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

Shuang Dai, Fanlin Meng+2 more|arXiv (Cornell University)|Aug 8, 2021

Smart Grid Energy Management参考文献 23被引用 5

一句话总结

本文提出 FederatedNILM，一种新颖的联邦深度学习框架，用于非侵入式负载监测（NILM），可在不共享原始智能电表数据的前提下，实现跨家庭的隐私保护式分布式训练。通过结合最先进的深度神经网络与联邦学习，该框架在仅交换参数、不共享原始数据的前提下，实现了与集中式训练相当的高精度，同时通信开销极低，展现出对未见家庭的强大泛化能力。

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.

研究动机与目标

• 解决在标签数据有限且分散于私人家庭的情况下，训练高精度 NILM 模型的挑战。
• 通过避免集中收集原始智能电表数据，实现隐私保护的模型训练。
• 开发一种分布式学习框架，在最小化通信成本的同时保持高模型精度并保护个人数据隐私。
• 评估该框架在具有不同能耗模式的未见家庭上的泛化性能。
• 证明联邦学习在智能电网实际 NILM 应用中的可行性与有效性。

提出的方法

• 该框架采用联邦学习，本地模型在各家庭数据上独立训练，无需将原始数据传输至中心服务器。
• 采用一种先进的深度神经网络架构（记为 Centralized-NILM）作为基础模型，以实现高精度的电器状态分类。
• 训练过程中仅交换更新后的模型参数（如梯度），不传输原始数据，从而保护数据隐私。
• 中心服务器使用 FedAvg（FedAvg 算法）聚合本地模型更新，形成全局模型。
• 该框架在包含多个家庭的真实数据集上进行评估，重点关注洗碗机和洗衣机等电器状态。
• 性能通过标准指标进行衡量：在未见家庭上的准确率、精确率、召回率和 F1 分数。

实验结果

研究问题

• RQ1 基于联邦学习的框架是否能在不集中原始家庭能耗数据的前提下，实现高精度的 NILM 能耗分解？
• RQ2 与集中式训练相比，所提出的 FederatedNILM 在未见家庭上的精度与泛化性能如何？
• RQ3 联邦方法在保持 NILM 应用中模型实用性的前提下，能在多大程度上保护数据隐私？
• RQ4 数据异构性（不同用户行为）对 FederatedNILM 模型泛化能力有何影响？
• RQ5 在实际部署中，该框架的通信效率与传统集中式学习相比如何？

主要发现

• 在未见家庭中，FederatedNILM 对洗碗机的 F1 分数达到 0.78，对洗衣机的 F1 分数达到 0.92，展现出强大的泛化能力。
• 对于洗碗机，该模型的准确率（98%）和 F1 分数（0.78）与集中式基线（99% 准确率，0.83 F1 分数）非常接近，表明性能损失极小。
• 对于洗衣机，FederatedNILM 实现了 100% 的精确率和 0.77 的召回率，F1 分数达 0.92，优于大多数最先进模型，包括 CO 和 FHMM。
• 即使在训练数据有限且分布分散的情况下，该框架仍保持高性能，表明其对数据异构性具有强鲁棒性。
• 相比集中式训练，通信成本显著降低，因为仅传输模型参数，而非原始数据。
• 结果证实，联邦学习能够实现高效的 NILM 并提供强有力的隐私保障，使其适用于实际智能电网应用。