Navorsers van Griekeland het 'n PV-voorspellingstegniek ontwikkel vir prosumer-skemas wat gebruik maak van federated learning, 'n masjienleermetode wat plaaslike modelopdaterings na 'n sentrale bediener stuur vir regstelling. Hul simulasies toon verrassende resultate in vergelyking met gesentraliseerde voorspelling.
Beeld: Blue Coat Photos, Flickr, CC BY-SA 2.0
Wetenskaplikes van Griekeland se Nasionale Nasionale Tegniese Universiteit van Athene het 'n nuwe PV-voorspellingstegniek voorgestel wat prosumer se privaatheid beskerm. Doeltreffende prosumer-skemas maak staat op akkurate sonkragproduksie-voorspellingsmodelle, wat uitgebreide data vereis, wat privaatheid en nuts-afwegings noodsaaklik maak. Die navorsers se benadering om hierdie afweging te balanseer is gebaseer op gefedereerde leer (FL).
“Die FL-proses begin met 'n globale model wat met alle toestelle gedeel word. Elke toestel lei die model plaaslik op en stuur opdaterings na 'n sentrale bediener, waar dit saamgevoeg word om die model te verbeter,” het die akademici gesê. “Hierdie opgedateerde model word dan terug na die toestelle versprei vir verdere opleiding. Die FL-siklus word verskeie kere herhaal totdat die globale model die gewenste optimale akkuraatheid bereik.”
Die span se model loop plaaslik op elke masjien en sluit 'n lang korttermyngeheue (LSTM) argitektuur, 'n uitvaleenheid en twee volledig gekoppelde digte lae in. Die LSTM hanteer opeenvolgende data, terwyl die uitval-eenheid oorpassing verminder, en die digte lae help om finale voorspellings te maak.
Die model gebruik ook hiperparameters om plaaslike LSTM-modelle in te stel en soortgelyke kliënte op die sentrale bediener te groepeer. Hierdie hiperparameters, gestel voordat opleiding begin, beheer die masjienleermodel se opleidingsproses.
Ander modelle
"Die datastel wat ondersoek word, is afkomstig van die elektrisiteitsnetwerk van Terni, Italië, wat data bevat van 30 kleinskaalse elektrisiteitsverbruikers wat fotovoltaïese stelsels vir energieopwekking gebruik," het die groep verduidelik. “Na normalisering verdeel ons die datastel in twee substelle: ’n opleidingstel vir modelopleiding en ’n toetsstel om die model se prestasie op ongesiene data te evalueer. Hierdie afdeling hou by 'n 80-20-verdeling, met data van Januarie 2015 tot Desember 2017 wat vir opleiding aangewys is en data wat strek van Januarie 2018 tot Desember 2019 wat vir toetsing toegewys is.”
Die navorsers het toe die FL-LSTM-model op dieselfde datastel vergelyk met verskeie leermetodes. Die eerste was gelokaliseerde leer, wat in 'n ten volle privaat, gelokaliseerde omgewing funksioneer. Die tweede was gesentraliseerde leer, wat tipies hoër akkuraatheid bied, maar privaatheid opoffer. Die derde model is FL verbeter met differensiële privaatheid (DP) om die kans te verminder om individuele bydraes te identifiseer, deur gebruik te maak van geraasvermenigvuldigers wat op 0.2, 0.25, 0.3 of 0.4 gestel is.
"Om die prestasie van die modelle te assesseer, word twee sleutelmaatstawwe gebruik: gemiddelde absolute fout (MAE) en wortel gemiddelde kwadraatfout (RMSE)," het die groep verduidelik. "Die keuse van MAE maak voorsiening vir 'n omvattende oorsig van die foutmarges van ons modelle, veral as gevolg van sy robuustheid teen uitskieters - 'n noemenswaardige kenmerk van ons datastel. Omgekeerd beklemtoon RMSE sensitiwiteit vir groter foute, wat deurslaggewend is vir die evaluering van die akkuraatheid van generasievoorspelling, aangesien dit die impak van aansienlike afwykings meer as MAE uitlig.”
Die resultate het getoon dat die gesentraliseerde model die beste gevaar het, met 'n MAE van 0.00960 en RMSE van 0.01687. Die FL-model het 'n MAE van 0.01993 en RMSE van 0.02872 gehad. Die FL-DP-model met 'n geraasvermenigvuldiger van 0.2 het 'n MAE van 0.01857 en RMSE van 0.02669 aangeteken. Die gelokaliseerde model het 'n MAE van 0.02436 en RMSE van 0.04679 gehad, terwyl die FL-DP-model met 'n geraasvermenigvuldiger van 0.25 'n MAE van 0.02651 en RMSE van 0.03375 getoon het. Resultate vir geraasvermenigvuldigers van 0.3 en 0.4 is nie verskaf nie.
“In die soeke na 'n geraasvlak wat soortgelyke werkverrigting as die nie-DP FL-implementering sou lewer, het ons 'n intrige anomalie teëgekom. Die optimale geraas-tot-prestasie-verhouding is waargeneem teen 'n geraasvermenigvuldiger van 0.2, wat onverwags beter resultate as FL opgelewer het,” het die groep opgemerk. "Ons eksperimente met geraasvermenigvuldigers hoër as 0.2 het die verwagte agteruitgang in voorspellende akkuraatheid met die 0.4-vermenigvuldiger gedemonstreer wat die model nie kan konvergeer nie."
Die groep het gesê dat die “hoofbeperking die beperkte grootte van die datastel met betrekking tot die aantal deelnemende kliënte behels. Hierdie studie dien as 'n basislyn; die toevoeging van meer prosumers met verloop van tyd sal beslis die prestasie van FL en FL-DP verhoog. Met dit in gedagte, dui ons resultate daarop dat gesentraliseerde leer vir kleiner datastelle met min deelnemende kliënte beter as FL presteer in terme van akkuraatheid, selfs al gebruik beide benaderings die kollektiewe data wat beskikbaar is. Ten spyte hiervan bied FL voordele rakende privaatheid en kommunikasiekoste.”
Hulle het hul resultate aangebied in "Bemagtiging van gefedereerde leertegnieke vir PV-voorspelling wat privaatheid behou," wat onlangs gepubliseer is in Energie Verslae.
Hierdie inhoud word deur kopiereg beskerm en mag nie hergebruik word nie. As jy met ons wil saamwerk en van ons inhoud wil hergebruik, kontak asseblief: editors@pv-magazine.com.
Bron van pv tydskrif
Vrywaring: Die inligting hierbo uiteengesit word verskaf deur pv-magazine.com onafhanklik van Chovm.com. Chovm.com maak geen voorstelling en waarborge oor die kwaliteit en betroubaarheid van die verkoper en produkte nie. Chovm.com ontken uitdruklik enige aanspreeklikheid vir oortredings met betrekking tot die kopiereg van inhoud.
