Disaggregation von Haushaltsenergiemessdaten mit tiefen neuronalen Netzen

Die aktuell besten Ansätze zur Disaggregation von Haushaltsenergiemessdaten, die von handelsüblichen Smart Meter erfasst werden, basieren auf künstlichen neuronalen Netzen, die mit einer Deep-Learning-Methodik erstellt sind. Die Leistungsfähigkeit dieser Ansätze objektiv zu vergleichen ist allerdings schwer, da die Ansätze oft auf unterschiedlichen Datensätzen evaluiert werden, Trainingsverfahren nicht ausführlich beschrieben sind und keine einheitlichen Testmetriken verwendet werden. Erst durch die Evaluation bekannter Ansätze basierend auf einem einheitlichen Aufbau für Disaggregationsexperimente wird in dieser Arbeit deutlich, dass die Praxistauglichkeit aller Ansätze insbesondere durch die geringe Anzahl unterschiedlicher Gerätemodelle im Trainingsdatensatz beschränkt ist.
... mehr

Um für einen festgelegten Trainingsdatensatz den Fehler bei der Gerätelastgangsschätzung dennoch zu verringern, fokussiert sich die vorliegende Arbeit auf das Problem, dass Ansätze oftmals eindeutig falsche und unplausible Gerätelastgänge ausgeben, die von realen Geräten nicht reproduziert werden können. Dazu werden zwei verschiedene neue Ansätze untersucht, die die Plausibilität der geschätzten Lastgänge sicherstellen sollen. Zur Erzeugung von plausiblen Gerätelastgängen werden unterschiedliche Teile eines Generative Adversarial Networks (GAN) verwendet. Ein dritter Ansatz entwirft ein bestehendes Netzmodell neu und kombiniert dieses mit der U-Net-Architektur durch das Hinzufügen von Querverbindungen zwischen Netzschichten. Dies soll helfen, Detailinformationen in den Lastgängen besser zu reproduzieren.

Bei der Evaluation der eigenen Ansätze mit dem gleichen Experimentenaufbau werden bei dem zweiten Ansatz häufiger realisierbare Lastgänge ausgegeben. Dabei bleibt die Disaggregationsgenauigkeit auf dem gleichen Niveau. Durch einen weiteren Austausch der beim Modelltraining verwendeten Verlustfunktion wird erreicht, dass sich alle betrachteten Bewertungsmetriken im Mittel über alle Geräte verbessern. Zudem kann bei bestimmten Geräteklassen mit der im dritten Ansatz evaluierten U-Net-Architektur eine weitere Verbesserung der Bewertungsmetriken erzielt werden.

The currently best approaches to disaggregate household energy measurement data, which are recorded by commercially available smart meters, are based on artificial neural networks, which were created with a deep learning method. However, it is difficult to compare the performance of these approaches objectively because the approaches are often evaluated on different data sets, training procedures are not described in detail and test metrics are not standardized. Therefore, the evaluation of known approaches based on a consistent design for disaggregation experiments is necessary. ... mehrThis thesis shows that the practicability of all approaches is limited mainly by the small number of unique device models in the training data set.

Nevertheless, in order to reduce the error in device load estimation for a given dataset, the this thesis focuses on the problem that existing approaches often output clearly wrong and unfeasible load profiles that can never be measured by real devices. For this purpose, two different new approaches are being investigated to ensure the plausibility of the estimated load profile. Different parts of a Generative Adversarial Network (GAN) are used to generate feasible device load profiles. A third approach redesigns an existing neural model and combines it with the U-Net-architecture by adding cross connections between layers. This should help to improve the reproduction of detailed information in the load profiles.

In the evaluation of the novel approaches with the same experimental setup, the second approach produces feasible load profiles more frequently whereas the disaggregation accuracy remains at the same level. By another additional exchange of the loss function used in the model training, all considered evaluation metrics can be improved on average over all devices. In addition, for certain device classes, a further improvement of the evaluation metrics can be achieved with the U-Net architecture evaluated in the third approach.