Does disaggregated electricity feedback reduce domestic electricity consumption? A systematic review of the literature

Jack Kelly and William Knottenbelt

Department of Computing, Imperial College London, UK. Email: jack.kelly@imperial.ac.uk

Abstract—We examine twelve studies on the efficacy of disaggregated energy feedback. The average electricity re- duction across these studies is 4.5%. However, 4.5% may be a positively-biased estimate of the savings achievable across the entire population because all twelve studies are likely to be prone to lsquo;opt-inrsquo; bias hence none test the effect of disag- gregated feedback on the general population. Disaggregation may not be required to achieve these savings: Aggregate feed- back alone drives 3% reductions; and the four studies which directly compared aggregate feedback against disaggregated feedback found that aggregate feedback is at least as effective as disaggregated feedback, possibly because web apps are viewed less often than in-home-displays (in the short-term, at least) and because some users do not trust fine-grained disaggregation (although this may be an issue with the specific user interface studied). Disaggregated electricity feedback may help a motivated sub-group of the population, which we call lsquo;energy enthusiastsrsquo;, to save more energy but fine-grained disaggregation may not be necessary to achieve these energy savings. Disaggregation has many uses beyond those discussed in this paper but, on the specific question of promoting energy reduction in the general population, there is no robust evidence that current forms of disaggregated energy feedback are more effective than aggregate energy feedback. The effectiveness of disaggregated feedback may increase if the general population become more energy- conscious (e.g. if energy prices rise or concern about climate change deepens); or if usersrsquo; trust in fine-grained disaggrega- tion improves; or if innovative new approaches or alternative disaggregation strategies (e.g. disaggregating by behaviour rather than by appliance) out-perform existing feedback. This paper also discusses opportunities for new research into the effectiveness of disaggregated feedback.

arXiv:1605.00962v2 [cs.CY] 4 May 2016

1. Introduction

Electricity disaggregation estimates the energy consumption of individual appliances (or load types or behaviours) using data from a single meter. One use-case is to estimate an itemised electricity bill from a single smart meter measuring the whole buildingrsquo;s electricity demand.

Research into electricity disaggregation algorithms began over thirty years ago [1, 2]. Today, there is a lot of excitement about energy disaggregation. Since 2010 there has been a dramatic increase in the number of papers published on energy disaggregation algorithms and since 2013 there have been over 100 papers published each year [3]. Disaggregation is big busi- ness: In November 2015 disaggregation provider Bidgely raised

$16.6 million USD [4]. There are now at least 30 companies who offer disaggregation products and services [5, 6].

This paper discusses four main questions: 1) Can disaggreg- ated energy data help an already-motivated sub-group of the general population (lsquo;energy enthusiastsrsquo;) to save energy? 2) How much energy would the general population save if given disaggregated data? 3) Is fine-grained disaggregation required?

4) For the general population, does disaggregated energy feed- back enable greater savings than aggregate data?

1. An introduction to systematic reviews

This paper is, to the best of our knowledge, the first sys- tematic review on the effectiveness of domestic, disaggregated electricity feedback.

Systematic reviews are common in fields such as medicine and the social sciences. Systematic reviews aim to find results which are robust across multiple studies as well as opportunities for future research. The process starts with a search, using predefined criteria, for existing papers. Results and possible biases are extracted from each paper, collated and combined. See Garg et al. [7] for a discussion of systematic reviews.

There is a distinction between narrative reviews and sys- tematic reviews. Most review articles are narrative reviews. These are written by domain experts and contain a discussion of existing papers. Narrative reviews are often very valuable. But they are rarely explicit about how papers were selected and rarely attempt a quantitative synthesis of the results.

Systematic reviews aim to cover all papers which match defined criteria relevant to a specific research question. System- atic reviews are explicit about how papers were selected and present a quantitative summary of each paper and a quantitat- ive synthesis of the results. Systematic reviews may contain a lsquo;meta-analysisrsquo; where results from each study are combined into a single statistical analysis which provides greater statistical power than any individual study can deliver.

Systematic reviews are not perfect, of course. Bias can still creep in via the selection process; and different statistical analyses may present different results.

Why bother with systematic reviews? Replication is a essen- tial to the scientific process. Peer review is necessary but not sufficient to ensure that individual studies present an accurate

estimate of the lsquo;truersquo; state of the world. Reviewers rarely, if ever, attempt to replicate results; possibly because the

剩余内容已隐藏，支付完成后下载完整资料

分解的电力反馈是否会减少国内电力消耗？对文献进行系统评价

Jack Kelly和William Knottenbelt

英国伦敦帝国理工学院计算系。电子邮件：jack.kelly@imperial.ac.uk

摘要：我们进行了12项关于分解能量反馈效果的研究。这些研究的平均电力减少率为4.5％。然而，4.5％可能是对整个人口可实现的储蓄的正偏差估计，因为所有12项研究都可能倾向于“选择加入”偏差，因此没有人测试分解反馈对一般人群的影响。实现这些节省可能不需要分解：仅通过汇总反馈可以减少3％的成本;直接比较聚合反馈与分解反馈的四项研究发现，总体反馈至少与分解反馈一样有效，可能是因为网络应用的观看频率低于家庭显示（至少在短期内），因为一些用户不信任细粒度的分解（尽管这可能是所研究的特定用户界面的问题）。分解的电力反馈可能有助于一个特别的人口群体---我们称之为“能源爱好者”，以节省更多的能源，但实现这些节能可能不需要很细微的分解。除了本文讨论的那些之外，分解有许多用途，但是，关于促进一般人群减少能量消耗的具体问题，没有强有力的证据表明当前形式的分解能量反馈比总能量反馈更有效。如果一般人群变得更加懂得节能（例如，如果能源价格上涨或对气候变化的关注加深），分解反馈的有效性可能会增加;或者，如果用户对细微度分解的信任得到改善;或者，如果创新的新方法或替代的分解策略（例如按行为而非器具分解）优于现有反馈。本文还对分解反馈有效性进行了新的研究。

1、介绍

电力分解使用来自单个仪表的数据来估算各个器具（或负载类型或行为）的能量消耗。一个用例是从单个智能电表估算一个逐项电费，用于衡量整个建筑的电力需求。

电力分解算法的研究始于三十多年前[1, 2]。今天，对能源分解仍然有很多人关注。自2010年以来，关于能源分解算法的论文数量急剧增加，自2013年以来，每年发表论文超过100篇[3].分解是一项重大业务：2015年11月分解提供商比德盖利提高1660万美元身价[4]。现在至少有30家公司提供分解产品和服务[5, 6]。

本文讨论了四个主要问题：1）分解的能源数据是否可以帮助一般人群（“能源爱好者”）来节约能源？2）如果给出分类数据，一般人口能节省多少能量？3）是否需要进行细微度分解？4）对于一般人群，分解的能源反馈能否实现比总数据更大的节约？

A.系统评价介绍

据我们所知，本文是对国内分解电力反馈有效性的第一次系统评价。

系统评价在医学和社会科学等领域很常见。系统评价旨在找到在多项研究中具有稳健性的结果以及发现未来研究的方向。该过程从使用预定义标准的搜索开始，用于现有论文。从每篇论文中提取结果和可能的偏差，再经过整理和组合。见Garg等人。[7]讨论系统评价。

叙事评论和系统评论之间存在区别。大多数评论文章都是叙述性评论。这些是由领域专家撰写的，包含对现有论文的讨论。叙事评论通常非常有价值。但他们很少明确如何选择论文，很少尝试通过定量来合成结果。

系统评价旨在涵盖所有与特定研究问题相关的论文。系统评价明确了如何选择论文，并提供每篇论文的定量总结和结果的定量综合表现。系统评价可能包含“不同分析”，其中每项研究的结果合并为单一的统计分析，提供比任何单项研究所能提供的更高的统计效力。

当然，系统评价并不完美。偏差仍然可以通过选择的过程进入;不同的统计分析可能会产生不同的结果。

为什么要质疑系统评论？复制对科学过程至关重要。同行评审是必要的，但不足以确保个别研究呈现准确估计世界的“真实”状态。审稿人很少（如果有的话）试图复制结果;可能是因为没有足够的奖励来激励审稿人花时间进行复制。相反，它留给社会尝试复制结果。最近的大规模复制项目表明，可复制的结果可能是例外，而不是一定的。尝试复制98篇心理学论文的结果只能复制39％的结果[8, 9].一项类似的癌症生物学研究发现，53篇备受瞩目的论文中只有6篇可以复制[8, 10].因此，在阅读任何内容时，建议采取适当的科学怀疑态度单一研究;并且收集特定问题以识别在研究中稳健的结果是对所有论文有益的。

B.方法

从广义上讲，本文讨论了在整个人口中部署分解反馈是否可能减少能源消耗。我们假设人口范围部署的分类数据将通过网站，智能手机应用程序或纸质账单提供。我们发现了12组关于分解能源数据是否有助于用户减少能源需求的研究。这些研究总结在表中I.

我们的目的是对文献进行详尽的搜索，尽管不可能排除我们错过某些研究的可能性。我们使用了三个搜索引擎：Google Scholar，ACM数字图书馆和IEEE Xplore。我们使用的搜索术语是“分解[能量|电力]反馈”和“N [I | A | IA] LM反馈”。这些搜索出现了大量结果，其中许多与我们的研究问题无关。我们手动选择了测试分解电力反馈有效性的论文。我们接受了在实验室环境或现场测试中进行的实验。我们还搜索了论文的参考书目部分以找到更多论文。例如，Ehrhardt-Mertinez等人的评论文章。[11]中提到了关于分解能量反馈的五项相关研究。

2、可以通过分解电力反馈使“能源爱好者”节约能源吗？

12项研究中电力消耗的平均减少（按每项研究的参与者数量加权）为4.5％。然而，正如我们将在下面讨论的那样，这个数字可能是存在正偏差的，并且具有与之相关的大量（尽管无法量化）不确定性。

通过获取能量的平均值来汇总结果，十二项研究中的储蓄是一种粗略的方法。最好进行完整的不同种的分析，确定偏差并进行补偿[7].戴维斯等人，[12]对总能量反馈的研究进行了这样的分析。但是，对于分解反馈的研究对我们而言似乎过于多样化，或许最根本的是，十二项研究中的六项仅提供了对效应大小的点估计。至少，分析要求每项研究都提供点估计和结果传播的度量变量。

我们还必须明确每项研究中可能存在的偏差。请注意，这不是对相关论文的质疑攻击！我们知道不可能进行“完美”的学习。现实世界是丰富多变的，研究人员无法控制一切！明确偏见使我们能够评估我们应该对分解能量反馈减少4.5％的消耗的结论有多少信任。

论文中存在几种偏差的来源。所有12项研究都倾向于“选择加入”偏见，其中受试者在一定程度上自我选择，因此可能比普通人群对能量更感兴趣。

八项研究没有控制霍桑效应。这种奇怪的效果是参与者减少他们的能量消耗，因为他们知道他们正在进行能量研究。例如，Schwartz等人。[13]对6,350名参与者进行了对照研究，在对照组和治疗组之间平均分配。治疗组的受试者每周都会收到一张明信片说：“您已被选中参加一个月的研究，了解您在家中使用了多少电力......您无需采取任何行动。我们会每周向您发送一份关于该研究的提醒明信片......“收到这些明信片的参与者减少了2.7％的消费量。因此，对无法控制霍桑效应的分解能量反馈的研究可能会高估的原因可归因于分解能量反馈的能量节约。

六项研究使用了反馈显示，这些反馈显示可能比反馈媒体更受关注，这些反馈媒体将用于在人口范围内推广分解的能量反馈。一些研究里，研究者对一些参与者进行了家访，以便进一步减少偏差值。除了两项研究之外的所有研究时间都太短暂，无法观察到能源减少是否会持续长期存在。也许有些作者尝试过多种统计技术，直到发表了重要结果。最后，八项研究使用了分计量数据，因此避免了对分解估计的任何不信任[17].

除了明确每项研究中的偏差外，我们必须承认整个文献可能容易出现发表偏倚。未公布的结果有多少？也许学者们担心审稿人会拒绝无效结果？可能公司担心客户或股东会被赶走？一项关于社会科学中发表偏倚的研究发现，积极结果比无效结果写出的可能性高60％，发表的可能性高出40％[18].他们提出如果减少发表偏倚的影响，科学将更加繁荣。例如预先登记实验。

尽管存在这些偏见，但有证据表明，能源分解能够为“能源消耗热情”节约能源。两项大型研究说明了这一说法：

一组研究分析了提供的分解服务家庭能源分析(海亚)[15, 16, 19–21]这一文章.所有参与者都选择了HEA的系统，因此这些人可以被认为是“能源爱好者”。总的来说，HEA论文包含了1,623名用户。1,239名用户使用该系统长达44个月;其余的使用该系统一年。所有1,623名“能源爱好者”的平均电力消耗减少了6.1％。排在前四分之一的用电量减少了14.5％。但请注意，HEA研究中没有一个有对照组。

另一项大型研究于2014年进行，为期三个月，共有1,685名PG＆E用户[17, 22].一半获得家庭显示（IHD），一半获得访问Bidgely网站（包括分解）。尽管存在正偏差（例如，用户可以在IHD或Bidgely之间进行选择），但在所有1,685名用户中没有发现统计上有显着的消费减少。然而，使用时间（TOU）变量（“能源爱好者”）的一组用户电力消耗节省了7.7％。TOU小组由142名IHD用户和136名Bidgely用户组成。

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[17512]，资料为PDF文档或Word文档，PDF文档可免费转换为Word