Household energy disaggregation with continual learning

Household energy disaggregation with continual learning. Masters thesis, King Fahd University of Petroleum and Minerals.

[img] PDF
Complete Master Thesis with All Signatures & Cover.pdf
Restricted to Repository staff only until 9 May 2023.

Download (5MB)

Arabic Abstract

تتيح لنا مراقبة الحمل غير التدخلي (NILM) تحديد استهلاك الطاقة لكل جهاز منزلي فردي من عداد واحد. يمكن أن يؤدي الحصول على استهلاك الطاقة على مستوى الجهاز إلى توجيه سكان المنزل لاتخاذ إجراءات فعالة لتقليل استهلاكهم للكهرباء. تم اقتراح العديد من الأساليب الواعدة لمراقبة الحمل الغير التدخلي في الأبحاث المنشورة. ومع ذلك ، فقد فشلوا في معالجة جانب الاستمرارية لتطبيق .NILM في هذا العمل ، نقوم بتحليل مهمة NILM وزيادة الوعي بالحاجة إلى التعلم المستمر للتكيف ديناميكيًا مع البيانات الجديدة دون نسيان. علاوة على ذلك ، نقدم معيارًا جديدًا للتعلم المستمر يعتمد على NILM ويحتوي على إعدادين للتعلم ، إعداد البيئة جديدة (NE) وإعداد الجهاز جديد (NA). بالإ ضافة إلى ذلك ، نقترح بنيتين جديدتين خفيفتي الوزن قائم على التعلم العميق ، وهما MLP-mixer و Transformer ، لمهمة NILM. تم تقديم البنيتين مؤخرًا وأظهرت نتائج واعدة في مجال رؤية الكمبيوتر. علاوة على ذلك ، نقترح إستراتيجية جديدة لاختيار العينة لطرق التعلم المستمر القائمة على إعادة معالجة العينات والتي تركز على تخزين العينات التي تم تعلمها جيدًا ليتم إعادة تشغيلها لاحقًا. لقد أجرينا تجارب مع النموذجين المقترحين في مجموعات بيانات حقيقية وأظهرنا أنه يتفوق على أحدث طراز رغم خفة اوزانها. قمنا أيضً ا بتقييم أحدث أساليب التعلم المستمر ، مقترنة بنموذج MLP-mixer المقترح لدينا ، وفقًا لمعيارنا باستخدام مجموعات بيانات في العالم الحقيقي ووجدنا أن استراتيجية الاختيار الجديدة الخاصة بنا يمكن أن تحسن النسيان في إعداد الأجهزة الجديدة. يتيح تجهيز النماذج خفيفة الوزن بالتعلم المستمر نشرها في أجهزة محدودة الموارد لإ جراء تصنيف الطاقة عند طرف الشبكة. نعتقد أن MLP-mixer اذا اقترنة بالتعلم المستمر يمكنها تسريع نشر NILM. أخيرًا ، نعتقد أن معيارنا الجديد القائم على NILM يمكن أن يكون إضافة قيمة في مجال التعلم المستمر الذي يفتقر إلى تحدي صعب الذي يعتمد على تطبيق حقيقي.

English Abstract

Non-intrusive load monitoring (NILM) allows us to identify the power consumption of the individual home appliances from a single meter. Acquiring appliance-level power consumption can guide household occupants to take effective action to reduce their electrical consumption. Many promising approaches have been proposed in the literature. However, they failed to address the continuity aspect of NILM deployment. In this work, we analyze the task of NILM and raise awareness of the need for continual learning to dynamically adapt to new data without forgetting. Furthermore, we present a new continual learning benchmark that is based on NILM and contains two settings for learning, new environment (NE) and new appliance (NA). Additionally, we propose two new lightweight deep learning-based architectures, the MLP-mixer and the Transformer, for the NILM task. The two architectures were recently introduced and showed promising results in the field of computer vision. Moreover, we propose a new sample selection strategy for replay-based continual learning methods that focuses on storing well-learned samples to be replayed later. We conducted experiments with the two proposed models in real-world datasets and showed that it outperformed the state-of-the-art model while having considerably fewer parameters. We also evaluated state-of-the-art continual learning methods, paired with our proposed MLP-mixer model, on our benchmark using real-world datasets and found that our new selection strategy can improve forgetting in new appliance settings. Equipping lightweight models with continual learning allows them to be deployed in resource-limited devices to perform energy disaggregation at the edge. We believe that our proposed MLP-mixer paired with continual learning can accelerate the deployment of NILM. Finally, we believe that our new NILM-based benchmark can be a valuable addition in the area of continual learning that lacks a challenging regression benchmark that is based on a real-world application.

Item Type: Thesis (Masters)
Subjects: Computer
Department: College of Computing and Mathematics > Information and Computer Science
Committee Advisor: Ahmed, Irfan
Committee Members: Ahmed, Moataz and Ramadan, Emad
Depositing User: ABDULMAGED ALKHULAIFI (g201905030)
Date Deposited: 12 May 2022 07:40
Last Modified: 12 May 2022 07:40
URI: https://eprints.kfupm.edu.sa/id/eprint/142102