I ricercatori greci hanno sviluppato una tecnica di previsione PV per schemi prosumer utilizzando l'apprendimento federato, un metodo di apprendimento automatico che invia aggiornamenti del modello locale a un server centrale per la correzione. Le loro simulazioni mostrano risultati sorprendenti rispetto alla previsione centralizzata.
Immagine: Blue Coat Photos, Flickr, CC BY-SA 2.0
Gli scienziati della National National Technical University of Athens in Grecia hanno proposto una nuova tecnica di previsione fotovoltaica che protegge la privacy dei prosumer. Gli schemi prosumer efficienti si basano su modelli di previsione della produzione solare accurati, che richiedono dati estesi, rendendo essenziali i compromessi tra privacy e servizi di pubblica utilità. L'approccio dei ricercatori per bilanciare questo compromesso si basa sull'apprendimento federato (FL).
"Il processo FL inizia con un modello globale condiviso con tutti i dispositivi. Ogni dispositivo addestra il modello localmente e invia aggiornamenti a un server centrale, dove vengono aggregati per migliorare il modello", hanno affermato gli accademici. "Questo modello aggiornato viene quindi distribuito ai dispositivi per un ulteriore addestramento. Il ciclo FL viene iterato più volte finché il modello globale non raggiunge la precisione ottimale desiderata".
Il modello del team viene eseguito localmente su ogni macchina e include un'architettura LSTM (long short-term memory), un'unità dropout e due strati densi completamente connessi. L'LSTM gestisce i dati sequenziali, mentre l'unità dropout riduce l'overfitting e gli strati densi aiutano a fare previsioni finali.
Il modello utilizza anche iperparametri per ottimizzare i modelli LSTM locali e raggruppare client simili sul server centrale. Questi iperparametri, impostati prima dell'inizio dell'addestramento, regolano il processo di addestramento del modello di apprendimento automatico.
Altri modelli
"Il set di dati in esame proviene dalla rete elettrica di Terni, in Italia, e comprende dati di 30 piccoli prosumer di energia elettrica che utilizzano sistemi fotovoltaici per la generazione di energia", ha spiegato il gruppo. "Dopo la normalizzazione, dividiamo il set di dati in due sottoinsiemi: un set di training per il training del modello e un set di testing per la valutazione delle prestazioni del modello su dati non visti. Questa divisione aderisce a una suddivisione 80-20, con dati da gennaio 2015 a dicembre 2017 designati per il training e dati che vanno da gennaio 2018 a dicembre 2019 assegnati per il testing".
I ricercatori hanno poi confrontato il modello FL-LSTM sullo stesso set di dati con diversi metodi di apprendimento. Il primo era l'apprendimento localizzato, che opera in un ambiente completamente privato e localizzato. Il secondo era l'apprendimento centralizzato, che in genere offre una maggiore accuratezza ma sacrifica la privacy. Il terzo modello era FL migliorato con privacy differenziale (DP) per ridurre al minimo la possibilità di identificare contributi individuali, utilizzando moltiplicatori di rumore impostati a 0.2, 0.25, 0.3 o 0.4.
"Per valutare le prestazioni dei modelli, vengono utilizzate due metriche chiave: errore assoluto medio (MAE) e errore quadratico medio (RMSE)", ha spiegato il gruppo. "La selezione di MAE consente una panoramica completa dei margini di errore dei nostri modelli, in particolare grazie alla sua robustezza rispetto ai valori anomali, una caratteristica notevole del nostro set di dati. Al contrario, RMSE enfatizza la sensibilità agli errori più grandi, il che è fondamentale per valutare l'accuratezza delle previsioni di generazione, poiché evidenzia l'impatto di deviazioni sostanziali più di MAE".
I risultati hanno mostrato che il modello centralizzato ha funzionato meglio, con un MAE di 0.00960 e un RMSE di 0.01687. Il modello FL aveva un MAE di 0.01993 e un RMSE di 0.02872. Il modello FL-DP con un moltiplicatore di rumore di 0.2 ha registrato un MAE di 0.01857 e un RMSE di 0.02669. Il modello localizzato aveva un MAE di 0.02436 e un RMSE di 0.04679, mentre il modello FL-DP con un moltiplicatore di rumore di 0.25 ha mostrato un MAE di 0.02651 e un RMSE di 0.03375. I risultati per i moltiplicatori di rumore di 0.3 e 0.4 non sono stati forniti.
"Nella ricerca di un livello di rumore che avrebbe fornito prestazioni simili all'implementazione FL non-DP, abbiamo incontrato un'anomalia intrigante. Il rapporto rumore-prestazioni ottimale è stato osservato a un moltiplicatore di rumore di 0.2, che inaspettatamente ha prodotto risultati migliori di FL", ha osservato il gruppo. "I nostri esperimenti con moltiplicatori di rumore superiori a 0.2 hanno dimostrato il degrado previsto nell'accuratezza predittiva con il moltiplicatore 0.4 che rende il modello incapace di convergere".
Il gruppo ha affermato che "il vincolo principale riguardava la dimensione limitata del set di dati in merito al numero di clienti partecipanti. Questo studio funge da base di partenza; aggiungere più prosumer nel tempo aumenterebbe sicuramente le prestazioni di FL e FL-DP. Con questo in mente, i nostri risultati indicano che per set di dati più piccoli con pochi clienti partecipanti, l'apprendimento centralizzato supera FL in termini di accuratezza, anche se entrambi gli approcci sfruttano i dati collettivi disponibili. Nonostante ciò, FL offre vantaggi in termini di privacy e costi di comunicazione".
Hanno presentato i loro risultati in “Empowering federated learning techniques for privacy-preserving PV forecasting”, che è stato recentemente pubblicato in Rapporti sull'energia.
Questo contenuto è protetto da copyright e non può essere riutilizzato. Se vuoi collaborare con noi e desideri riutilizzare alcuni dei nostri contenuti, contatta: editors@pv-magazine.com.
Fonte da rivista pv
Dichiarazione di non responsabilità: le informazioni sopra riportate sono fornite da pv-magazine.com indipendentemente da Chovm.com. Chovm.com non rilascia alcuna dichiarazione o garanzia in merito alla qualità e all'affidabilità del venditore e dei prodotti. Chovm.com declina espressamente qualsiasi responsabilità per violazioni relative al diritto d'autore dei contenuti.
