Influence of Load Profile Perturbation and Temporal Aggregation on Disaggregation Quality: Unterschied zwischen den Versionen

Version vom 10. April 2018, 17:29 Uhr

Vortragende(r)	Robin Miller
Vortragstyp	Bachelorarbeit
Betreuer(in)	Christine Tex
Termin	Fr 13. April 2018
Vortragsmodus
Kurzfassung	Smart Meters become more and more popular. With Smart Meter, new privacy issues arise. In particular, disaggregation, i.e., the determination of appliance usages from aggregated Smart Meter data. The goal of this thesis is to evaluate load profile perturbation and temporal aggregation techniques regarding their ability to prevent disaggregation. To this end, we used a privacy operator framework for temporal aggregation and perturbation, and the NILM TK framework for disaggregation. We evaluated the influence on disaggregation quality of the operators from the framework individually and in combination. One main observation is that the de-noising operator from the framework prevents disaggregation best.

@@ Zeile 5: / Zeile 5: @@
 |betreuer=Christine Tex
 |termin=Institutsseminar/2018-04-13
-|kurzfassung=Immer mehr Smart-Meter werden in neuen Häusern installiert. Hierdurch ergeben sichneue Fragestellungen in Bezug auf die Smart-Meter-Privacy. Um die Privacy der Smart Meter zu messen, kann Disaggregation, d.h. das Berechnen der Lastprofile der Geräte aus den aggregierten Daten, verwendet werden. Das Ziel dieser Thesis ist es, zu evaluieren, ob Lastprofil-Verschleierung und temporale Aggregations-Techniken Einfluss auf die Disaggregation-Qualität haben. Für die Verschleierung wurden Hertwecks Operatoren verwendet. Diese können frei kombiniert werden. Zur Disaggregation wurden die Algorithmen Combinatorial Optimism (CO) und Finite Hidden Markov Model (FHMM) des Non-Intrusive Load Monitoring Toolkit (NILM TK) verwendet. Zur Evaluierung wurde der REDD Datensatz verwendet. Die Einzelanwendung der Operatoren führt im ersten Blick auf inkonsistente Disaggregations-Qualität. Die inkonsistenten Ergebnisse können als ein Springen der Metriken beschrieben werden. Der Grund für die Sprünge sind die Model-Kombinationen der NILM-TK Algorithmen. Die De-noise Operatoren zeigten konsistent die niedrigste Disaggregations-Qualität. Bei den kombinierten Operatoren Ergebnissen zeigen sich drei Beobachtungen, welche im Vortrag vorgestellt werden.
+|kurzfassung=Smart Meters become more and more popular. With Smart Meter, new privacy issues arise. In particular, disaggregation, i.e., the determination of appliance usages from aggregated Smart Meter data. The goal of this thesis is to evaluate load profile perturbation and temporal aggregation techniques regarding their ability to prevent disaggregation. To this end, we used a privacy operator framework for temporal aggregation and perturbation, and the NILM TK framework for disaggregation. We evaluated the influence on disaggregation quality of the operators from the framework individually and in combination. One main observation is that the de-noising operator from the framework prevents disaggregation best.
 }}