[论文解读] On the Feasibility of Generic Deep Disaggregation for Single-Load Extraction

Karim Said Barsim, Bin Yang|arXiv (Cornell University)|Feb 5, 2018

Smart Grid Energy Management参考文献 30被引用 43

一句话总结

The paper proposes a fixed-architecture, generic deep disaggregation model based on a fully convolutional neural network to extract single-load activation profiles across multiple loads, evaluated on UK-DALE data.

ABSTRACT

Recently, and with the growing development of big energy datasets, data-driven learning techniques began to represent a potential solution to the energy disaggregation problem outperforming engineered and hand-crafted models. However, most proposed deep disaggregation models are load-dependent in the sense that either expert knowledge or a hyper-parameter optimization stage is required prior to training and deployment (normally for each load category) even upon acquisition and cleansing of aggregate and sub-metered data. In this paper, we present a feasibility study on the development of a generic disaggregation model based on data-driven learning. Specifically, we present a generic deep disaggregation model capable of achieving state-of-art performance in load monitoring for a variety of load categories. The developed model is evaluated on the publicly available UK-DALE dataset with a moderately low sampling frequency and various domestic loads.

研究动机与目标

• 鼓励数据驱动的、对负载无关的NILM方法，避免对每个负载进行超参数调优。
• 提出一个固定架构和超参数的通用深度解 disaggregation 模型。
• 使用公开的UK-DALE数据评估跨多种负载类别的性能。
• 与先前的逐负载模型进行基准比较，以展示对负载和建筑的泛化能力。

提出的方法

• 使用一个具有46层的全卷积神经网络（输入、40层编码/解码、4层表示、输出）。
• 模型输出目标负载在K长度窗口的后验激活概率，使用二元交叉熵损失。
• 使用不重叠的窗口和从实际功率信号阈值化得到的真实激活曲线进行训练。
• 使用膨胀卷积、批量归一化、LReLU激活、激活噪声和跳连结构来学习表征。
• 使用带Nesterov动量的Adam优化参数，并从零均值均匀分布初始化。
• 地面实况激活曲线由每个负载的阈值和最小开启/关闭时长定义。

实验结果

研究问题

• RQ1 单个固定架构的深度模型是否能够在多种负载类型上实现接近最先进水平的解模，而无需针对负载进行超参数调优？
• RQ2 在公开NILM数据上训练的通用模型，对未见负载和新建筑的泛化能力有多好？
• RQ3 与面向负载的基线相比，全面卷积NILM方法的性能与评估特征为何？

主要发现

• 所提通用模型在所选用于评估的UK-DALE数据集上对所有负载都优于先前工作。
• 通过多种指标（超出简单准确性）来量化各负载的性能变异，解决类别不平衡问题。
• 在多负载中，模型在若干类别（例如 WM、KT、TS、MC）实现高f-measure和MCC，在其他若干类别也显示出强的AUC样指标。
• 相对于回归基线，模型在从已知负载迁移到新建筑的未见负载时，保持有竞争力或更优的性能。
• 基于激活曲线的评估提供近实时反馈潜力，因为可以从聚合数据的部分片段推断出激活。