論文の概要: Privacy-preserving household load forecasting based on non-intrusive
load monitoring: A federated deep learning approach
- arxiv url: http://arxiv.org/abs/2206.15192v1
- Date: Thu, 30 Jun 2022 11:13:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-01 15:53:34.397111
- Title: Privacy-preserving household load forecasting based on non-intrusive
load monitoring: A federated deep learning approach
- Title（参考訳）: 非侵入的負荷モニタリングに基づくプライバシー保全型家計負荷予測--連合型ディープラーニングアプローチ
- Authors: Xinxin Zhou, Jingru Feng, Jian Wang, Jianhong Pan
- Abstract要約: まず,フェデレーション深層学習と非侵入負荷モニタリング(NILM)に基づく世帯負荷予測手法を提案する。
非侵入的負荷監視により統合電力を個別のデバイスパワーに分解し、連合ディープラーニングモデルを用いて個別のアプライアンスのパワーを別々に予測する。
- 参考スコア（独自算出の注目度）: 3.0584272247900577
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Load forecasting is very essential in the analysis and grid planning of power
systems. For this reason, we first propose a household load forecasting method
based on federated deep learning and non-intrusive load monitoring (NILM). For
all we know, this is the first research on federated learning (FL) in household
load forecasting based on NILM. In this method, the integrated power is
decomposed into individual device power by non-intrusive load monitoring, and
the power of individual appliances is predicted separately using a federated
deep learning model. Finally, the predicted power values of individual
appliances are aggregated to form the total power prediction. Specifically, by
separately predicting the electrical equipment to obtain the predicted power,
it avoids the error caused by the strong time dependence in the power signal of
a single device. And in the federated deep learning prediction model, the
household owners with the power data share the parameters of the local model
instead of the local power data, guaranteeing the privacy of the household user
data. The case results demonstrate that the proposed approach provides a better
prediction effect than the traditional methodology that directly predicts the
aggregated signal as a whole. In addition, experiments in various federated
learning environments are designed and implemented to validate the validity of
this methodology.
- Abstract（参考訳）: 電力系統の分析とグリッド計画には負荷予測が不可欠である。
そこで我々はまず,フェデレートされたディープラーニングと非侵入的負荷監視(NILM)に基づく家庭用負荷予測手法を提案する。
私たちが知る限り、NILMに基づく家庭負荷予測における連邦学習(FL)に関する最初の研究である。
この方法では、非侵入負荷監視により統合電力を個々のデバイスパワーに分解し、連合ディープラーニングモデルを用いて個々の家電のパワーを別々に予測する。
最後に、個々の家電の予測電力値を集約して総電力予測を形成する。
具体的には、電気機器を別々に予測して予測電力を得ることにより、単一の装置の電力信号に強い時間依存に起因する誤差を回避する。
また, 集中型ディープラーニング予測モデルでは, 電力データを持つ世帯所有者は, 地域電力データではなく, 地域モデルのパラメータを共有し, 家庭ユーザデータのプライバシを保証している。
その結果,提案手法は,集約信号全体を直接予測する従来の手法よりも優れた予測効果が得られた。
さらに, この手法の有効性を検証するために, 各種フェデレーション学習環境における実験を設計, 実施した。
関連論文リスト
- Secure short-term load forecasting for smart grids with
transformer-based federated learning [0.0]
電力負荷予測は、需要と供給収支を補助するスマートグリッドの中で不可欠なタスクである。
きめ細かい負荷プロファイルは、ユーザの消費電力の挙動を公開できるため、プライバシやセキュリティ上の懸念が高まる。
本稿では,短期電力負荷予測のためのフェデレーション学習を用いた変圧器を用いた新しい深層学習手法を提案する。
論文 参考訳（メタデータ） (2023-10-26T15:27:55Z) - Prediction-Oriented Bayesian Active Learning [51.426960808684655]
予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。
EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
論文 参考訳（メタデータ） (2023-04-17T10:59:57Z) - Prediction-Powered Inference [68.97619568620709]
予測を用いた推論は、実験データセットに機械学習システムからの予測を補足した場合に有効な統計的推論を行うためのフレームワークである。
このフレームワークは、手段、量子、線形およびロジスティック回帰係数などの量に対して証明可能な信頼区間を計算するための単純なアルゴリズムを生成する。
予測による推論により、研究者は機械学習を使用して、より有効な、よりデータ効率の高い結論を導き出すことができる。
論文 参考訳（メタデータ） (2023-01-23T18:59:28Z) - Wind Power Forecasting Considering Data Privacy Protection: A Federated
Deep Reinforcement Learning Approach [5.718294641082287]
超短時間の風力発電予測において,連合学習と深部強化学習(DRL)を組み合わせた予測手法を提案する。
本稿では,予測精度向上のための基本的な予測モデルとして,Deep Deterministic Policy gradient (DDPG)アルゴリズムを用いる。
提案したFedDRLは、プライベートデータを共有するのではなく、モデルパラメータを共有することによって、分散的に正確な予測モデルを得ることができる。
論文 参考訳（メタデータ） (2022-11-02T08:36:32Z) - Appliance Level Short-term Load Forecasting via Recurrent Neural Network [6.351541960369854]
本稿では,各家電の消費電力を効率よく予測するSTLFアルゴリズムを提案する。
提案手法は、ディープラーニングにおける強力なリカレントニューラルネットワーク(RNN)アーキテクチャに基づいている。
論文 参考訳（メタデータ） (2021-11-23T16:56:37Z) - Federated Learning with Hyperparameter-based Clustering for Electrical
Load Forecasting [0.0]
本稿では,個別住宅負荷と集約負荷の短期予測のためのフェデレーション学習の性能を評価する。
本手法の利点とデメリットを,集中型および局所的な学習手法と比較することにより論じる。
その結果,フェデレート学習は,各負荷予測における最小ルート平均二乗誤差(RMSE)0.117kWhで良好な性能を示した。
論文 参考訳（メタデータ） (2021-11-14T22:29:01Z) - DER Forecast using Privacy Preserving Federated Learning [0.0]
分散機械学習アプローチであるFederated Learningを提案し、IoTノードのネットワークを使用してDER予測を実行する。
提案手法が消費者プライバシ保護の正確な予測に繋がることを示すため,1000 DER を含むシミュレーション研究を考察する。
論文 参考訳（メタデータ） (2021-07-07T14:25:43Z) - Test-time Collective Prediction [73.74982509510961]
マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。
エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。
我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
論文 参考訳（メタデータ） (2021-06-22T18:29:58Z) - Probabilistic electric load forecasting through Bayesian Mixture Density
Networks [70.50488907591463]
確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。
ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。
後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
論文 参考訳（メタデータ） (2020-12-23T16:21:34Z) - Physics-Informed Gaussian Process Regression for Probabilistic States
Estimation and Forecasting in Power Grids [67.72249211312723]
電力グリッドの効率的な運転にはリアルタイム状態推定と予測が不可欠である。
PhI-GPRは3世代電力系統の位相角,角速度,風力の予測と推定に使用される。
提案手法は観測された状態と観測されていない状態の両方を正確に予測し,推定することができることを示す。
論文 参考訳（メタデータ） (2020-10-09T14:18:31Z) - Privacy-preserving Traffic Flow Prediction: A Federated Learning
Approach [61.64006416975458]
本稿では,フェデレート学習に基づくGated Recurrent Unit Neural Network Algorithm (FedGRU) というプライバシ保護機械学習手法を提案する。
FedGRUは、現在の集中学習方法と異なり、安全なパラメータアグリゲーション機構を通じて、普遍的な学習モデルを更新する。
FedGRUの予測精度は、先進的なディープラーニングモデルよりも90.96%高い。
論文 参考訳（メタデータ） (2020-03-19T13:07:49Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。