Energy Efficient Deep Multi-Label ON/OFF Classification of Low Frequency Metered Home Appliances

要約

非侵入型負荷監視 (NILM) は、単一の計測ポイントからアプライアンス レベルのデータを取得し、家庭または企業の総電力消費量を測定するプロセスです。
アプライアンス レベルのデータは、デマンド レスポンス アプリケーションやエネルギー管理システムに直接使用できるだけでなく、エネルギー効率の向上に対する意識向上や動機付けにも使用できます。
最近、古典的な機械学習と深層学習 (DL) 手法が非常に人気があり、NILM 分類に非常に効果的であることが証明されましたが、複雑さが増すにつれて、これらの手法はトレーニングと運用の両方で多大な計算量とエネルギーの需要に直面しています。
この論文では、計算効率とエネルギー効率を改善し、NILM のマルチラベル分類を強化することを目的とした新しい DL モデルを紹介します。
また、実世界のシナリオをよりよく表すために、測定データセットから合成されたデータを使用して、さまざまなモデルを比較するための評価方法論も提案します。
最先端のモデルと比較して、提案されたモデルはエネルギー消費を 23% 以上削減しながら、REFIT および UK-DALE データセットから得られたデータに基づいて評価すると、平均で約 8 パーセント ポイントのパフォーマンス向上をもたらします。
また、ランダム フォレスト モデルと比較して、提案された DL ベースのモデルのパフォーマンスが 12 パーセント ポイント優れていることも示し、家庭内のデバイス数の増加に伴うパフォーマンスの低下を観察します。つまり、デバイスが 5 台追加されるごとに、平均パフォーマンスが約 7 ポイント低下します。
パーセンテージポイント。

要約(オリジナル)

Non-intrusive load monitoring (NILM) is the process of obtaining appliance-level data from a single metering point, measuring total electricity consumption of a household or a business. Appliance-level data can be directly used for demand response applications and energy management systems as well as for awareness raising and motivation for improvements in energy efficiency. Recently, classical machine learning and deep learning (DL) techniques became very popular and proved as highly effective for NILM classification, but with the growing complexity these methods are faced with significant computational and energy demands during both their training and operation. In this paper, we introduce a novel DL model aimed at enhanced multi-label classification of NILM with improved computation and energy efficiency. We also propose an evaluation methodology for comparison of different models using data synthesized from the measurement datasets so as to better represent real-world scenarios. Compared to the state-of-the-art, the proposed model has its energy consumption reduced by more than 23% while providing on average approximately 8 percentage points in performance improvement when evaluating on data derived from REFIT and UK-DALE datasets. We also show a 12 percentage point performance advantage of the proposed DL based model over a random forest model and observe performance degradation with the increase of the number of devices in the household, namely with each additional 5 devices, the average performance degrades by approximately 7 percentage points.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google