文献 13被引用 18

一句话总结

本文提出了一种交错因子非齐次隐马尔可夫模型（IFNHMM），以提升超低频家庭用电数据的能耗分解性能。通过强制实施非齐次状态转移以建模昼夜使用模式，并引入一次仅一个状态变化的约束，IFNHMM降低了可识别性问题，并在100户家庭中实现了最低的归一化均方误差（0.847 ± 0.289），优于基线模型。

ABSTRACT

To reduce energy demand in households it is useful to know which electrical appliances are in use at what times. Monitoring individual appliances is costly and intrusive, whereas data on overall household electricity use is more easily obtained. In this paper, we consider the energy disaggregation problem where a household's electricity consumption is disaggregated into the component appliances. The factorial hidden Markov model (FHMM) is a natural model to fit this data. We enhance this generic model by introducing two constraints on the state sequence of the FHMM. The first is to use a non-homogeneous Markov chain, modelling how appliance usage varies over the day, and the other is to enforce that at most one chain changes state at each time step. This yields a new model which we call the interleaved factorial non-homogeneous hidden Markov model (IFNHMM). We evaluated the ability of this model to perform disaggregation in an ultra-low frequency setting, over a data set of 251 English households. In this new setting, the IFNHMM outperforms the FHMM in terms of recovering the energy used by the component appliances, due to that stronger constraints have been imposed on the states of the hidden Markov chains. Interestingly, we find that the variability in model performance across households is significant, underscoring the importance of using larger scale data in the disaggregation problem.

研究动机与目标

• 为解决每两分钟采集一次读数的超低频家庭用电数据中的能耗分解挑战。
• 通过在隐马尔可夫链中施加结构约束，减少聚合能耗信号盲源分离中的可识别性问题。
• 通过非齐次马尔可夫链建模电器使用的昼夜变化。
• 通过强制任意时间步最多仅一个电器状态发生变化，提升分解准确性。
• 在包含251户英国家庭的大规模多样化数据集上评估模型性能，以评估其泛化能力及户间差异。

提出的方法

• 提出交错因子非齐次隐马尔可夫模型（IFNHMM），结合非齐次HMM与一次仅一个状态变化的约束。
• 使用随时间变化的非齐次转移概率矩阵，其中转移概率依一天中的时间而变化，以捕捉昼夜使用模式。
• 施加约束，使得任意时间步仅一个隐马尔可夫链可改变状态，通过依赖于切换变量Zt的条件转移概率进行建模。
• 采用逐链Viterbi算法推断最可能的隐藏状态S*和切换变量Z*，以最大化后验概率P(S,Z|Y)。
• 通过最大似然法在有监督的训练数据上估计模型参数，使用20–30天进行训练，5–10天用于评估。
• 使用归一化均方误差（E = Σ(ŷit - xit)² / Σxit²）在100户英国家庭用电调查（HES）数据上评估性能。

实验结果

研究问题

• RQ1 非齐次HMM是否能更好地捕捉低频电力数据中电器的昼夜使用模式？
• RQ2 强制实施一次仅一个状态变化的约束是否能提升分解准确性并减少可识别性问题？
• RQ3 模型性能在不同家庭间如何变化？这种差异是否超过不同模型之间的差异？
• RQ4 IFNHMM是否能在超低频能耗分解场景中优于标准FHMM和FNHMM？
• RQ5 家庭能耗使用模式的差异在多大程度上限制了能耗分解模型的泛化能力？

主要发现

• IFNHMM在100户家庭中实现了最低的归一化均方误差（0.847 ± 0.289），优于FHMM（1.024 ± 0.396）、FNHMM（0.947 ± 0.368）和IFHMM（0.892 ± 0.334）。
• IFNHMM在家庭间的分解误差变异系数为0.389，表明存在显著的户间差异，其程度与模型间性能差距相当。
• 误差标准差较高（0.289）表明家庭特定的使用模式对模型性能有显著影响，凸显了未来研究中的关键挑战。
• 该模型在部分家庭中表现良好（如图1中的家庭A），但在其他家庭中表现较差（如家庭B），表明其对个体家庭行为高度敏感。
• 一次仅一个状态变化的约束与非齐次转移共同作用，降低了可识别性问题，相比约束较少的模型，提升了分解准确性。
• 结果表明，未来能耗分解研究必须优先考虑大规模、多样化的数据集，以应对家庭间的差异。