基于联邦迁移学习的自适应功率变换器监控机器学习框架
机器学习
2025-04-24 v1
摘要
本研究探讨了用于适应功率变换器热机器学习模型的替代框架配置，通过以分段方式结合迁移学习（TL）和联邦学习（FL）。该方法天然地解决了诸如不同运行条件、数据共享限制和安全性问题等挑战。该框架以基线模型开始，通过通过适应三种最先进的域适应技术（微调、迁移组件分析（TCA）和深度域适应（DDA））逐步适应多个客户机。采用Flower框架进行联邦学习，使用联邦平均进行聚合。使用现场数据进行验证表明，微调是一种简单直观的TL方法，具有高准确率，适用于实际应用。基准测试结果揭示了这些方法在不同场景下应用时各自的优势和弱点的综合比较。本地化部署的联邦学习在数据聚合不可行时提高了性能，而云端联邦学习在客户机数量显著增加时更为实用，解决了可扩展性和连接性挑战。
引用
@article{arxiv.2504.16866,
title = {An Adaptive ML Framework for Power Converter Monitoring via Federated Transfer Learning},
author = {Panagiotis Kakosimos and Alireza Nemat Saberi and Luca Peretti},
journal= {arXiv preprint arXiv:2504.16866},
year = {2025}
}
备注
2025 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works