[論文レビュー] A Federated Learning Framework for Non-Intrusive Load Monitoring

Haijin Wang, Caomingzhe Si+1 more|arXiv (Cornell University)|Apr 4, 2021

Smart Grid Energy Management参考文献 20被引用数 14

ひとこと要約

本稿は、電力会社が生の家庭用電力データを共有せずに、共同でグローバルなディープラーニングモデルを訓練できるようにする、非侵襲的負荷監視（NILM）向けのフェデレーテッドラーニング（FL）フレームワークを提案する。ローカルに訓練されたモデル重みを重み付き平均化し、最適なモデル選択を適用することで、中央集権的学習に近いNILM性能を達成するとともに、プライバシーのリスクとデータ所有権の懸念を軽減する。

ABSTRACT

Non-intrusive load monitoring (NILM) aims at decomposing the total reading of the household power consumption into appliance-wise ones, which is beneficial for consumer behavior analysis as well as energy conservation. NILM based on deep learning has been a focus of research. To train a better neural network, it is necessary for the network to be fed with massive data containing various appliances and reflecting consumer behavior habits. Therefore, data cooperation among utilities and DNOs (distributed network operators) who own the NILM data has been increasingly significant. During the cooperation, however, risks of consumer privacy leakage and losses of data control rights arise. To deal with the problems above, a framework to improve the performance of NILM with federated learning (FL) has been set up. In the framework, model weights instead of the local data are shared among utilities. The global model is generated by weighted averaging the locally-trained model weights to gather the locally-trained model information. Optimal model selection help choose the model which adapts to the data from different domains best. Experiments show that this proposal improves the performance of local NILM runners. The performance of this framework is close to that of the centrally-trained model obtained by the convergent data without privacy protection.

研究の動機と目的

• 電力会社やDNOがデータを共有する際のプライバシーとデータ所有権の課題を解決すること。
• 生の家庭用電力消費データを露呈せずに、複数の電力会社間でディープラーニングモデルの共同学習を可能にすること。
• データ分散化とユーザーのプライバシーを確保しながら、高いモデル性能を維持すること。
• 異なる電力分野における多様なデータ分布に適応できる堅牢なFLフレームワークを開発すること。
• フェデレーテッドトレーニングが、全データへの完全なアクセスがある中央集権的トレーニングと同等の性能を達成できることを実証すること。

提案手法

• フレームワークは、フェデレーテッドラーニング（FL）を用いて、複数の電力会社間でグローバルなNILMモデルを訓練する。
• 各電力会社のプライベートデータセット上でローカルモデルを独立して訓練し、生データではなくモデル重みのみを交換する。
• ローカルで更新されたモデルパラメータの重み付き平均化により、グローバルモデル重みを生成し、異なる分野間での知識統合を実現する。
• 最適なモデル選択を適用して、さまざまなデータ分布に普遍的に適応する最高性能のグローバルモデルを同定する。
• トレーニング中に各電力会社のシステム外にローカルデータが漏れないようにすることで、データプライバシーを確保する。
• ローカルデータの品質と量に基づいて動的に各電力会社の寄与度を調整することにより、異種のデータ分布にも対応できる。

実験結果

リサーチクエスチョン

• RQ1 フェデレーテッドラーニングは、複数の電力会社にまたがる状況で、消費者のプライバシーを守りつつNILM性能を効果的に向上させることができるか？
• RQ2 フェデレーテッドモデルの性能は、すべてのデータを用いた中央集権的モデルと比べてどの程度か？
• RQ3 最適なモデル選択は、多様な電力会社のデータドメインにわたる汎化性能を向上させることができるか？
• RQ4 電力会社間でのデータ非同一性が、グローバルモデルの収束性と正確性に与える影響は何か？
• RQ5 NILMにおけるモデル精度を損なわせることなく、FLフレームワークはどの程度プライバシーのリスクを低減できるか？

主な発見

• 提案されたフェデレーテッドラーニングフレームワークは、全データを用いた中央集権的トレーニングと非常に近いNILM性能を達成しており、優れた汎化性能を示している。
• 生データではなくモデル重みのみを共有することで、フレームワークはプライバシー漏洩を効果的に防止し、データ所有権を維持している。
• 最適なモデル選択は、異種のデータ分布にわたるグローバルモデルの強靭性と正確性を顕著に向上させた。
• ローカルモデル更新の重み付き平均化により、多様な電力会社のデータセットからの知識統合が効果的に行われた。
• フレームワークは、ローカルデータ分布が電力会社間で著しく異なる場合でも高い性能を維持した。
• 実験結果から、フェデレーテッドアプローチがローカルトレーニングを上回り、中央集権的トレーニングの家電識別正確性に近づくことが確認された。