[논문 리뷰] A Federated Learning Framework for Non-Intrusive Load Monitoring

Haijin Wang, Caomingzhe Si외 1명|arXiv (Cornell University)|2021. 04. 04.

Smart Grid Energy Management참고 문헌 20인용 수 14

한 줄 요약

이 논문은 원격 전력 데이터를 공유하지 않고도 유티리티 기관들이 공동으로 글로벌 딥러닝 모델을 훈련시킬 수 있도록 하는 비침습적 부하 모니터링(NILM)을 위한 연합학습(FL) 프레임워크를 제안한다. 이는 개인정보 보호를 유지하면서도, 국소적으로 훈련된 모델 가중치를 가중 평균으로 집계하고 최적의 모델 선택을 통해 중심화된 훈련에 가까운 NILM 성능을 달성한다. 이로 인해 개인정보 유출 위험과 데이터 소유권 문제를 완화할 수 있다.

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.

연구 동기 및 목표

• 유티리티 기관과 DNO가 데이터를 공유할 때 발생하는 개인정보 보호 및 데이터 소유권 문제를 해결하기 위해.
• 원격 전력 소비 데이터를 노출하지 않고도 여러 유티리티 기관 간에 딥러닝 모델을 공동으로 훈련시킬 수 있도록 하기 위해.
• 데이터 분산화와 사용자 개인정보 보호를 확보하면서도 높은 모델 성능을 유지하기 위해.
• 다양한 데이터 분포를 가진 다양한 유티리티 도메인에 적응할 수 있는 견고한 FL 프레임워크를 개발하기 위해.
• 중앙집중적 훈련이 가능한 전체 데이터 접근 조건에서의 성능과 유사한 성능을 연합 훈련이 달성할 수 있음을 입증하기 위해.

제안 방법

• 프레임워크는 여러 유티리티 기관 간에 국소 데이터를 공유하지 않고도 글로벌 NILM 모델을 훈련하기 위해 연합학습(FL)을 활용한다.
• 각 유티리티 기관의 비공개 데이터셋에서 독립적으로 국소 모델을 훈련하고, 원시 데이터 대신 모델 가중치만 교환한다.
• 국소적으로 업데이트된 모델 파라미터의 가중 평균을 통해 글로벌 모델 가중치를 생성함으로써 다양한 도메인 간 지식을 집계한다.
• 최적의 모델 선택을 통해 다양한 데이터 분포에서 잘 일반화되는 최고 성능의 글로벌 모델을 식별한다.
• 훈련 중에 국소 데이터가 유티리티 시스템 외부로 이동하지 않도록 보장함으로써 데이터 프라이버시를 유지한다.
• 국소 데이터 품질과 양에 따라 동적으로 기여도를 조정함으로써 이질적인 데이터 분포를 지원한다.

실험 결과

연구 질문

• RQ1 연합학습이 여러 유티리티 기관 간에 소비자 개인정보를 보호하면서도 NILM 성능을 효과적으로 향상시킬 수 있는가?
• RQ2 모든 데이터를 사용한 중심화된 훈련 모델과 비교할 때, 연합 모델의 성능은 어떻게 되는가?
• RQ3 최적의 모델 선택이 다양한 유티리티 데이터 도메인 간 일반화를 향상시킬 수 있는가?
• RQ4 유티리티 간의 데이터 이질성이 글로벌 모델의 수렴성과 정확도에 어떤 영향을 미치는가?
• RQ5 NILM에서 모델 정확도를 희생시키지 않으면서도, FL 프레임워크가 개인정보 위험을 얼마나 줄일 수 있는가?

주요 결과

• 제안된 연합학습 프레임워크는 전체 데이터를 사용한 중심화된 훈련 모델과 매우 유사한 NILM 성능을 달성하여 강력한 일반화 능력을 입증한다.
• 원시 데이터 대신 모델 가중치만 공유함으로써, 이 프레임워크는 개인정보 泄露를 효과적으로 방지하고 데이터 소유권을 유지한다.
• 최적의 모델 선택은 이질적인 데이터 분포 간에 글로벌 모델의 강건성과 정확도를 크게 향상시킨다.
• 국소 모델 업데이트의 가중 평균은 다양한 유티리티 데이터셋에서의 지식 집합을 효과적으로 보장한다.
• 국소 데이터 분포가 유티리티 간에 크게 다를 경우에도 프레임워크는 높은 성능을 유지한다.
• 실험 결과는 연합 기반 접근이 국소 훈련보다 뛰어나며, 기기 식별 정확도 측면에서 중심화된 훈련에 근접한 성능을 보임을 확인한다.