قام باحثون من اليونان بتطوير تقنية للتنبؤ بالطاقة الشمسية لمخططات المستهلكين المحترفين باستخدام التعلم الفيدرالي، وهي طريقة للتعلم الآلي ترسل تحديثات نموذجية محلية إلى خادم مركزي للتصحيح. تظهر عمليات المحاكاة التي أجروها نتائج مذهلة مقارنة بالتنبؤ المركزي.
الصورة: Blue Coat Photos، Flickr، CC BY-SA 2.0
اقترح علماء من الجامعة التقنية الوطنية في أثينا باليونان تقنية جديدة للتنبؤ بالطاقة الشمسية تحمي خصوصية المستهلك. تعتمد مخططات المستهلك الفعّالة على نماذج دقيقة للتنبؤ بإنتاج الطاقة الشمسية، والتي تتطلب بيانات مكثفة، مما يجعل التنازلات بين الخصوصية والمرافق ضرورية. يعتمد نهج الباحثين في موازنة هذه التنازلات على التعلم الفيدرالي.
"تبدأ عملية FL بنموذج عالمي مشترك بين جميع الأجهزة. يقوم كل جهاز بتدريب النموذج محليًا ويرسل التحديثات إلى خادم مركزي، حيث يتم تجميعها لتحسين النموذج"، كما قال الأكاديميون. "يتم بعد ذلك توزيع هذا النموذج المحدث مرة أخرى على الأجهزة لمزيد من التدريب. يتم تكرار دورة FL عدة مرات حتى يحقق النموذج العالمي الدقة المثلى المطلوبة."
يعمل نموذج الفريق محليًا على كل جهاز ويتضمن بنية ذاكرة طويلة الأمد وقصيرة الأمد ووحدة إسقاط وطبقتين كثيفتين متصلتين بالكامل. تتعامل LSTM مع البيانات المتسلسلة، بينما تعمل وحدة إسقاط البيانات على تقليل الإفراط في التجهيز، وتساعد الطبقات الكثيفة في إجراء التنبؤات النهائية.
يستخدم النموذج أيضًا معلمات فائقة لضبط نماذج LSTM المحلية وتجميع العملاء المتشابهين على الخادم المركزي. تحكم هذه المعلمات الفائقة، التي يتم ضبطها قبل بدء التدريب، عملية تدريب نموذج التعلم الآلي.
نماذج أخرى
وأوضحت المجموعة أن "مجموعة البيانات قيد الفحص مستمدة من شبكة الكهرباء في تيرني بإيطاليا، وتتكون من بيانات من 30 مستهلكًا صغيرًا للكهرباء يستخدمون أنظمة الطاقة الكهروضوئية لتوليد الطاقة". "بعد التطبيع، نقسم مجموعة البيانات إلى مجموعتين فرعيتين: مجموعة تدريب لتدريب النموذج ومجموعة اختبار لتقييم أداء النموذج على البيانات غير المرئية. يلتزم هذا التقسيم بتقسيم 80-20، مع تخصيص البيانات من يناير 2015 إلى ديسمبر 2017 للتدريب والبيانات الممتدة من يناير 2018 إلى ديسمبر 2019 للاختبار".
ثم قارن الباحثون نموذج FL-LSTM على نفس مجموعة البيانات مع العديد من طرق التعلم. كان الأول هو التعلم الموضعي، والذي يعمل في بيئة محلية خاصة بالكامل. وكان الثاني هو التعلم المركزي، والذي يوفر عادةً دقة أعلى ولكنه يضحي بالخصوصية. وكان النموذج الثالث هو FL المعزز بالخصوصية التفاضلية (DP) لتقليل فرصة تحديد المساهمات الفردية، باستخدام مضاعفات الضوضاء المضبوطة عند 0.2 أو 0.25 أو 0.3 أو 0.4.
"لتقييم أداء النماذج، يتم استخدام مقياسين رئيسيين: متوسط الخطأ المطلق (MAE) وجذر متوسط الخطأ التربيعي (RMSE)"، أوضحت المجموعة. "يسمح اختيار MAE بإلقاء نظرة شاملة على هوامش الخطأ في نماذجنا، وخاصة بسبب قوتها ضد القيم المتطرفة - وهي سمة ملحوظة لمجموعة البيانات الخاصة بنا. وعلى العكس من ذلك، يؤكد RMSE على الحساسية للأخطاء الأكبر، وهو أمر بالغ الأهمية لتقييم دقة التنبؤ بالجيل، لأنه يسلط الضوء على تأثير الانحرافات الكبيرة أكثر من MAE."
أظهرت النتائج أن النموذج المركزي حقق أفضل أداء، مع MAE 0.00960 وRMSE 0.01687. وكان لنموذج FL MAE 0.01993 وRMSE 0.02872. وسجل نموذج FL-DP بمضاعف ضوضاء 0.2 MAE 0.01857 وRMSE 0.02669. وكان للنموذج الموضعي MAE 0.02436 وRMSE 0.04679، بينما أظهر نموذج FL-DP بمضاعف ضوضاء 0.25 MAE 0.02651 وRMSE 0.03375. ولم يتم تقديم نتائج لمضاعفات الضوضاء 0.3 و0.4.
"في البحث عن مستوى ضوضاء من شأنه أن يوفر أداءً مماثلاً لتطبيق FL غير DP، واجهنا شذوذًا مثيرًا للاهتمام. تم ملاحظة نسبة الضوضاء إلى الأداء المثلى عند مضاعف ضوضاء 0.2، والذي أسفر بشكل غير متوقع عن نتائج أفضل من FL"، كما لاحظت المجموعة. "أثبتت تجاربنا مع مضاعفات الضوضاء أعلى من 0.2 التدهور المتوقع في دقة التنبؤ مع مضاعف 0.4 الذي يجعل النموذج غير قادر على التقارب".
وقالت المجموعة إن "القيود الرئيسية كانت تتعلق بالحجم المحدود لمجموعة البيانات فيما يتعلق بعدد العملاء المشاركين. وتعمل هذه الدراسة كخط أساس؛ فإضافة المزيد من المستهلكين المحترفين بمرور الوقت من شأنه أن يزيد بالتأكيد من أداء FL وFL-DP. ومع وضع ذلك في الاعتبار، تشير نتائجنا إلى أنه بالنسبة لمجموعات البيانات الأصغر مع عدد قليل من العملاء المشاركين، فإن التعلم المركزي يتفوق على FL من حيث الدقة، على الرغم من أن كلا النهجين يستفيدان من البيانات الجماعية المتاحة. وعلى الرغم من ذلك، فإن FL تقدم فوائد فيما يتعلق بالخصوصية وتكاليف الاتصال".
وقد قدموا نتائجهم في "تمكين تقنيات التعلم الفيدرالية للتنبؤ بالطاقة الشمسية للحفاظ على الخصوصية"، والتي نُشرت مؤخرًا في تقارير الطاقة.
هذا المحتوى محمي بموجب حقوق الطبع والنشر ولا يجوز إعادة استخدامه. إذا كنت ترغب في التعاون معنا وترغب في إعادة استخدام بعض المحتوى الخاص بنا، فيرجى الاتصال بـ: Editors@pv-magazine.com.
مصدر من مجلة الكهروضوئية
إخلاء المسؤولية: يتم توفير المعلومات المذكورة أعلاه بواسطة pv-magazine.com بشكل مستقل عن Chovm.com. لا تقدم Chovm.com أي تعهدات أو ضمانات فيما يتعلق بجودة وموثوقية البائع والمنتجات. ينكر موقع Chovm.com صراحةً أي مسؤولية عن الانتهاكات المتعلقة بحقوق الطبع والنشر للمحتوى.
