[论文解读] Subtask Gated Networks for Non-Intrusive Load Monitoring

Changho Shin, Sunghwan Joo+4 more|arXiv (Cornell University)|Nov 16, 2018

Smart Grid Energy Management参考文献 23被引用 20

一句话总结

本文提出子任务门控网络（SGN），一种深度学习架构，通过联合训练用于功率估计的回归网络和用于开启/关闭状态检测的分类子网络，提升非侵入式负载监测（NILM）性能。通过使用分类概率对回归输出进行门控，SGN在REDD和UK-DALE数据集上相比最先进方法实现15–30%的性能提升，尤其在建模待机功耗时表现更优。

ABSTRACT

Non-intrusive load monitoring (NILM), also known as energy disaggregation, is a blind source separation problem where a household's aggregate electricity consumption is broken down into electricity usages of individual appliances. In this way, the cost and trouble of installing many measurement devices over numerous household appliances can be avoided, and only one device needs to be installed. The problem has been well-known since Hart's seminal paper in 1992, and recently significant performance improvements have been achieved by adopting deep networks. In this work, we focus on the idea that appliances have on/off states, and develop a deep network for further performance improvements. Specifically, we propose a subtask gated network that combines the main regression network with an on/off classification subtask network. Unlike typical multitask learning algorithms where multiple tasks simply share the network parameters to take advantage of the relevance among tasks, the subtask gated network multiply the main network's regression output with the subtask's classification probability. When standby-power is additionally learned, the proposed solution surpasses the state-of-the-art performance for most of the benchmark cases. The subtask gated network can be very effective for any problem that inherently has on/off states.

研究动机与目标

• 解决现有深度学习模型在NILM中未显式建模电器开启/关闭状态的局限性。
• 通过利用家用电器固有的开启/关闭行为，提升能量分解的准确性。
• 提出一种新型架构，通过门控机制整合回归与分类子任务，实现更好的泛化能力。
• 证明通过子任务网络显式建模开启/关闭状态，可使性能超越标准多任务学习方法。
• 在标准NILM基准数据集（REDD和UK-DALE）上，基于多种指标（包括MAE和SAEδ）评估该方法。

提出的方法

• 提出一种子任务门控网络（SGN），结合主回归网络与独立的开启/关闭分类子网络。
• 通过将分类子网络预测的‘开启’概率与回归输出逐元素相乘，实现门控。
• 使用包含回归损失（L_output）和开启状态分类损失（L_on）的复合损失函数，端到端训练模型。
• 引入一种变体，显式建模待机功耗，以提升低功耗状态下的性能。
• 在部分变体中采用硬门控，强制执行二元决策，增强在噪声环境下的鲁棒性。
• 将分类子网络用作动态门控，确保当电器被预测为关闭时，回归输出被抑制。

实验结果

研究问题

• RQ1 显式建模电器开启/关闭状态是否能提升基于深度学习的非侵入式负载监测精度？
• RQ2 与标准多任务学习相比，使用开启/关闭分类概率门控回归输出对分解性能有何影响？
• RQ3 引入针对开启状态分类的专用损失（L_on）是否能提升泛化能力并减少回归输出的噪声？
• RQ4 建模待机功耗在多大程度上能提升低功耗状态电器的性能？
• RQ5 在实际应用中，子任务门控网络在不同误差指标（如SAEδ）和不同阈值（δ）下的鲁棒性如何？

主要发现

• 在REDD和UK-DALE数据集上，使用MAE和SAEδ作为指标，子任务门控网络相比最先进深度学习模型实现15–30%的性能提升。
• 引入开启状态分类损失（L_on）显著提升了门控机制的可靠性，防止分类子网络退化为单纯的比例缩放因子。
• 分类子网络的输出高度集中于0和1附近，表明其有效学习了开启/关闭状态，尤其在冰箱等循环型电器上表现突出。
• 对于洗碗机和电水壶等电器，门控机制在关闭状态下有效抑制了噪声回归输出，提升了准确性。
• 显式建模待机功耗的模型进一步提升了低功耗状态电器的性能，证明了细粒度状态表征的优势。
• SGN模型在SAEδ的所有测试δ值下均保持优越性能，表明其在实际应用中对不同误差容忍度水平具有鲁棒性。