面向不平衡低分辨率智能电表数据的联邦序列到序列学习负荷分解
信号处理
2024-09-04 v1 人工智能
机器学习
摘要
非侵入式负荷监测（Non-Intrusive Load Monitoring, NILM）的重要性日益得到认可，因为NILM能增强能源意识并为能源方案设计提供宝贵见解。许多现有NILM方法通常依赖专用设备来获取高采样率的复杂信号数据，并侧重于高功耗电器，这阻碍了它们在现实世界应用中的适用性，尤其是在智能电表仅为家庭提供低分辨率有功功率读数的情况下。本文提出了一种新方法，利用易于获取的天气数据，在极低采样率（每小时）的场景下，实现对总计12种涵盖高功耗和低功耗电器的负荷分解。此外，我们开发了一个联邦学习（Federated Learning, FL）模型，该模型基于序列到序列模型，无需共享数据即可完成负荷分解。我们的实验表明，FL框架L2GD能够有效处理统计异质性并避免过拟合问题。通过融入天气数据，我们的方法显著提升了NILM的性能。
引用
@article{arxiv.2409.00007,
title = {Federated Sequence-to-Sequence Learning for Load Disaggregation from Unbalanced Low-Resolution Smart Meter Data},
author = {Xiangrui Li},
journal= {arXiv preprint arXiv:2409.00007},
year = {2024}
}