Conceptos Básicos
Eine leichtgewichtige, föderierte Lernmethode auf Basis eines einfachen neuronalen Netzwerks kann eine vergleichbare Genauigkeit bei der Lastvorhersage wie komplexere Modelle erreichen, ohne dass sensible Verbrauchsdaten zentral aggregiert werden müssen.
Resumen
Die Studie untersucht den Einsatz von föderiertem Lernen (Federated Learning, FL) für die Lastvorhersage in Energiesystemen. Dabei wird ein leichtgewichtiges, vollvernetztes neuronales Netzwerk verwendet, das lokal auf den Endgeräten (z.B. Smartmetern) trainiert wird. Die lokalen Modelle werden dann an einen zentralen Server übermittelt, wo sie aggregiert werden, um ein globales Modell zu erstellen.
Die Autoren zeigen, dass dieses Vorgehen eine vergleichbare Vorhersagegenauigkeit wie komplexere Modelle erreichen kann, auch unter Berücksichtigung von nicht-unabhängigen und identisch verteilten Daten (non-i.i.d.) zwischen den Endgeräten. Durch den Einsatz eines leichtgewichtigen Modells wird außerdem der Energie- und Ressourcenverbrauch deutlich reduziert, was den Einsatz auf ressourcenbeschränkten Smartmeter-Systemen ermöglicht.
Die Studie umfasst folgende Kernpunkte:
- Entwicklung eines leichtgewichtigen, föderiert trainierten Modells zur Lastvorhersage
- Kombination von Föderiertem Lernen mit Clustering, um die Vorhersagegenauigkeit weiter zu verbessern
- Evaluierung des Ansatzes und Vergleich mit anderen Methoden zur Lastvorhersage
- Quantifizierung des Energieverbrauchs des leichtgewichtigen Modells auf einer Mikrocontroller-Plattform
Estadísticas
Das durchschnittliche monatliche RMSE-Fehlermaß über alle Cluster hinweg beträgt 0.17.
Das leichtgewichtige Modell verursacht auf einer Arduino Uno R4 WiFi-Plattform einen Energieverbrauch von nur 50 mWh zusätzlich zum Leerlaufverbrauch, was einem Overhead von 11% entspricht.
Citas
"Mit unserem vorgeschlagenen leichtgewichtigen Modell können wir ein durchschnittliches Lastvorhersage-RMSE von 0,17 erreichen, wobei das Modell einen vernachlässigbaren Energieverbrauch von 50 mWh beim Training und bei der Inferenz auf einer Arduino Uno-Plattform aufweist."
"Unser Ansatz lernt lokal auf jedem Endgerät (Smartmeter) mit nur dem Austausch von Modell-Updates an die zentrale Einheit, was die mit der zentralen Aggregation von Energieverbrauchsdaten verbundenen Datenschutzrisiken reduziert."