FederatedNILM：基于联邦深度学习的分布式隐私保护非侵入式负荷监测框架
机器学习
2021-08-10 v1 人工智能
信号处理
摘要
非侵入式负荷监测（NILM）通常利用机器学习方法，能有效地将家庭层面的智能电表读数分解为电器层面的消耗，可帮助分析用户用电行为并支撑实用的智能能源与智能电网应用。然而，智能电表为私有且分布式，使得 NILM 的实际应用颇具挑战。为此，本文开发了用于 NILM 的分布式隐私保护联邦深度学习框架（FederatedNILM），其将联邦学习与最先进的深度学习架构相结合，以对家庭电器典型状态进行分类的方式实施 NILM。通过大量对比实验，所提 FederatedNILM 框架的有效性得以验证。
引用
@article{arxiv.2108.03591,
title = {FederatedNILM: A Distributed and Privacy-preserving Framework for Non-intrusive Load Monitoring based on Federated Deep Learning},
author = {Shuang Dai and Fanlin Meng and Qian Wang and Xizhong Chen},
journal= {arXiv preprint arXiv:2108.03591},
year = {2021}
}