Dimensionality Expansion of Load Monitoring Time Series and Transfer Learning for EMS

要約

【タイトル】
EMSのための時系列の次元拡張とTransfer Learning

【要約】
– Energy management systems (EMS)は、(non)-intrusive load monitoring (N)ILMを利用して、機器を監視・管理し、住民がより省エネであり、より実質的であるように支援します。
– (N)ILMの最も有望な機械学習ソリューションのロバスト性と転送可能性は、それらが比較的限られたデータで訓練および評価されるため、まだ完全に理解されていません。
– この論文では、時間系列の次元拡張とTransfer Learningに基づいた新しいビルディングEMSの負荷モニタリングアプローチを提案しました。
– 5つの異なる低周波数のデータセットに対して広範な評価を行いました。
– 提案されたフィーチャ次元拡張とリソース意識型深層学習アーキテクチャは、29個のアプライアンスを持つデータセットを用いて、平均加重されたF1スコア0.88を達成しました。
– 提案された方法をクロスデータセット内ドメイン転送学習に用いた結果、 1）転移手法を用いた場合、モデルのトレーニングに要するエポック数が3倍少なくても、平均加重されたF1スコア0.80をもっていること、2）230データサンプルだけでF1スコア0.75を達成できること、3）転移手法は、見慣れないアプライアンスに対して、精度が最大12パーセントポイント以上向上することが分かりました。

要約(オリジナル)

Energy management systems (EMS) rely on (non)-intrusive load monitoring (N)ILM to monitor and manage appliances and help residents be more energy efficient and thus more frugal. The robustness as well as the transfer potential of the most promising machine learning solutions for (N)ILM is not yet fully understood as they are trained and evaluated on relatively limited data. In this paper, we propose a new approach for load monitoring in building EMS based on dimensionality expansion of time series and transfer learning. We perform an extensive evaluation on 5 different low-frequency datasets. The proposed feature dimensionality expansion using video-like transformation and resource-aware deep learning architecture achieves an average weighted F1 score of 0.88 across the datasets with 29 appliances and is computationally more efficient compared to the state-of-the-art imaging methods. Investigating the proposed method for cross-dataset intra-domain transfer learning, we find that 1) our method performs with an average weighted F1 score of 0.80 while requiring 3-times fewer epochs for model training compared to the non-transfer approach, 2) can achieve an F1 score of 0.75 with only 230 data samples, and 3) our transfer approach outperforms the state-of-the-art in precision drop by up to 12 percentage points for unseen appliances.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI