[论文解读] NILM as a regression versus classification problem: the importance of thresholding

Daniel Precioso, David Gómez‐Ullate|arXiv (Cornell University)|Oct 28, 2020

Smart Grid Energy Management参考文献 33被引用 4

一句话总结

本文研究了在将非侵入式负载监测（NILM）建模为分类问题与回归问题时，不同阈值化方法的影响。在UK-DALE数据集上对比了三种阈值化技术——人工阈值、移动平均阈值和基于方差的阈值——结果表明，采用最优阈值化的分类模型在重建电器功率信号方面优于回归模型，尤其适用于低功耗或间歇性运行的设备。

ABSTRACT

Non-Intrusive Load Monitoring (NILM) aims to predict the status or consumption of domestic appliances in a household only by knowing the aggregated power load. NILM can be formulated as regression problem or most often as a classification problem. Most datasets gathered by smart meters allow to define naturally a regression problem, but the corresponding classification problem is a derived one, since it requires a conversion from the power signal to the status of each device by a thresholding method. We treat three different thresholding methods to perform this task, discussing their differences on various devices from the UK-DALE dataset. We analyze the performance of deep learning state-of-the-art architectures on both the regression and classification problems, introducing criteria to select the most convenient thresholding method.

研究动机与目标

• 研究不同阈值化方法在将连续功率信号转换为开/关状态时对NILM模型性能的影响。
• 评估将NILM建模为分类问题（经阈值化处理）是否优于对功率消耗进行直接回归。
• 基于模型性能与可解释性，识别选择最合适阈值化方法的标准。
• 通过在加权损失函数中结合回归与分类目标，研究回归与分类目标之间的相互作用。
• 评估数据划分策略（时间顺序划分与随机划分）对模型泛化能力与评估稳定性的影响。

提出的方法

• 将三种阈值化方法应用于将连续功率信号转换为二值开/关状态：人工阈值化（AT）、移动平均阈值化（MP）和基于方差的阈值化（VS）。
• 在NILM问题的回归与分类两种形式上，分别训练了两种深度学习架构——卷积神经网络（CONV）与门控循环单元（GRU）。
• 采用加权损失函数，结合回归损失（平均绝对误差）与分类损失（交叉熵），其中超参数 w 平衡两项目标。
• 使用原始功率信号与重建二值信号之间的内在误差（MAE）作为评估阈值化质量的客观标准。
• 采用时间顺序划分将数据分为训练集、验证集与测试集，以保留时间依赖性并模拟真实场景部署。
• 通过F1-score评估分类性能，通过MAE评估回归性能，并按设备类型（烧水壶、洗衣机、冰箱）分析结果。

实验结果

研究问题

• RQ1 不同阈值化方法（AT、MP、VS）在将回归转换为分类时，如何影响NILM模型的性能？
• RQ2 采用最优阈值化的分类问题建模是否能获得比直接回归更高的重建精度？
• RQ3 阈值化方法的选择如何影响重建电器功率信号的可解释性与内在误差？
• RQ4 在联合训练目标中，回归与分类损失的最优平衡比例如何？
• RQ5 时间顺序划分与随机划分在NILM任务中的模型评估与泛化能力方面有何影响？

主要发现

• 对于烧水壶，采用MP阈值化的最佳分类模型在重建功率信号上的MAE低于所有回归模型，表明经适当阈值化的分类方法可优于回归方法。
• 对于洗衣机，纯分类模型（w=1）的重建信号MAE低于最佳回归模型，尽管该设备具有复杂的启停模式。
• 对于冰箱，分类模型在w=1时达到最低MAE，即使回归模型性能随w增加而下降，表明分类方法更能捕捉冰箱低功耗、类二值行为的特性。
• 内在误差（原始信号与重建二值信号之间的MAE）作为选择最佳阈值化方法的标准，比F1-score更可靠，尤其适用于信号微弱或间歇性明显的设备。
• 最优阈值化方法在不同设备间差异显著：MP对烧水壶最优，VS对洗衣机最优，AT对冰箱最优，凸显了设备特定阈值调优的必要性。
• 通过加权目标联合回归与分类损失，所有设备的性能均得到提升，但最优权重w高度依赖于电器的功率特性与启停模式。