محققان یونانی با استفاده از یادگیری فدرال، یک روش یادگیری ماشینی که به‌روزرسانی‌های مدل محلی را برای اصلاح به سرور مرکزی ارسال می‌کند، یک تکنیک پیش‌بینی PV برای طرح‌های مشتری توسعه داده‌اند. شبیه سازی آنها نتایج شگفت انگیزی را در مقایسه با پیش بینی متمرکز نشان می دهد.
تصویر: عکس های کت آبی، فلیکر، CC BY-SA 2.0
دانشمندان دانشگاه ملی فنی ملی یونان تکنیک جدیدی را برای پیش‌بینی PV پیشنهاد کرده‌اند که از حریم خصوصی مشتری محافظت می‌کند. طرح‌های کارآمد خریدار بر مدل‌های دقیق پیش‌بینی تولید خورشیدی تکیه می‌کنند، که به داده‌های گسترده نیاز دارد، و مبادلات حریم خصوصی و ابزار ضروری است. رویکرد محققان برای ایجاد تعادل در این مبادله مبتنی بر یادگیری فدرال (FL) است.
فرآیند FL با یک مدل جهانی به اشتراک گذاشته شده با همه دستگاه ها شروع می شود. هر دستگاه مدل را به صورت محلی آموزش می‌دهد و به‌روزرسانی‌ها را به سرور مرکزی ارسال می‌کند، جایی که برای بهبود مدل جمع‌آوری می‌شوند. سپس این مدل به روز شده برای آموزش بیشتر در دستگاه ها توزیع می شود. چرخه FL چندین بار تکرار می شود تا زمانی که مدل جهانی به دقت مطلوب مطلوب دست یابد.
مدل تیم به صورت محلی روی هر دستگاه اجرا می‌شود و شامل معماری حافظه کوتاه‌مدت بلند مدت (LSTM)، یک واحد خروجی و دو لایه متراکم کاملاً متصل است. LSTM داده‌های متوالی را مدیریت می‌کند، در حالی که واحد خروج بیش از حد را کاهش می‌دهد و لایه‌های متراکم به پیش‌بینی‌های نهایی کمک می‌کنند.
این مدل همچنین از فراپارامترها برای تنظیم مدل‌های LSTM محلی و خوشه‌بندی مشتریان مشابه در سرور مرکزی استفاده می‌کند. این فراپارامترها که قبل از شروع آموزش تنظیم شده اند، بر فرآیند آموزش مدل یادگیری ماشینی حاکم هستند.
مدل های دیگر
این گروه توضیح داد: «مجموعه داده مورد بررسی از شبکه برق Terni، ایتالیا، مشتمل بر داده‌های 30 مصرف‌کننده برق در مقیاس کوچک است که از سیستم‌های فتوولتائیک برای تولید انرژی استفاده می‌کنند.» پس از عادی سازی، مجموعه داده را به دو زیر مجموعه تقسیم می کنیم: یک مجموعه آموزشی برای آموزش مدل و یک مجموعه آزمایشی برای ارزیابی عملکرد مدل بر روی داده های دیده نشده. این بخش به تقسیم 80-20 پایبند است، با داده های ژانویه 2015 تا دسامبر 2017 برای آموزش و داده های گستره از ژانویه 2018 تا دسامبر 2019 برای آزمایش اختصاص داده شده است.
سپس محققان مدل FL-LSTM را روی یک مجموعه داده با چندین روش یادگیری مقایسه کردند. اولین مورد یادگیری محلی بود که در یک محیط کاملا خصوصی و محلی عمل می کند. دومی یادگیری متمرکز بود که معمولاً دقت بالاتری را ارائه می دهد اما حریم خصوصی را قربانی می کند. مدل سوم FL با حریم خصوصی دیفرانسیل (DP) برای به حداقل رساندن شانس شناسایی مشارکت‌های فردی، با استفاده از ضرب‌کننده‌های نویز تنظیم شده در 0.2، 0.25، 0.3، یا 0.4 تقویت شد.
این گروه توضیح داد: «برای ارزیابی عملکرد مدل‌ها، از دو معیار کلیدی استفاده می‌شود: میانگین خطای مطلق (MAE) و ریشه میانگین مربع خطا (RMSE). "انتخاب MAE اجازه می دهد تا یک مرور کلی از حاشیه های خطای مدل های ما، به ویژه به دلیل استحکام آن در برابر نقاط پرت - یک ویژگی قابل توجه از مجموعه داده های ما باشد. در مقابل، RMSE بر حساسیت به خطاهای بزرگتر تأکید می کند، که برای ارزیابی دقت پیش بینی نسل بسیار مهم است، زیرا تأثیر انحرافات قابل توجه را بیش از MAE برجسته می کند.
نتایج نشان داد که مدل متمرکز با MAE 0.00960 و RMSE 0.01687 بهترین عملکرد را داشت. مدل FL دارای MAE 0.01993 و RMSE 0.02872 بود. مدل FL-DP با ضریب نویز 0.2 MAE 0.01857 و RMSE 0.02669 را ثبت کرد. مدل موضعی دارای MAE 0.02436 و RMSE 0.04679 بود، در حالی که مدل FL-DP با ضریب نویز 0.25 MAE 0.02651 و RMSE 0.03375 را نشان داد. نتایج برای ضرب‌کننده‌های نویز 0.3 و 0.4 ارائه نشد.
"در جستجوی سطح نویز که عملکردی مشابه با اجرای غیر DP FL ارائه دهد، با یک ناهنجاری جالب روبرو شدیم. نسبت بهینه نویز به عملکرد در ضریب نویز 0.2 مشاهده شد که به طور غیر منتظره نتایج بهتری نسبت به FL به همراه داشت. آزمایش‌های ما با ضرب‌کننده‌های نویز بالاتر از 0.2 کاهش پیش‌بینی‌شده در دقت پیش‌بینی را با ضریب 0.4 نشان داد که باعث می‌شود مدل نتواند همگرا شود.»
این گروه گفت که «محدودیت اصلی شامل اندازه محدود مجموعه داده مربوط به تعداد مشتریان شرکت‌کننده است. این مطالعه به عنوان یک خط پایه عمل می کند. اضافه کردن مشتریان بیشتر در طول زمان مطمئناً عملکرد FL و FL-DP را افزایش می دهد. با در نظر گرفتن این موضوع، نتایج ما نشان می‌دهد که برای مجموعه داده‌های کوچک‌تر با تعداد کمی از مشتریان شرکت‌کننده، یادگیری متمرکز از نظر دقت بهتر از FL است، حتی اگر هر دو رویکرد از داده‌های جمعی موجود استفاده کنند. با وجود این، FL مزایایی در رابطه با حفظ حریم خصوصی و هزینه های ارتباطی ارائه می دهد.
آنها نتایج خود را در «توانمندسازی تکنیک‌های یادگیری فدرال برای پیش‌بینی PV حفظ حریم خصوصی» ارائه کردند که اخیراً در گزارش های انرژی
این محتوا توسط حق چاپ محافظت می شود و امکان استفاده مجدد وجود ندارد. اگر می‌خواهید با ما همکاری کنید و می‌خواهید از برخی از محتوای ما دوباره استفاده کنید، لطفاً با: editors@pv-magazine.com تماس بگیرید.
منبع از مجله pv
سلب مسئولیت: اطلاعات ذکر شده در بالا توسط pv-magazine.com مستقل از Chovm.com ارائه شده است. Chovm.com هیچ گونه نمایندگی و ضمانتی در مورد کیفیت و قابلیت اطمینان فروشنده و محصولات نمی دهد. Chovm.com صراحتاً هر گونه مسئولیتی را در قبال نقض حق نسخه برداری محتوا سلب می کند.
