Forscher aus Griechenland haben eine PV-Prognosetechnik für Prosumer-Systeme entwickelt, die Federated Learning verwendet, eine Methode des maschinellen Lernens, die lokale Modellaktualisierungen zur Korrektur an einen zentralen Server sendet. Ihre Simulationen zeigen im Vergleich zu zentralisierten Prognosen überraschende Ergebnisse.
Bild: Blue Coat Photos, Flickr, CC BY-SA 2.0
Wissenschaftler der Nationalen Technischen Universität Athen in Griechenland haben eine neuartige PV-Prognosetechnik vorgeschlagen, die die Privatsphäre der Prosumer schützt. Effiziente Prosumer-Systeme basieren auf genauen Prognosemodellen für die Solarstromproduktion, die umfangreiche Daten erfordern, wodurch Kompromisse zwischen Privatsphäre und Nutzen unabdingbar sind. Der Ansatz der Forscher zum Ausgleich dieses Kompromisses basiert auf föderiertem Lernen (FL).
„Der FL-Prozess beginnt mit einem globalen Modell, das von allen Geräten gemeinsam genutzt wird. Jedes Gerät trainiert das Modell lokal und sendet Updates an einen zentralen Server, wo sie aggregiert werden, um das Modell zu verbessern“, so die Wissenschaftler. „Dieses aktualisierte Modell wird dann zur weiteren Schulung an die Geräte zurückgesendet. Der FL-Zyklus wird mehrmals wiederholt, bis das globale Modell die gewünschte optimale Genauigkeit erreicht.“
Das Modell des Teams läuft lokal auf jedem Rechner und umfasst eine Long Short-Term Memory (LSTM)-Architektur, eine Dropout-Einheit und zwei vollständig verbundene dichte Schichten. Das LSTM verarbeitet sequenzielle Daten, während die Dropout-Einheit Überanpassung reduziert und die dichten Schichten bei der Erstellung endgültiger Vorhersagen helfen.
Das Modell verwendet außerdem Hyperparameter, um lokale LSTM-Modelle zu optimieren und ähnliche Clients auf dem zentralen Server zu clustern. Diese Hyperparameter, die vor Beginn des Trainings festgelegt werden, steuern den Trainingsprozess des maschinellen Lernmodells.
Weitere Modelle
„Der untersuchte Datensatz stammt aus dem Stromnetz von Terni, Italien, und umfasst Daten von 30 kleinen Strom-Prosumern, die Photovoltaikanlagen zur Stromerzeugung nutzen“, erklärte die Gruppe. „Nach der Normalisierung teilen wir den Datensatz in zwei Teilmengen auf: einen Trainingssatz für das Modelltraining und einen Testsatz zur Bewertung der Leistung des Modells anhand unbekannter Daten. Diese Aufteilung entspricht einer 80:20-Aufteilung, wobei Daten von Januar 2015 bis Dezember 2017 für das Training und Daten von Januar 2018 bis Dezember 2019 für Tests vorgesehen sind.“
Anschließend verglichen die Forscher das FL-LSTM-Modell anhand desselben Datensatzes mit mehreren Lernmethoden. Die erste Methode war das lokalisierte Lernen, das in einer vollständig privaten, lokalisierten Umgebung ausgeführt wird. Die zweite Methode war das zentralisierte Lernen, das in der Regel eine höhere Genauigkeit bietet, aber auf Kosten der Privatsphäre geht. Das dritte Modell war FL, das mit Differential Privacy (DP) erweitert wurde, um die Wahrscheinlichkeit der Identifizierung einzelner Beiträge zu minimieren, wobei Rauschmultiplikatoren von 0.2, 0.25, 0.3 oder 0.4 verwendet wurden.
„Um die Leistung der Modelle zu bewerten, werden zwei Schlüsselmetriken verwendet: der mittlere absolute Fehler (MAE) und der mittlere quadratische Fehler (RMSE)“, erklärte die Gruppe. „Die Auswahl des MAE ermöglicht einen umfassenden Überblick über die Fehlermargen unserer Modelle, insbesondere aufgrund seiner Robustheit gegenüber Ausreißern – ein bemerkenswertes Merkmal unseres Datensatzes. Umgekehrt betont der RMSE die Empfindlichkeit gegenüber größeren Fehlern, was für die Bewertung der Genauigkeit der Erzeugungsprognose von entscheidender Bedeutung ist, da er die Auswirkungen erheblicher Abweichungen stärker hervorhebt als der MAE.“
Die Ergebnisse zeigten, dass das zentralisierte Modell mit einem MAE von 0.00960 und einem RMSE von 0.01687 die beste Leistung erbrachte. Das FL-Modell hatte einen MAE von 0.01993 und einen RMSE von 0.02872. Das FL-DP-Modell mit einem Rauschmultiplikator von 0.2 verzeichnete einen MAE von 0.01857 und einen RMSE von 0.02669. Das lokalisierte Modell hatte einen MAE von 0.02436 und einen RMSE von 0.04679, während das FL-DP-Modell mit einem Rauschmultiplikator von 0.25 einen MAE von 0.02651 und einen RMSE von 0.03375 aufwies. Ergebnisse für Rauschmultiplikatoren von 0.3 und 0.4 wurden nicht bereitgestellt.
„Bei der Suche nach einem Rauschpegel, der eine ähnliche Leistung wie die nicht-DP-FL-Implementierung bietet, stießen wir auf eine faszinierende Anomalie. Das optimale Rausch-Leistungs-Verhältnis wurde bei einem Rauschmultiplikator von 0.2 beobachtet, der unerwartet bessere Ergebnisse als FL lieferte“, stellte die Gruppe fest. „Unsere Experimente mit Rauschmultiplikatoren über 0.2 zeigten die erwartete Verschlechterung der Vorhersagegenauigkeit mit dem Multiplikator von 0.4, der das Modell unfähig machte, zu konvergieren.“
Die Gruppe sagte, dass die „Hauptbeschränkung die begrenzte Größe des Datensatzes in Bezug auf die Anzahl der teilnehmenden Kunden war. Diese Studie dient als Grundlage; das Hinzufügen weiterer Prosumenten im Laufe der Zeit würde die Leistung von FL und FL-DP sicherlich steigern. Vor diesem Hintergrund zeigen unsere Ergebnisse, dass bei kleineren Datensätzen mit wenigen teilnehmenden Kunden zentralisiertes Lernen FL in Bezug auf Genauigkeit übertrifft, obwohl beide Ansätze die verfügbaren kollektiven Daten nutzen. Trotzdem bietet FL Vorteile in Bezug auf Datenschutz und Kommunikationskosten.“
Sie präsentierten ihre Ergebnisse in „Empowering federated learning techniques for privacy-preserving PV forecasting“, das kürzlich veröffentlicht wurde in Energieberichte.
Dieser Inhalt ist urheberrechtlich geschützt und darf nicht weiterverwendet werden. Wenn Sie mit uns zusammenarbeiten und einige unserer Inhalte wiederverwenden möchten, wenden Sie sich bitte an: editors@pv-magazine.com.
Quelle aus pv Magazin
Haftungsausschluss: Die oben aufgeführten Informationen werden von pv-magazine.com unabhängig von Chovm.com bereitgestellt. Chovm.com übernimmt keine Zusicherungen und Gewährleistungen hinsichtlich der Qualität und Zuverlässigkeit des Verkäufers und der Produkte. Chovm.com lehnt ausdrücklich jegliche Haftung für Verstöße gegen das Urheberrecht der Inhalte ab.
