Fed-NILM：一种基于联邦学习的隐私保护非侵入式负荷监测方法
机器学习
2021-06-28 v2 分布式、并行与集群计算
摘要
非侵入式负荷监测（NILM）对于理解客户的用电模式至关重要，并可能在碳减排和节能等方面得到广泛应用。NILM 模型的训练需要包含不同类型家电的大量负荷数据。然而，在 NILM 模型训练过程中，本地数据所有者可能面临负荷数据不足以及电力用户隐私泄露的风险。为防止此类潜在风险，本文提出了一种基于联邦学习（FL）的名为 Fed-NILM 的新型 NILM 方法。在 Fed-NILM 中，多个数据所有者之间共享的是本地模型参数而非本地负荷数据。全局模型通过对参数进行加权平均获得。基于两个实测负荷数据集进行了实验，以探究 Fed-NILM 的泛化能力。此外，还将 Fed-NILM 与本地训练的 NILM 以及集中式训练的 NILM 进行了比较。实验结果表明，Fed-NILM 在可扩展性和收敛性方面具有优越性能。Fed-NILM 优于由本地数据所有者运行的本地训练 NILM，并逼近在无隐私保护下基于完整负荷数据集训练的集中式训练 NILM。所提出的 Fed-NILM 在保护电力用户隐私的同时，显著提升了本地数据所有者的协同建模能力。
引用
@article{arxiv.2105.11085,
title = {Fed-NILM: A Federated Learning-based Non-Intrusive Load Monitoring Method for Privacy-Protection},
author = {Haijin Wang and Caomingzhe Si and Junhua Zhao and Guolong Liu and Fushuan Wen},
journal= {arXiv preprint arXiv:2105.11085},
year = {2021}
}