[논문 리뷰] FederatedNILM: A Distributed and Privacy-preserving Framework for Non-intrusive Load Monitoring based on Federated Deep Learning

Shuang Dai, Fanlin Meng외 2명|arXiv (Cornell University)|2021. 08. 08.

Smart Grid Energy Management참고 문헌 23인용 수 5

한 줄 요약

이 논문은 원시 스마트 미터 데이터를 공유하지 않고도 개인정보 보호 및 분산 학습을 가능하게 하는 비침습적 부하 모니터링(NILM)을 위한 새로운 페더레이티드 딥 러닝 프레임워크인 FederatedNILM을 제안한다. 최신의 딥 뉴럴 네트워크와 페더레이티드 러닝을 조합함으로써, 중앙 집중식 학습과 유사한 높은 정확도를 달성하면서도, 데이터 개인 정보 보호를 위해 매개변수만을 집계함으로써, 새로운 가정에 대한 강력한 일반화 성능을 보이며, 통신 오버헤드를 최소화한다.

ABSTRACT

Non-intrusive load monitoring (NILM), which usually utilizes machine learning methods and is effective in disaggregating smart meter readings from the household-level into appliance-level consumptions, can help to analyze electricity consumption behaviours of users and enable practical smart energy and smart grid applications. However, smart meters are privately owned and distributed, which make real-world applications of NILM challenging. To this end, this paper develops a distributed and privacy-preserving federated deep learning framework for NILM (FederatedNILM), which combines federated learning with a state-of-the-art deep learning architecture to conduct NILM for the classification of typical states of household appliances. Through extensive comparative experiments, the effectiveness of the proposed FederatedNILM framework is demonstrated.

연구 동기 및 목표

• 라벨이 부족하고 사생활이 보장되어야 하는 가정들 사이에 분산된 데이터에서 정확한 NILM 모델을 학습하는 데 도전하는 것.
• 원시 스마트 미터 데이터를 중앙 집중적으로 수집하지 않음으로써 개인정보 보호를 위한 모델 학습을 가능하게 하는 것.
• 높은 모델 정확도를 유지하면서도 통신 비용을 최소화하고 개인 데이터의 기밀성을 보호하는 분산 학습 프레임워크를 개발하는 것.
• 다른 에너지 사용 패턴을 가진 새로운 가정들에 대한 프레임워크의 일반화 성능을 평가하는 것.
• 현실 세계의 스마트 그리드 애플리케이션에서 페더레이티드 러닝의 실현 가능성과 효과성을 입증하는 것.

제안 방법

• 프레임워크는 페더레이티드 러닝을 활용하여, 원시 데이터를 중앙 서버로 전송하지 않고도 개인 가정의 데이터에서 로컬 모델을 학습한다.
• 고정밀도의 가전기기 상태 분류를 위해 기초 모델로 최신의 딥 뉴럴 네트워크 아키텍처(이하 Centralized-NILM)를 사용한다.
• 학습 중에 클라이언트와 중앙 서버 간에 원시 데이터가 아닌 업데이트된 모델 매개변수(예: 기울기)만 교환하여 데이터 프라이버시를 유지한다.
• 중앙 서버는 로컬 모델 업데이트를 FedAvg( FedAvg 알고리즘)를 사용하여 집계하여 글로벌 모델을 형성한다.
• 프레임워크는 여러 가정을 포함한 실세계 데이터셋을 기반으로 평가되었으며, 식기세척기 및 세탁기와 같은 가전기기 상태에 중점을 두었다.
• 성능 평가에는 정확도, 정밀도, 재현율, F1-스코어와 같은 표준 지표를 사용하여 새로운 가정들에 대한 성능을 측정하였다.

실험 결과

연구 질문

• RQ1 중앙 집중식 원시 가정 에너지 데이터를 수집하지 않고도 페더레이티드 러닝 기반 프레임워크가 높은 분리 정확도를 달성할 수 있는가?
• RQ2 제안된 FederatedNILM의 성능은 새로운 가정에 대한 정확도와 일반화 성능 측면에서 중앙 집중식 학습과 비교해 어떻게 되는가?
• RQ3 NILM 응용 프로그램에서 모델 유틸리티를 유지하면서도, 페더레이티드 접근 방식이 데이터 프라이버시를 어느 정도 보존하는가?
• RQ4 다양한 사용자 행동(데이터 이질성)이 FederatedNILM 모델의 일반화에 어떤 영향을 미치는가?
• RQ5 실제 구현 환경에서 기존의 중앙 집중식 학습 대비 프레임워크의 통신 효율성은 어떻게 되는가?

주요 결과

• FederatedNILM는 새로운 가정에서 식기세척기의 F1-스코어가 0.78, 세탁기의 F1-스코어가 0.92를 기록하여 강력한 일반화 성능을 입증하였다.
• 식기세척기의 정확도(98%)와 F1-스코어(0.78)는 중앙 집중식 기준(99% 정확도, 0.83 F1-스코어)과 매우 유사하여 성능 저하가 거의 없음을 보였다.
• 세탁기의 경우, 정밀도 100%와 재현율 0.77를 기록했으며, F1-스코어는 0.92로, CO 및 FHMM을 포함한 대부분의 최신 모델보다 뛰어난 성능을 보였다.
• 학습 데이터가 제한적이고 분산되어 있어도 프레임워크는 높은 성능을 유지하여 데이터 이질성에 대한 강력한 내성성을 보였다.
• 원시 데이터가 아닌 모델 매개변수만 전송되므로, 중앙 집중식 학습 대비 통신 비용이 크게 감소하였다.
• 결과적으로, 페더레이티드 러닝이 강력한 개인정보 보호 보장을 제공하면서도 효과적인 NILM를 가능하게 하며, 실생활 스마트 그리드 응용에 적합함을 확인하였다.