[论文解读] PowerGAN: Synthesizing Appliance Power Signatures Using Generative Adversarial Networks

Alon Harell, Richard Jones+2 more|arXiv (Cornell University)|Jul 20, 2020

Smart Grid Energy Management参考文献 39被引用 4

一句话总结

PowerGAN 引入了一种条件性、渐进式生长的一维Wasserstein GAN，用于在不依赖手工设计模型的情况下生成逼真且多样的电器功率特征。它在定性真实感和定量指标（如Inception Score（3.81±0.13）、FID（43.30）和SWD）方面均优于现有合成数据方法，证明了其在生成高保真、真正随机的电器功率轨迹方面的能力，适用于非侵入式负载监测（NILM）的数据增强。

ABSTRACT

Non-intrusive load monitoring (NILM) allows users and energy providers to gain insight into home appliance electricity consumption using only the building's smart meter. Most current techniques for NILM are trained using significant amounts of labeled appliances power data. The collection of such data is challenging, making data a major bottleneck in creating well generalizing NILM solutions. To help mitigate the data limitations, we present the first truly synthetic appliance power signature generator. Our solution, PowerGAN, is based on conditional, progressively growing, 1-D Wasserstein generative adversarial network (GAN). Using PowerGAN, we are able to synthesise truly random and realistic appliance power data signatures. We evaluate the samples generated by PowerGAN in a qualitative way as well as numerically by using traditional GAN evaluation methods such as the Inception score.

研究动机与目标

• 为解决非侵入式负载监测（NILM）中因真实世界电器功率标注数据有限而造成的重大瓶颈。
• 开发一种无需依赖手工设计物理模型的数据生成方法，以生成真正随机且逼真的电器功率特征。
• 通过大规模、多样化的合成数据生成，提升NILM模型的泛化能力，用于训练与评估。
• 采用为时间序列功率信号数据量身定制的GAN评估指标，对合成功率轨迹进行评估。

提出的方法

• PowerGAN 采用条件性、渐进式生长的一维Wasserstein GAN（WGAN）架构，用于生成逼真的电器功率特征。
• 生成器接收随机潜在代码和条件标签（如电器类型）作为输入，生成时间序列功率轨迹。
• 判别器通过基于一维ResNet的分类器进行特征提取，以区分真实功率轨迹（来自ECO和Tracebase等数据集）与生成的轨迹。
• 训练过程交替更新生成器和判别器，其中生成器最小化与真实数据分布之间的Wasserstein距离。
• 评估采用适配于时间序列功率信号的GAN指标：Inception Score（IS）、Frechet Inception Distance（FID）以及Sliced Wasserstein Distance（SWD），分别在分类器特征和拉普拉斯金字塔特征上进行。
• 该方法在ECO和Tracebase的真实功率数据上进行训练，以确保真实分布建模，避免依赖未公开或合成的基线数据。

实验结果

研究问题

• RQ1 基于GAN的方法是否能在不依赖物理模型或手工设计模型的前提下，生成逼真且多样的电器功率特征？
• RQ2 与现有合成数据生成器（如ANTgen、SynD）相比，PowerGAN在生成功率轨迹的真实感与多样性方面表现如何？
• RQ3 标准GAN评估指标（IS、FID、SWD）在多大程度上能反映合成电器功率信号的质量？
• RQ4 所提出的方法是否能生成训练数据中未出现过的真正随机、新颖的电器功率特征？

主要发现

• PowerGAN 在所有评估生成器中取得了最高的Inception Score（3.81±0.13），表明其样本质量与多样性更优。
• 其Frechet Inception Distance最低（43.30），表明生成与真实功率信号特征的分布匹配度最高。
• 使用拉普拉斯特征（18±0.088）和分类器特征（0.25±0.011）的Sliced Wasserstein Distance进一步证实其与真实数据在分布上的高度相似性。
• PowerGAN 在所有评估指标上均优于ANTgen和SynD，证明其在生成逼真且多样的电器功率特征方面具有显著优势。
• 基于真实数据训练的一维ResNet分类器可实现对合成信号质量的可靠、无偏评估。