[论文解读] Neural Network Ensembles to Real-time Identification of Plug-level Appliance Measurements

Karim Said Barsim, Lukas Mauch+1 more|arXiv (Cornell University)|Feb 20, 2018

Smart Grid Energy ManagementEngineering参考文献 13被引用 21

一句话总结

该论文提出了一种神经网络集成模型，直接使用原始高分辨率电流和电压波形对插头级电器类型进行分类，无需手工设计特征。通过归一化和分割周期性信号，并利用相位偏移增强训练数据，该模型在 PLAID 数据集上实现了 89.7% 的准确率，表现出对数据集大小、采样频率和信号相位变化的鲁棒性。

ABSTRACT

The problem of identifying end-use electrical appliances from their individual consumption profiles, known as the appliance identification problem, is a primary stage in both Non-Intrusive Load Monitoring (NILM) and automated plug-wise metering. Therefore, appliance identification has received dedicated studies with various electric appliance signatures, classification models, and evaluation datasets. In this paper, we propose a neural network ensembles approach to address this problem using high resolution measurements. The models are trained on the raw current and voltage waveforms, and thus, eliminating the need for well engineered appliance signatures. We evaluate the proposed model on a publicly available appliance dataset from 55 residential buildings, 11 appliance categories, and over 1000 measurements. We further study the stability of the trained models with respect to training dataset, sampling frequency, and variations in the steady-state operation of appliances.

研究动机与目标

• 解决使用原始电气回波波形进行非侵入式负载监测和插头级计量中的电器识别问题。
• 克服先前方法依赖手工特征或工程化特征签名的局限性。
• 评估模型对训练数据量、采样频率和信号相位偏移变化的鲁棒性。
• 证明神经网络集成在真实世界高分辨率电能测量上的有效性。
• 提供一种可扩展的端到端解决方案，实现实时电器识别且无需用户干预。

提出的方法

• 在给定采样频率下提取一个完整周期的电流和电压波形，每周期包含 d = fs / fg 个采样点。
• 应用基于分段的归一化以消除幅值变化，将每个信号分段映射到 [-1, 1]^d。
• 将归一化后的电流和电压分段拼接，构成 [−1, 1]^{2d} 的输入向量。
• 通过在每个测量值上滑动窗口（步长为 ε）实现算法式数据扩展，为每个电器生成多个训练样本。
• 在扩展后的数据集上训练一组全连接前馈神经网络，以提升泛化能力和鲁棒性。
• 通过集成成员之间的多数投票机制进行最终分类预测。

实验结果

研究问题

• RQ1 神经网络集成能否在无需工程化特征的情况下，直接从原始电流和电压波形中有效识别电器类型？
• RQ2 在真实世界的插头级电器数据集中，模型性能如何随训练数据集大小而变化？
• RQ3 模型对输入测量值的采样频率变化有多大的鲁棒性？
• RQ4 在稳态运行期间，信号分段提取中的相位偏移对模型的敏感程度如何？
• RQ5 关于家庭特定电器可用性的先验知识是否能提升分类性能？

主要发现

• 该集成模型在完整 PLAID 数据集上实现了 89.7% 的未加权准确率和 0.882 的 Cohen’s kappa，且通过集成成员投票获得最佳性能。
• 随着训练集变小，性能下降，表明对数据量有较强依赖性，当 r 低于 0.5 时准确率显著下降。
• 该模型对采样频率降低具有鲁棒性，在 2.5 kHz 时仍保持超过 80% 的准确率，显示出对低分辨率输入的抗性。
• 该模型对信号提取中的相位偏移表现出高度鲁棒性，在稳态周期的不同起始点均保持高性能。
• 当利用关于家庭特定电器可用性的先验知识以缩小标签空间时，准确率提升至 94%，凸显了领域特定约束的影响。
• 微波炉、紧凑型荧光灯（CFL）、吸尘器和笔记本电脑是最易识别的电器，而温控设备（如空调、加热器、冰箱）是最难分类的。