Please use this identifier to cite or link to this item:
http://hdl.handle.net/10773/33657
Title: | Energy disaggregation using Machine Learning |
Other Titles: | Desagregação de consumos energéticos usando Machine Learning |
Author: | Teixeira, Rafael Gonçalves |
Advisor: | Gomes, Diogo Nuno Pereira Antunes, Mário |
Keywords: | Non-intrusive load monitoring NILM NIALM Convolutional neural networks Recurrent neural networks Multilayer perceptron Residual network Transfer learning |
Defense Date: | 10-Dec-2021 |
Abstract: | Nowadays, we are surrounded by electric appliances. Either at home by the washing
machine, kettle, or oven, or work by the computer, cellphone, or printer. Such
devices help us daily, but their popularization increased the energy consumption
to concerning values. In an attempt to reduce energy consumption, governments
started enforcing policies regarding energy education to teach homeowners how to
reduce energy wastage on the demand side. One of those policies was the deployment
of smart meters, which allow the consumer to know how much energy is
being consumed at any given time through a display on the household energy meter.
Even though this measure was well received, the studies show that the best results
in energy conservation are obtained through real-time appliance level feedback. To
get such feedback, one can either measure every outlet in a household, which is
unviable for a broad deployment solution, or disaggregate the energy recorded by
the smart meter. NILM or Non-Intrusive Load Monitoring is the name we give to
the second option where we use the aggregated readings of a household to find the
energy consumed by each appliance. There were many proposals to solve NILM
ranging from HMMs to GSP, where deep learning models showed remarkable results,
obtaining state-of-the-art results. With the intent to create a complete NILM
solution, Withus partnered with the University of Aveiro and proposed this dissertation.
The initial objective was to develop a machine learning model to solve
NILM. Still, during the background analysis, we found the need to create a new
dataset which led to the expansion of the initial proposal to include the dataset
preprocessing and conversion. Regarding NILM, we proposed three new deep learning
models: a convolutional neural network with residual blocks, a recurrent neural
network, and a multilayer perceptron that uses discrete wavelet transforms as features.
These models went through multiple iterations, being evaluated first in the
simpler ON/OFF classification task and later modified and evaluated for the disaggregation
task. We compared our models to the state-of-the-art ones proposed in
NILMTK, where they presented better results than the real-time alternative, dAE,
reducing the NRMSE on average by 49%. We also got close to the best option that
classified with a 30 min delay, Seq2Point, increasing the error on average by 17%.
Besides that, we also analyze the best models from the previous comparison on the
benefit of transfer learning between datasets, where the results show a marginal
performance improvement when using transfer learning. This document presents
the solution outline definition, the multiple options considered for dataset processing
and the best solution, the models’ evolution and results, and the comparison
with the state-of-the-art models regarding generalization to different houses and
under transfer learning. Hoje em dia estamos rodeados de dispositivos elétricos. Quer seja em casa, pela máquina de lavar, o microondas ou o forno ou no emprego pelo computador, o telemóvel ou a impressora. Estes dispositivos ajudam-nos diariamente, mas com a sua popularização o consumo energético atingiu valores preocupantes. Numa tentativa de reduzir o consumo energético, os governos começaram a introduzir políticas de educação energética para ensinar os consumidores a reduzir o desperdício energético. Uma das medidas foi a implementação generalizada de smart meters, que permitem ao consumidor saber quanta energia está a ser consumida a qualquer altura através de um ecrã no contador da casa. Mesmo sendo bem recebida, esta medida não é suficiente uma vez que os estudos indicam que os melhores resultados são obtidos através de feedback ao nível do dispositivo em tempo real. Para obtermos este feedback existem duas formas, podemos medir cada tomada numa dada casa, o que é inviável para uma implementação em larga escala, ou desagregar a energia registrada pelo smart meter que já está presente na casa. NILM ou Non-Intrusive Load Monitoring é o nome dado à segunda opção onde a energia agregada da casa é usada para descobrirmos a energia consumida por cada dispositivo elétrico. Para resolver este problema foram propostas várias alternativas, desde HMMs a GSP, onde os modelos de deep learning obtiveram resultados notáveis sendo agora o estado da arte. Com o objetivo de produzir um sistema NILM completo, a Withus juntou-se à Universidade de Aveiro e juntos propuseram esta dissertação. O objetivo inicial era o desenvolvimento de um modelo de machine learning para desagregar consumos elétricos. Contudo, durante análise do estado da arte, deparamo-nos com a necessidade de criar um novo dataset, o que levou à extensão da proposta inicial para incluir também o pré-processamento e conversão do dataset. Para desagregação de consumos elétricos propusemos três modelos: uma rede neuronal convolucional com blocos residuais, uma rede neuronal recorrente e um multilayer perceptron que usa discrete wavelet transforms como features. Estes modelos passaram por diversas iterações, sendo avaliados primeiro na tarefa de classificação ON/OFF e depois modificados e avaliados para desagregação. Os modelos foram ainda comparados com os do estado da arte presentes no NILMTK, onde apresentaram melhores resultados que a alternativa real-time, dAE, diminuindo o NRMSE em média 49% ficando próximos da melhor alternativa que classifica com atraso, Seq2Point, apresentando um erro pior, em média, de 17%. Para além disso, também analisamos os melhores modelos da experiência anterior no benefício de usar transfer learning entre datasets, onde os resultados mostram uma melhoria marginal quando usamos transfer learning. Este documento apresenta a definição do esboço da solução, as múltiplas opções consideradas para processamento de dataset e qual a melhor, a evolução dos modelos, os seus resultados e a comparação com os modelos do estado da arte na capacidade de generalização entre diferentes casas e de transfer learning entre datasets. |
URI: | http://hdl.handle.net/10773/33657 |
Appears in Collections: | UA - Dissertações de mestrado DETI - Dissertações de mestrado |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
Documento_Rafael_Teixeira.pdf | 10.56 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.