Peneliti dari Yunani telah mengembangkan teknik peramalan PV untuk skema prosumer menggunakan pembelajaran terfederasi, metode pembelajaran mesin yang mengirimkan pembaruan model lokal ke server pusat untuk dikoreksi. Simulasi mereka menunjukkan hasil yang mengejutkan dibandingkan dengan peramalan terpusat.
Gambar: Foto Blue Coat, Flickr, CC BY-SA 2.0
Para ilmuwan dari Universitas Teknik Nasional Athena di Yunani telah mengusulkan teknik peramalan PV baru yang melindungi privasi prosumer. Skema prosumer yang efisien bergantung pada model peramalan produksi solar yang akurat, yang memerlukan data ekstensif, sehingga membuat privasi dan utilitas menjadi penting. Pendekatan para peneliti untuk menyeimbangkan trade-off ini didasarkan pada pembelajaran terfederasi (FL).
“Proses FL dimulai dengan model global yang dibagikan ke semua perangkat. Setiap perangkat melatih model secara lokal dan mengirimkan pembaruan ke server pusat, tempat pembaruan tersebut dikumpulkan untuk meningkatkan model,” kata para akademisi. “Model yang diperbarui ini kemudian didistribusikan kembali ke perangkat untuk pelatihan lebih lanjut. Siklus FL diulang beberapa kali hingga model global mencapai akurasi optimal yang diinginkan.”
Model tim tersebut berjalan secara lokal di setiap mesin dan mencakup arsitektur memori jangka pendek (LSTM), unit dropout, dan dua lapisan padat yang terhubung sepenuhnya. LSTM menangani data berurutan, sementara unit dropout mengurangi overfitting, dan lapisan padat membantu dalam membuat prediksi akhir.
Model ini juga menggunakan hiperparameter untuk menyetel model LSTM lokal dan mengelompokkan klien serupa di server pusat. Hiperparameter ini, yang ditetapkan sebelum pelatihan dimulai, mengatur proses pelatihan model pembelajaran mesin.
Model lainnya
“Kumpulan data yang diperiksa bersumber dari jaringan listrik Terni, Italia, yang terdiri dari data dari 30 prosumer listrik skala kecil yang memanfaatkan sistem fotovoltaik untuk pembangkitan energi,” jelas kelompok tersebut. “Setelah normalisasi, kami membagi kumpulan data menjadi dua subkumpulan: kumpulan pelatihan untuk pelatihan model dan kumpulan pengujian untuk mengevaluasi kinerja model pada data yang tidak terlihat. Pembagian ini mengikuti pembagian 80-20, dengan data dari Januari 2015 hingga Desember 2017 ditetapkan untuk pelatihan dan data dari Januari 2018 hingga Desember 2019 dialokasikan untuk pengujian.”
Para peneliti kemudian membandingkan model FL-LSTM pada kumpulan data yang sama dengan beberapa metode pembelajaran. Yang pertama adalah pembelajaran terlokalisasi, yang beroperasi dalam lingkungan yang sepenuhnya privat dan terlokalisasi. Yang kedua adalah pembelajaran tersentralisasi, yang biasanya menawarkan akurasi yang lebih tinggi tetapi mengorbankan privasi. Model ketiga adalah FL yang disempurnakan dengan privasi diferensial (DP) untuk meminimalkan kemungkinan mengidentifikasi kontribusi individual, menggunakan pengganda gangguan yang ditetapkan pada 0.2, 0.25, 0.3, atau 0.4.
“Untuk menilai kinerja model, dua metrik utama digunakan: mean absolute error (MAE) dan root mean square error (RMSE),” jelas kelompok tersebut. “Pemilihan MAE memungkinkan tinjauan menyeluruh atas margin kesalahan model kami, terutama karena ketahanannya terhadap outlier – karakteristik penting dari kumpulan data kami. Sebaliknya, RMSE menekankan sensitivitas terhadap kesalahan yang lebih besar, yang sangat penting untuk mengevaluasi keakuratan peramalan pembangkitan, karena lebih menonjolkan dampak penyimpangan substansial daripada MAE.”
Hasil penelitian menunjukkan bahwa model terpusat memiliki kinerja terbaik, dengan MAE sebesar 0.00960 dan RMSE sebesar 0.01687. Model FL memiliki MAE sebesar 0.01993 dan RMSE sebesar 0.02872. Model FL-DP dengan pengali derau sebesar 0.2 mencatat MAE sebesar 0.01857 dan RMSE sebesar 0.02669. Model terlokalisasi memiliki MAE sebesar 0.02436 dan RMSE sebesar 0.04679, sedangkan model FL-DP dengan pengali derau sebesar 0.25 menunjukkan MAE sebesar 0.02651 dan RMSE sebesar 0.03375. Hasil untuk pengali derau sebesar 0.3 dan 0.4 tidak diberikan.
"Dalam pencarian tingkat kebisingan yang akan memberikan kinerja serupa dengan implementasi FL non-DP, kami menemukan anomali yang menarik. Rasio kebisingan terhadap kinerja yang optimal diamati pada pengali kebisingan sebesar 0.2, yang secara tak terduga menghasilkan hasil yang lebih baik daripada FL," kelompok tersebut mencatat. "Eksperimen kami dengan pengali kebisingan yang lebih tinggi dari 0.2 menunjukkan penurunan yang diantisipasi dalam akurasi prediktif dengan pengali 0.4 yang membuat model tidak dapat konvergen."
Kelompok tersebut mengatakan bahwa “kendala utama melibatkan ukuran terbatas dari kumpulan data terkait jumlah klien yang berpartisipasi. Studi ini berfungsi sebagai dasar; menambahkan lebih banyak prosumer dari waktu ke waktu tentu akan meningkatkan kinerja FL dan FL-DP. Dengan mempertimbangkan hal itu, hasil kami menunjukkan bahwa untuk kumpulan data yang lebih kecil dengan sedikit klien yang berpartisipasi, pembelajaran terpusat mengungguli FL dalam hal akurasi, meskipun kedua pendekatan tersebut memanfaatkan data kolektif yang tersedia. Meskipun demikian, FL menawarkan manfaat terkait privasi dan biaya komunikasi.”
Mereka mempresentasikan hasil penelitian mereka dalam jurnal “Empowering federated learning techniques for privacy-preserving PV forecasting,” yang baru-baru ini diterbitkan di Laporan Energi.
Konten ini dilindungi oleh hak cipta dan tidak boleh digunakan kembali. Jika Anda ingin bekerja sama dengan kami dan ingin menggunakan kembali sebagian konten kami, silakan hubungi: editors@pv-magazine.com.
Sumber dari majalah pv
Penafian: Informasi yang diuraikan di atas disediakan oleh pv-magazine.com secara independen dari Chovm.com. Chovm.com tidak membuat pernyataan dan jaminan mengenai kualitas dan keandalan penjual dan produk. Chovm.com secara tegas melepaskan tanggung jawab apa pun atas pelanggaran yang berkaitan dengan hak cipta konten.
