Deep Neural Network based Time-Frequency Mask Estimation for Load Disaggregation in Buildings

Abstract

건물 및 산업 공정에서 운송에 이르기까지 모든 부분에서 전 세계의 전력 소비는 계속 증가하고 있으며, 특히 최근의 팬데믹의 영향으로부터 경제가 회복되고 있습니다. 이에 따라 발전과 소비의 균형을 효율적으로 유지하기 위한 에너지 관리가 필수적이며, 에너지 관리 계획 및 시스템 제어를 위한 세부 전력 소비 모니터링 기술도 중요해지고 있습니다. 부하 모니터링에는 접촉식 부하 모니터링 방식과 비접촉식 부하 모니터링 방식 두 가지가 있습니다. 접촉식 부하 모니터링 방식은 각 장치에 센서를 설치하여 전력 사용량을 모니터링하는 방식입니다. 이 방식은 각 세부 부하에 센서를 설치해야 하므로 높은 비용과 관리 복잡성과 같은 단점을 가지고 있습니다. 반대로 비접촉식 부하 모니터링 기술은 각 세부 부하에 보조 계량기를 설치하지 않고도 총 전력 사용량에서 각 하위 부하들의 전력 사용량을 모니터링할 수 있습니다. 이러한 이유로 비접촉식 부하 모니터링에 대한 관심이 증대되고 있으며 관련 연구도 활발히 진행되고 있습니다. 비접촉식 부하 모니터링은 전력 분해 기술이라고도 불리는데 이 기술에서 주된 관심사는 부하 분해를 위한 부하의 고유한 특징 집합을 구성하는 것이며, 이를 위해 다양한 시도가 이루어지고 있습니다. 그러나 유사한 부하 프로파일들이 건물 전체 전력 프로파일에 중첩되어 있을 가능성이 있기 때문에 기존에 시행한 부하 분해 기술은 한계가 있을 수 있습니다. 그러므로 우리는 이 학위논문에서 이러한 문제를 해결하기 위하여 새로운 시간-주파수 마스크 기반 비접촉식 부하 모니터링 기술을 연구했습니다. 이 논문은 주로 두 부분으로 구성됩니다. 1) 부하 분해를 위한 T-F 마스크 표현, 2) 마스크 기반 부하 분해 시스템.

이 논문의 첫 번째 부분에서는 부하 분해를 위한 AORM이라고 불리는 새로운 T-F 마스크 표현을 제안합니다. AORM은 목표 부하와 잔여 부하 사이의 상관관계를 반영하여 혼합 부하에서 하위 부하들이 기여하고 있는 적절한 비율을 결정합니다. 제안된 마스크의 분해 성능을 검증하기 위해 이론적 분석과 실험적 시뮬레이션을 통해 기존 마스크와 부하 분해 정확도 비교를 수행합니다. 얻어진 결과는 제안된 마스크가 부하 분해 정확도를 향상시킬 수 있음을 보여줍니다.

이 논문의 두 번째 부분은 마스크 기반 부하 분해 시스템을 제시합니다. 본 연구에서 우리는 분해에 사용되는 마스크 추정을 위한 DNNM이라고 불리는 심층 신경망 기반 마스크를 제안합니다. 제안하는 기법은 사전 클러스터링, 마스크 추정, 분해의 3단계로 구성됩니다. 첫 번째 단계는 심층 신경망의 합리적인 훈련을 위해 외부 환경 요인(예: 온도, 요일 유형)에 따라 부하를 4가지 군집으로 군집화하는 것입니다. 두 번째 단계에서는 마스크 추정 단계로 혼합 부하의 특징과 T-F 마스크의 매핑 관계를 학습한 심층 신경망에 임의의 혼합 부하가 입력으로 들어왔을 때 해당하는 목표 부하의 마스크를 추정해 냅니다. 세 번째 단계는 분해 단계로 T-F 도메인에서 혼합 부하에 마스크를 씌워서 목표 부하를 분리해 냅니다. 주거용 및 상업용 건물 부하에 대한 수치적 평가를 통해 제안한 DNNM 방식이 혼합 부하에서 하위 부하를 추출함에 있어서 기존의 분해 모델보다 분해 성능이 우수함을 보여줍니다.|Global electricity consumption continues to grow in all sectors, from buildings and industrial processes to transportation, especially with the economic recovery from the recent pandemic. Therefore, energy management to efficiently balance power generation and consumption is essential, and load monitoring to access detailed electricity consumption patterns for planning and controlling is also becoming important. There are two approaches to load monitoring: intrusive load monitoring (ILM) and non-intrusive load monitoring (NILM). The ILM is the method to monitor the power usage by installing a sensor on each device. It has been facing challenges due to high costs and complexity for management. On the contrary, the NILM can monitor the contribution of sub-loads to energy consumption in the aggregated load without installing submeters. For this reason, the research on NILM is actively underway. The focus of this technology is to construct a unique set of load signatures for decomposition, and various attempts are being made for this. However, there may be limitations in conventional load disaggregation approaches because similar profiles are superimposed on the entire load of the buildings. Motivated by these issues, we have studied the novel time-frequency (T-F) mask-based NILM scheme, an attractive solution for problems in this dissertation. This dissertation is primarily composed of two parts; 1) a T-F mask representation for load disaggregation, 2) a mask-based load disaggregation system.

In the first part of this dissertation, a T-F mask representation for load disaggregation is proposed. We present a novel T-F mask termed adaptive optimal ratio mask (AORM) for load decomposition. The defined AORM determines the appropriate contribution ratio of sub-loads in mixture loads by reflecting the correlation between the target and residual loads. To verify the decomposition performance of the proposed mask, we conduct a comparison with the existing mask through theoretical analysis and simulation. The results demonstrate that the proposed mask can improve load disaggregation accuracy.

In the second part of this dissertation, a mask-based load disaggregation system is presented. We propose a deep neural network (DNN)-based mask, termed DNNM, for mask estimation and load disaggregation. The proposed scheme consists of three stages: pre-clustering, mask estimation, and disaggregation. The first stage is clustering the loads into four classes according to external environmental factors (i.e., temperature, day type) for rational training of the DNN. The second stage shows the target mask estimation using the feature of mixed load through the DNN that has directly learned the mapping of features and T-F mask values. The final stage is to disaggregate the target load from the mixture load using the mask in the T-F domain. Numerical evaluations for residential and commercial building loads show that the proposed DNNM scheme outperforms the conventional disaggregation models in extracting the profiles of the various sub-loads from the aggregated measurements.