[论文解读] 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 14

一句话总结

本文提出了一种用于非侵入式负载监测（NILM）的联邦学习（FL）框架，使电力公司能够协作训练全局深度学习模型，而无需共享原始家庭用电数据，从而保护隐私。通过加权平均聚合本地训练的模型权重并采用最优模型选择，该框架在缓解隐私风险和数据所有权担忧的同时，实现了接近集中式训练的NILM性能。

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.

研究动机与目标

• 解决电力公司和配电运营商（DNO）在数据协作时面临的非侵入式负载监测（NILM）中的隐私和数据所有权挑战。
• 实现在多个电力公司之间协作训练用于NILM的深度学习模型，同时不暴露原始家庭用电量数据。
• 在确保数据去中心化和用户隐私的前提下，维持高水平的模型性能。
• 开发一个能够适应不同电力公司领域中多样化数据分布的稳健联邦学习（FL）框架。
• 证明联邦训练可在实现与完全数据访问下的集中式训练相当性能的同时，显著降低隐私风险。

提出的方法

• 该框架采用联邦学习（FL）在多个电力公司之间训练全局NILM模型，而无需共享本地数据。
• 本地模型在每个电力公司私有数据集上独立训练，仅交换模型权重，不共享原始数据。
• 通过加权平均本地更新的模型参数，生成全局模型权重，以聚合跨领域的知识。
• 应用最优模型选择以识别在不同数据分布上泛化能力最强的最佳性能全局模型。
• 通过确保训练期间本地数据不离开电力公司系统，有效保护数据隐私。
• 通过根据本地数据质量和数量动态调整各电力公司贡献度，支持异构数据分布。

实验结果

研究问题

• RQ1 联邦学习能否在多个电力公司之间有效提升NILM性能，同时保护消费者隐私？
• RQ2 联邦模型的性能与使用全部数据的集中式训练模型相比如何？
• RQ3 最优模型选择能否提升在多样化电力公司数据领域中的泛化能力？
• RQ4 电力公司之间的数据异质性对全局模型收敛性和准确率有何影响？
• RQ5 该FL框架在不牺牲NILM模型准确率的前提下，能在多大程度上降低隐私风险？

主要发现

• 所提出的联邦学习框架实现了与使用全部数据的集中式训练模型非常接近的NILM性能，表现出强大的泛化能力。
• 通过仅共享模型权重而非原始数据，该框架有效防止了隐私泄露并维持了数据所有权。
• 最优模型选择显著提升了全局模型在异构数据分布下的鲁棒性和准确性。
• 本地模型更新的加权平均确保了对多样化电力公司数据集知识的有效聚合。
• 即使各电力公司之间的本地数据分布存在显著差异，该框架仍能保持高性能。
• 实验结果证实，联邦方法优于本地训练，且在电器识别准确率方面接近集中式训练的性能。