《Entropy》：Tail-Latency-Aware Federated Learning with Pinching Antenna: Latency, Participation, and Placement
Yushen Lin and
Zhiguo Ding
编辑推荐：
为解决如何从单一高频率聚合电气测量中有效分解（NILM）个体电器能耗的难题，本研究从信息理论出发，将NILM建模为编码-解码过程。通过量化电器与聚合信号之间的互信息、条件互信息与传递熵，揭示了电器在信号中的可观测性（Observability）及其相互间的掩蔽效应。研究发现，归一化互信息可有效预测基于随机森林回归模型的解聚误差，为评估解聚难度、指导特征选择提供了模型无关的理论工具，并在《Entropy》发表。本研究为高频率NILM的算法性能边界评估与系统设计优化提供了新思路。
电力消费的精细化管理是智能电网和实现能源可持续利用的关键。想象一下，如果能从家庭电表的一个总读数中，就精准推断出冰箱、空调、热水器甚至一个手机充电器各自消耗了多少电，将能极大地提升能效、减少浪费，并支持更灵活的用电管理。这便是非侵入式负荷监测（Non-Intrusive Load Monitoring, NILM）技术所追求的目标。然而，现实远比理想复杂。多个电器同时运行，它们的电流、电压信号在总电表处物理叠加成一个混合的“聚合信号”，如何从这个混合信号中准确、可靠地“分离”出每个电器的贡献，成为一道难题。传统的NILM研究多聚焦于开发更复杂的机器学习模型，以追求更高的分解精度，但对于“聚合信号中究竟蕴含了多少关于单个电器的可恢复信息”这一根本性问题，却鲜有探讨。这导致在商业应用场景中，模型常因负载数量多、功率波动小、信号模糊等问题而性能骤降。那么，是否有可能在训练模型之前，就预先评估出一个电器在混合信号中是否“可见”、解聚的潜在难度有多大？这成为了本研究试图用信息理论工具解答的核心问题。
研究人员从信息论的全新视角切入，将NILM视为一个典型的通信过程：每个电器是独立的信息源，其功率信号是待编码的信息；它们在电路中的物理叠加，相当于一个多源编码过程，产生“聚合信号”这个信道输出；而NILM算法则扮演了解码器的角色，试图从输出中恢复每个源信号。基于此框架，本研究对包含电吹风、电热水器、电熨斗等八个家用电器的高频率数据集，应用香农熵、互信息、条件互信息和传递熵等一系列信息理论度量，量化了电器信号的不确定性、与聚合信号的统计关联、以及电器间的掩蔽效应。最后，通过训练一个随机森林回归模型进行解聚实验，验证了这些信息理论指标与实际算法性能的相关性。这项研究发表在期刊《Entropy》上。
为开展研究，作者主要采用了以下关键技术方法：1. 基于一个公开的高频率NILM数据集，该数据集包含八种家用电器的电流、电压、功率因数、谐波等特征，采样间隔约2秒。2. 信息理论分析：将连续功率信号通过Freedman–Diaconis规则离散化，计算香农熵、互信息、条件互信息和传递熵，以量化电器不确定性、可观测性、掩蔽效应和时序信息增益。3. 随机森林回归模型验证：使用最小冗余最大相关性特征选择，构建随机森林模型进行能耗解聚，并将模型误差与信息理论度量进行相关性分析。
4. 信息理论结果
- •
电器不确定性：通过香农熵计算，揭示了不同电器功率信号的固有不确定性。例如，电熨斗等间歇性工作的电器熵值较高，而冰箱等持续运行的电器熵值较低。
- •
电器可观测性：通过计算每个电器与聚合信号之间的互信息，量化了其可恢复的信息量。研究发现，电吹风和电热水器等电器与聚合信号的互信息较高，而电熨斗则较低，预示了其解聚难度。
- •
电器间掩蔽效应：通过条件互信息分析，评估了一个电器在已知另一电器信息的情况下，能向聚合信号提供的额外信息。结果发现笔记本电脑充电器表现出显著的掩蔽效应，会降低其他电器（如屏幕）的可观测性。
- •
时序贡献：通过计算传递熵，评估了历史信息对当前信号预测的增益。在分析的数据集中，传递熵值可忽略，表明点对点模型（如随机森林）足以处理其时序依赖性。
5. 与随机森林模型的关联
本研究将信息理论指标与一个实际的NILM算法性能相关联。通过构建随机森林回归模型并对每个电器进行解聚，计算了归一化均方根误差。统计分析显示，电器与聚合信号之间的归一化互信息，与随机森林模型的解聚误差呈现强烈的负单调相关（斯皮尔曼等级相关系数 rs= -0.81, p = 0.015）。这意味着，信息理论度量预测的可观测性高的电器，其实际解聚误差确实更低，反之亦然。这一发现从实证角度证实了信息理论分析在预测NILM性能方面的有效性。
本研究通过将NILM问题形式化为一个信息理论的编码-解码过程，成功地为高频率聚合信号中电器的可观测性提供了模型无关的量化分析框架。研究发现，电器与聚合信号之间的互信息是预测其解聚性能的一个强有力指标，这为在实际部署复杂算法之前，预先评估解聚任务的难度、指导特征选择乃至系统设计提供了理论依据。例如，分析表明仅需少数奇次谐波分量即可实现高效解聚，这有助于设计更经济的监测系统。此外，对电器间非对称掩蔽效应的揭示，深化了我们对多负载环境下信号相互作用的理解。尽管研究基于特定数据集有其局限性，但提出的方法计算轻量、可扩展，为NILM领域从单纯追求算法性能，转向深入理解问题本身的信息论本质迈出了重要一步，对推动高精度、可解释且高效的负荷监测技术发展具有重要意义。
