模型

为了解决NILM应用中的隐私问题，联邦学习(FL)可以用于NILM模型的训练和共享。然而，当在实际NILM应用中应用FL范式时，我们面临着边缘资源限制、边缘模型个性化和边缘训练数据稀缺等挑战。 我们设计了FedNILM，这是一个面向边缘客户端NILM应用的实用FL范式。具体来说，FedNILM通过以下方式为大规模边缘客户端提供隐私保护和个性化的NILM服务：i) 通过联邦学习进行协作数据聚合，ii) 通过滤波器剪枝和多任务学习实现高效的云端模型压缩，以及iii) 通过无监督迁移学习构建个性化边缘模型。我们在真实能源数据上的实验表明，FedNILM可以在保护用户隐私的同时实现具有最先进精确度的个性化能源分解。

最近的研究表明，基于深度神经网络(DNNs)的方法在NILM任务中显示出良好的前景。然而，它们通常在网络设计中忽略了设备操作的固有特性，可能导致不合理的结果。因此，我们受到启发开发了双深度神经网络(dual-DNN)，旨在：i) 利用DNNs学习潜在特征的能力，以及ii) 赋予DNN架构识别通用特性的能力。 在dual-DNN的设计中，我们采用一个子网络来测量不同设备操作状态的功率额定值，另一个子网络来识别目标设备的运行状态。最终结果是通过将这两个网络输出相乘，同时考虑家用电器的多状态特性而获得的。为了强化设备状态操作的稀疏性，我们对状态识别的子网络采用了中值滤波和硬门控机制。与最先进的NILM方法相比，我们的dual-DNN方法在两个公共基准数据集上平均显示出22%的性能提升。

随着电动汽车(EVs)数量的增加，大规模住宅电动汽车充电将给电网带来负担，对规划和运营都造成问题。及时捕捉电动汽车充电事件可以帮助缓解这个问题。然而，大多数现有的电网运营商缺乏专门用于住宅电动汽车监测的传感器。这促使NILM成为获取精细电动汽车充电信息的技术。 我们设计了EVSense，这是一个基于深度神经网络(DNN)的非侵入式电动汽车充电检测模型。我们还展示了如何使用联邦迁移学习(FTL)将我们的系统部署在资源受限的边缘设备上。这使得EVSense成为大规模电动汽车监测的可行解决方案。我们在真实世界和合成数据集上评估EVSense，发现与现有的基于学习和基于规则的方法相比，它可以实现更高的精确度和更稳健的充电检测。我们还发现，由于使用了FTL，尽管住宅负载特征、采样率和季节存在差异，EVSense仍然表现出优秀的可扩展性。

人员占用检测可以极大地促进建筑节能的暖通空调和照明控制。基于传感器的占用检测通常成本高昂，并可能存在高误报率。因此，使用负载曲线数据进行占用检测的方法被提出。然而，此类方法通常依赖于繁琐且非常规的模型训练过程。
为了克服这个缺点，我们开发了一种简单的非侵入式占用检测方法，该方法不需要任何模型训练，仅使用负载曲线数据和现成的设备知识。该方法包括三个主要步骤：i) 首先通过精心设计的总变差最小化问题解码设备的模式状态；ii) 通过人工激活开关事件的先验知识恢复人类行为；iii) 然后基于恢复的人类行为以及经验关联规则推断占用状态。我们使用真实世界数据评估我们的方法并与现有方法进行比较。结果表明，我们的方法可以达到与使用监督机器学习相似的性能。

在电力系统中，负载曲线数据是由公用事业单位收集和保留的最重要数据集之一。然而，负载曲线数据的质量很难保证，因为数据会受到通信损失、电表故障和许多其他影响。
我们提出了一种分析负载曲线数据的新方法。该方法采用了一种称为肖像的新视角来分析负载曲线数据，通过分析数据中的周期性模式并重新组织数据以便于分析。此外，我们引入了算法来构建虚拟肖像负载曲线数据，并展示了其在负载曲线数据清洗中的应用。与现有的基于回归的方法相比，我们的方法在小规模和大规模真实世界数据集上都更快且更准确。

快速增长的边缘计算市场，在边缘云(EC)基础设施的支持下，给EC运营商(ECOs)带来了巨大的运营成本，特别是能源成本。通过安装太阳能光伏(PV)面板和风力涡轮机(WT)来整合绿色能源，ECOs在降低能源支出方面具有巨大潜力。此外，集成电池储能系统(BESS)来存储多余的绿色能源并在用电高峰期间放电，可以在现行能源费用和需求费用电价下进一步最小化能源成本。在本研究中，我们评估了ECOs在当前PV和WT安装趋势以及需求费用电价计费下的成本节省潜力。基于我们在EC中的观察和设置，我们从数学角度对分布式绿色EC中的能源调度问题进行建模，目标是最小化能源成本。为了解决这个问题，我们提出了一种基于多智能体强化学习的方法，并配合定制的无效动作屏蔽方法来处理固有的强时间耦合特性。这种新方法能够适应来自绿色资源和EC的时变和波动功率，同时对BESS的放电/充电操作做出实时决策。在使用可再生能源发电机和EC的功率轨迹的现实环境条件下进行的实验结果表明，我们的方法可以显著降低ECO的能源成本，最高可达66%。