Datenschutzfreundliches NILM: Ein selbstabgleichender, quellenbewusster Domänenanpassungsansatz

Nichtintrusive Lastüberwachung (NILM) identifiziert den Stromverbrauch einzelner Geräte innerhalb einer Gesamtlastauslastung, was eine raffiniertere und sicherere Lastverwaltung ermöglicht. Bestehende auf Deep Learning basierende NILM-Modelle benötigen jedoch große Mengen an beschrifteten Daten von verschiedenen Geräten, was zeitaufwendig ist und Datenschutzbedenken aufwirft. Darüber hinaus erfordert die Verarbeitung dieser großen Datensätze erhebliche Rechen- und Speichermittel. Um diese Probleme anzugehen, schlagen wir einen selbstabgleichenden, quellenbewussten Domänenanpassungsansatz vor. Unser Ansatz verwendet domänen adversarielle Netzwerke, um Änderungen in der Merkmals- und Klassenzuteilungsverteilung zwischen Quell- und Zieldomänen zu adressieren. Um die Privatsphäre zu wahren, verfeinern wir das Modell ohne Daten der Quell-Domäne. Um das adversarielle Training zu stabilisieren, integrieren wir einen Selbstabgleichmechanismus (SAM). Der SAM gewährleistet Parameteraktualisierungen ohne Zugriff auf Daten der Quell-Domäne, wodurch ein stabiles Training bei gleichzeitiger Wahrung der Privatsphäre ermöglicht wird. Vertrauensbasierte Label-Dichtekarten (LDMs) erzeugen Pseudo-Labels für das Feintuning. Wir haben unseren Ansatz durch Intra- und Inter-Domänen-Anpassungsstudien an synthetischen und realen Daten validiert. Die Ergebnisse zeigen, dass unser Verfahren eine Decompositionsgenauigkeit übertrifft, die bei quellenbasierten Methoden für Geräte mit regulären Nutzungsmustern erreicht wird, während gleichzeitig die Privatsphäre effektiv gewahrt wird, da während der Feintuning-Phase keine Quelldaten benötigt werden. Dies bietet das Potenzial zur Verbesserung der NILM-Effizienz und des Energiemanagements in industriellen Messumgebungen mit ähnlichen Stabilitätsanforderungen.