Investigadores de Grecia han desarrollado una técnica de previsión de energía fotovoltaica para sistemas de prosumidores utilizando aprendizaje federado, un método de aprendizaje automático que envía actualizaciones de modelos locales a un servidor central para su corrección. Sus simulaciones muestran resultados sorprendentes en comparación con la previsión centralizada.
Imagen: Blue Coat Photos, Flickr, CC BY-SA 2.0
Científicos de la Universidad Técnica Nacional de Atenas (Grecia) han propuesto una novedosa técnica de previsión de la energía fotovoltaica que protege la privacidad de los consumidores. Los sistemas eficientes para consumidores se basan en modelos precisos de previsión de la producción solar, que requieren una gran cantidad de datos, lo que hace que sea esencial equilibrar la privacidad y los servicios públicos. El enfoque de los investigadores para equilibrar esta compensación se basa en el aprendizaje federado (FL).
“El proceso FL comienza con un modelo global compartido con todos los dispositivos. Cada dispositivo entrena el modelo localmente y envía actualizaciones a un servidor central, donde se agregan para mejorar el modelo”, dijeron los académicos. “Este modelo actualizado luego se distribuye de nuevo a los dispositivos para un mayor entrenamiento. El ciclo FL se repite varias veces hasta que el modelo global alcanza la precisión óptima deseada”.
El modelo del equipo se ejecuta localmente en cada máquina e incluye una arquitectura de memoria de corto plazo larga (LSTM), una unidad de descarte y dos capas densas completamente conectadas. La LSTM maneja datos secuenciales, mientras que la unidad de descarte reduce el sobreajuste y las capas densas ayudan a realizar predicciones finales.
El modelo también utiliza hiperparámetros para ajustar los modelos LSTM locales y agrupar clientes similares en el servidor central. Estos hiperparámetros, que se configuran antes de que comience el entrenamiento, rigen el proceso de entrenamiento del modelo de aprendizaje automático.
Otros modelos
“El conjunto de datos que se examina procede de la red eléctrica de Terni (Italia) y comprende datos de 30 pequeños consumidores de electricidad que utilizan sistemas fotovoltaicos para la generación de energía”, explicó el grupo. “Tras la normalización, dividimos el conjunto de datos en dos subconjuntos: un conjunto de entrenamiento para el entrenamiento del modelo y un conjunto de prueba para evaluar el rendimiento del modelo con datos no vistos. Esta división se rige por una división 80-20, con datos de enero de 2015 a diciembre de 2017 designados para el entrenamiento y datos que abarcan desde enero de 2018 a diciembre de 2019 asignados para la prueba”.
Los investigadores compararon luego el modelo FL-LSTM en el mismo conjunto de datos con varios métodos de aprendizaje. El primero fue el aprendizaje localizado, que opera en un entorno totalmente privado y localizado. El segundo fue el aprendizaje centralizado, que normalmente ofrece mayor precisión pero sacrifica la privacidad. El tercer modelo fue FL mejorado con privacidad diferencial (DP) para minimizar la posibilidad de identificar contribuciones individuales, utilizando multiplicadores de ruido establecidos en 0.2, 0.25, 0.3 o 0.4.
“Para evaluar el rendimiento de los modelos, se utilizan dos métricas clave: el error absoluto medio (MAE) y el error cuadrático medio (RMSE)”, explicó el grupo. “La selección del MAE permite una visión general completa de los márgenes de error de nuestros modelos, en particular debido a su solidez frente a valores atípicos, una característica notable de nuestro conjunto de datos. Por el contrario, el RMSE enfatiza la sensibilidad a errores mayores, lo que es crucial para evaluar la precisión de las previsiones de generación, ya que destaca el impacto de desviaciones sustanciales más que el MAE”.
Los resultados mostraron que el modelo centralizado tuvo el mejor desempeño, con un MAE de 0.00960 y un RMSE de 0.01687. El modelo FL tuvo un MAE de 0.01993 y un RMSE de 0.02872. El modelo FL-DP con un multiplicador de ruido de 0.2 registró un MAE de 0.01857 y un RMSE de 0.02669. El modelo localizado tuvo un MAE de 0.02436 y un RMSE de 0.04679, mientras que el modelo FL-DP con un multiplicador de ruido de 0.25 mostró un MAE de 0.02651 y un RMSE de 0.03375. No se proporcionaron resultados para los multiplicadores de ruido de 0.3 y 0.4.
“En la búsqueda de un nivel de ruido que ofreciera un rendimiento similar al de la implementación FL sin DP, nos topamos con una anomalía intrigante. La relación ruido-rendimiento óptima se observó con un multiplicador de ruido de 0.2, lo que inesperadamente produjo mejores resultados que FL”, señaló el grupo. “Nuestros experimentos con multiplicadores de ruido superiores a 0.2 demostraron la degradación prevista en la precisión predictiva con el multiplicador de 0.4, lo que hizo que el modelo no pudiera converger”.
El grupo afirmó que la “principal limitación era el tamaño limitado del conjunto de datos en relación con el número de clientes participantes. Este estudio sirve como punto de partida; añadir más prosumidores con el tiempo sin duda aumentaría el rendimiento de FL y FL-DP. Teniendo esto en cuenta, nuestros resultados indican que, para conjuntos de datos más pequeños con pocos clientes participantes, el aprendizaje centralizado supera a FL en términos de precisión, aunque ambos enfoques aprovechan los datos colectivos disponibles. A pesar de esto, FL ofrece beneficios en cuanto a privacidad y costes de comunicación”.
Presentaron sus resultados en “Empoderamiento de técnicas de aprendizaje federado para la previsión de PV que preserva la privacidad”, que se publicó recientemente en Informes de energía.
Este contenido está protegido por derechos de autor y no puede reutilizarse. Si desea cooperar con nosotros y desea reutilizar parte de nuestro contenido, comuníquese con: editors@pv-magazine.com.
Fuente de pv magazine
Descargo de responsabilidad: la información establecida anteriormente es proporcionada por pv-magazine.com independientemente de Chovm.com. Chovm.com no representa ni garantiza la calidad y confiabilidad del vendedor y los productos. Chovm.com renuncia expresamente a cualquier responsabilidad por violaciones relacionadas con los derechos de autor del contenido.
