Des chercheurs grecs ont développé une technique de prévision de la valeur ajoutée pour les systèmes de prosommateurs en utilisant l'apprentissage fédéré, une méthode d'apprentissage automatique qui envoie les mises à jour des modèles locaux à un serveur central pour correction. Leurs simulations montrent des résultats surprenants par rapport aux prévisions centralisées.
Image : Blue Coat Photos, Flickr, CC BY-SA 2.0
Des scientifiques de l'Université nationale polytechnique d'Athènes, en Grèce, ont proposé une nouvelle technique de prévision photovoltaïque qui protège la vie privée des prosommateurs. Les systèmes de prosommateurs efficaces s'appuient sur des modèles de prévision de la production solaire précis, qui nécessitent des données volumineuses, ce qui rend les compromis entre confidentialité et utilité essentiels. L'approche des chercheurs pour équilibrer ce compromis est basée sur l'apprentissage fédéré (FL).
« Le processus FL commence par un modèle global partagé par tous les appareils. Chaque appareil entraîne le modèle localement et envoie des mises à jour à un serveur central, où elles sont agrégées pour améliorer le modèle », ont déclaré les universitaires. « Ce modèle mis à jour est ensuite redistribué aux appareils pour une formation supplémentaire. Le cycle FL est répété plusieurs fois jusqu'à ce que le modèle global atteigne la précision optimale souhaitée. »
Le modèle de l'équipe s'exécute localement sur chaque machine et comprend une architecture de mémoire à long terme (LSTM), une unité de décrochage et deux couches denses entièrement connectées. La LSTM gère les données séquentielles, tandis que l'unité de décrochage réduit le surapprentissage et les couches denses aident à faire des prédictions finales.
Le modèle utilise également des hyperparamètres pour optimiser les modèles LSTM locaux et regrouper des clients similaires sur le serveur central. Ces hyperparamètres, définis avant le début de la formation, régissent le processus de formation du modèle d'apprentissage automatique.
Autres modèles
« L’ensemble de données examiné provient du réseau électrique de Terni, en Italie, et comprend des données provenant de 30 petits producteurs d’électricité qui utilisent des systèmes photovoltaïques pour produire de l’énergie », a expliqué le groupe. « Après normalisation, nous divisons l’ensemble de données en deux sous-ensembles : un ensemble d’entraînement pour l’entraînement du modèle et un ensemble de tests pour évaluer les performances du modèle sur des données non vues. Cette division adhère à une répartition 80-20, avec des données de janvier 2015 à décembre 2017 destinées à l’entraînement et des données de janvier 2018 à décembre 2019 allouées aux tests. »
Les chercheurs ont ensuite comparé le modèle FL-LSTM sur le même ensemble de données avec plusieurs méthodes d’apprentissage. La première était l’apprentissage localisé, qui fonctionne dans un environnement entièrement privé et localisé. La deuxième était l’apprentissage centralisé, qui offre généralement une plus grande précision mais sacrifie la confidentialité. Le troisième modèle était FL amélioré avec une confidentialité différentielle (DP) pour minimiser les chances d’identifier les contributions individuelles, en utilisant des multiplicateurs de bruit fixés à 0.2, 0.25, 0.3 ou 0.4.
« Pour évaluer la performance des modèles, deux mesures clés sont utilisées : l’erreur absolue moyenne (MAE) et l’erreur quadratique moyenne (RMSE) », explique le groupe. « Le choix de la MAE permet d’avoir un aperçu complet des marges d’erreur de nos modèles, notamment en raison de sa robustesse face aux valeurs aberrantes – une caractéristique notable de notre ensemble de données. À l’inverse, la RMSE met l’accent sur la sensibilité aux erreurs plus importantes, ce qui est crucial pour évaluer la précision des prévisions de production, car elle met en évidence l’impact des écarts substantiels plus que la MAE. »
Français Les résultats ont montré que le modèle centralisé était le plus performant, avec un MAE de 0.00960 et un RMSE de 0.01687. Le modèle FL avait un MAE de 0.01993 et un RMSE de 0.02872. Le modèle FL-DP avec un multiplicateur de bruit de 0.2 a enregistré un MAE de 0.01857 et un RMSE de 0.02669. Le modèle localisé avait un MAE de 0.02436 et un RMSE de 0.04679, tandis que le modèle FL-DP avec un multiplicateur de bruit de 0.25 a montré un MAE de 0.02651 et un RMSE de 0.03375. Les résultats pour les multiplicateurs de bruit de 0.3 et 0.4 n'ont pas été fournis.
« Dans la recherche d’un niveau de bruit qui fournirait des performances similaires à l’implémentation FL non DP, nous avons rencontré une anomalie intrigante. Le rapport bruit/performance optimal a été observé à un multiplicateur de bruit de 0.2, ce qui a donné de meilleurs résultats que FL », a noté le groupe. « Nos expériences avec des multiplicateurs de bruit supérieurs à 0.2 ont démontré la dégradation anticipée de la précision prédictive avec le multiplicateur de 0.4 rendant le modèle incapable de converger. »
Le groupe a déclaré que « la principale contrainte concernait la taille limitée de l’ensemble de données concernant le nombre de clients participants. Cette étude sert de base de référence ; l’ajout de plus de prosommateurs au fil du temps augmenterait certainement les performances de FL et FL-DP. Dans cette optique, nos résultats indiquent que pour les ensembles de données plus petits avec peu de clients participants, l’apprentissage centralisé surpasse FL en termes de précision, même si les deux approches exploitent les données collectives disponibles. Malgré cela, FL offre des avantages en termes de confidentialité et de coûts de communication. »
Ils ont présenté leurs résultats dans « Empowering federated learning techniques for privacy-preserving PV forecasting », qui a été récemment publié dans Rapports sur l'énergie.
Ce contenu est protégé par le droit d'auteur et ne peut être réutilisé. Si vous souhaitez coopérer avec nous et réutiliser une partie de notre contenu, veuillez contacter : editors@pv-magazine.com.
Source à partir de magazine pv
Avis de non-responsabilité : les informations présentées ci-dessus sont fournies par pv-magazine.com indépendamment d'Chovm.com. Chovm.com ne fait aucune représentation ni garantie quant à la qualité et à la fiabilité du vendeur et des produits. Chovm.com décline expressément toute responsabilité en cas de violations des droits d'auteur du contenu.
