无分布不确定性量化与校准在能源分解中的应用

《ACM Journal on Computing and Sustainable Societies》：Distribution-Free Uncertainty Quantification and Calibration for Energy Disaggregation

本文研究能源解耦中不确定性量化与校准方法，提出基于同方差/异方差似然的S2P模型，结合蒙特卡洛 dropout、深度集成及自助法，引入无分布假设的量化方法 Quantile Regression 和 Conformal Prediction，实验表明新方法在计算效率上提升显著，训练速度加快10倍，推理速度达50倍，并在公开数据集上验证有效性。

　　

摘要

建筑物约占全球能源消耗的三分之一。研究表明，提供按电器分类的能源消耗明细数据可实现高达15%的能源节约。能源分解技术（Non-Intrusive Load Monitoring，NILM）通过使用机器学习从家庭总能源消耗数据中估算单个电器的能耗，从而提供了一种可扩展的方法。在本文中，我们研究了能源分解背景下的不确定性量化与校准方法。我们采用了同方差和异方差假设来构建先进的序列到点（Sequence-to-Point，S2P）模型，并应用了多种基于分布的不确定性量化方法，包括蒙特卡洛（Monte Carlo，MC）、深度集成（Deep Ensemble，DE）和自助法（Bootstrap，BS）。为了解决分布假设的局限性，我们引入了分位数回归（Quantile Regression）作为一种不受分布约束的NILM不确定性量化方法。此外，我们还采用了共形预测（Conformal Prediction）这一新颖的能源分解技术以及等值线回归（Isotonic Regression）进行不确定性校准。我们的实验使用了四个公开可用的数据集：REDD、Pecan Street、REFIT和UK-DALE。我们对每种不确定性量化与校准方法进行了详细分析，包括训练、校准和推理过程中的时间复杂度比较。共形预测和分位数回归的性能优于或与其他方法相当，同时显著降低了计算成本，训练速度提升了最多10倍，推理速度提升了最多50倍。用于重现我们实验结果的代码可在以下链接获取：https://github.com/haikookhandor/conformalNILM。