学习任务感知的能耗分解：一种联邦方法

我们考虑学习居民负荷数据的能耗分解信号的问题。该任务被称为非侵入式负荷监测（NILM），为基于聚合电表测量值找出各设备功耗曲线，通常基于来自若干家庭的海量训练数据训练机器学习模型。然而，收集此类居民负荷数据集既需巨大投入又需客户同意共享计量数据，且来自不同地区或电力用户的负荷数据可能呈现异构使用模式。这些实际顾虑使得训练单一的集中式 NILM 模型颇具挑战。本文提出一种去中心化且任务自适应的 NILM 学习方案，其中设计了嵌套元学习与联邦学习步骤以集体学习特定任务模型。在基准数据集上的仿真结果验证了所提算法在高效推断多种家庭与设备电器级能耗上的性能。