一种面向非侵入式负荷监测的联邦学习框架
信号处理
2021-05-25 v1 分布式、并行与集群计算
机器学习
摘要
非侵入式负荷监测（NILM）旨在将家庭用电总读数分解为各电器用电，有益于消费者行为分析与节能。基于深度学习的 NILM 一直是研究焦点。为训练更优神经网络，需向其输入包含多种电器并反映消费者行为习惯的海量数据。因此，拥有 NILM 数据的公用事业公司与 DNO（分布式网络运营商）间的数据合作日益重要。然而，合作过程中出现了消费者隐私泄露与数据控制权丧失的风险。为解决上述问题，建立了一种利用联邦学习（FL）提升 NILM 性能的框架。在该框架中，公用事业公司间共享模型权重而非本地数据。全局模型通过对本地训练模型权重进行加权平均生成，以汇聚本地训练模型信息。最优模型选择有助于挑选最适应不同领域数据的模型。实验表明，该方案提升了本地 NILM 运行器的性能。该框架性能接近于由无隐私保护的聚合数据获得的集中训练模型。
引用
@article{arxiv.2104.01618,
title = {A Federated Learning Framework for Non-Intrusive Load Monitoring},
author = {Haijin Wang and Caomingzhe Si and Junhua Zhao},
journal= {arXiv preprint arXiv:2104.01618},
year = {2021}
}