基于信任,协作,分布式的持续学习框架,用于智能电网中的非侵入性负载监控

科学领域:

• 电气工程 电气工程
• 机器学习 机器学习
• 智能电网技术 智能电网技术

背景情况:

• 非侵入性负载监控 (NILM) 对于智能电网和能源管理至关重要,它可以从聚合数据中对设备层面的能源消耗进行分析.
• 实时NILM系统由于不同的设备,需要从新的客户端数据中不断学习,但在分布式环境中面临客户端间冲突和灾难性遗忘.

研究的目的:

• 为NILM解决分布式多客户端持续学习的挑战,特别是客户端间的知识冲突和灾难性遗忘.
• 提出一种新的基于信任的协作分布式持续学习框架,以提高NILM的有效性和准确性.

主要方法:

• 开发了一种轻量级层级双监督自动编码器 (LWDSAE) 模型,用于智能电表部署,支持负载识别和基于信任的协作.
• 通过使用信号重建偏差实施了信任判断方法,通过模型协作增强个人客户端负载识别性能.
• 引入了一种基于异常样本检测的方法,用于更新模型组合,以在数量限制下保持最佳本地性能.

主要成果:

• 拟议的框架在NILM的分布式持续学习场景中显示了持续的绩效改进.
• 对公共数据集和现实世界应用程序的评估显示,与最先进的方法相比,其表现始终优于现实世界应用程序.
• 基于信任的协作和投资组合更新方法有效缓解客户间冲突和灾难性遗忘.

结论:

• 基于信任的协作分布式持续学习框架为面对不断变化的设备数据的实时NILM系统提供了强大的解决方案.
• LWDSAE模型和相关的更新策略提供了一种可扩展和有效的方法,用于在分布式环境中提高NILM准确性.
• 这项研究有助于通过提高能源分解技术的可靠性和适应性来推进智能电网能力.