Исследователи из Греции разработали метод прогнозирования PV для схем просьюмеров с использованием федеративного обучения, метода машинного обучения, который отправляет локальные обновления модели на центральный сервер для коррекции. Их симуляции показывают удивительные результаты по сравнению с централизованным прогнозированием.
Изображение: Blue Coat Photos, Flickr, CC BY-SA 2.0
Ученые из Национального технического университета Греции в Афинах предложили новую технологию прогнозирования фотоэлектрических систем, которая защищает конфиденциальность просьюмеров. Эффективные схемы просьюмеров опираются на точные модели прогнозирования солнечной выработки, которые требуют обширных данных, что делает компромиссы между конфиденциальностью и полезностью существенными. Подход исследователей к балансировке этого компромисса основан на федеративном обучении (FL).
«Процесс FL начинается с глобальной модели, общей для всех устройств. Каждое устройство обучает модель локально и отправляет обновления на центральный сервер, где они объединяются для улучшения модели», — говорят ученые. «Эта обновленная модель затем распространяется обратно на устройства для дальнейшего обучения. Цикл FL повторяется несколько раз, пока глобальная модель не достигнет желаемой оптимальной точности».
Модель команды работает локально на каждой машине и включает архитектуру долговременной краткосрочной памяти (LSTM), блок выпадения и два полностью связанных плотных слоя. LSTM обрабатывает последовательные данные, в то время как блок выпадения уменьшает переобучение, а плотные слои помогают делать окончательные прогнозы.
Модель также использует гиперпараметры для настройки локальных моделей LSTM и кластеризации похожих клиентов на центральном сервере. Эти гиперпараметры, установленные до начала обучения, управляют процессом обучения модели машинного обучения.
Другие модели
«Рассматриваемый набор данных получен из электросети Терни, Италия, и включает данные от 30 мелких потребителей электроэнергии, которые используют фотоэлектрические системы для генерации энергии», — пояснила группа. «После нормализации мы делим набор данных на два подмножества: обучающий набор для обучения модели и тестовый набор для оценки производительности модели на невидимых данных. Это разделение соответствует разделению 80 на 20, при этом данные с января 2015 года по декабрь 2017 года предназначены для обучения, а данные с января 2018 года по декабрь 2019 года — для тестирования».
Затем исследователи сравнили модель FL-LSTM на том же наборе данных с несколькими методами обучения. Первым было локализованное обучение, которое работает в полностью приватной, локализованной среде. Вторым было централизованное обучение, которое обычно обеспечивает более высокую точность, но жертвует конфиденциальностью. Третья модель была FL, улучшенной с дифференциальной конфиденциальностью (DP) для минимизации вероятности идентификации индивидуальных вкладов, с использованием множителей шума, установленных на 0.2, 0.25, 0.3 или 0.4.
«Для оценки эффективности моделей используются два ключевых показателя: средняя абсолютная ошибка (MAE) и среднеквадратическая ошибка (RMSE)», — пояснила группа. «Выбор MAE позволяет получить всесторонний обзор пределов погрешности наших моделей, особенно благодаря его устойчивости к выбросам — примечательной характеристике нашего набора данных. Напротив, RMSE подчеркивает чувствительность к более крупным ошибкам, что имеет решающее значение для оценки точности прогнозирования генерации, поскольку он подчеркивает влияние существенных отклонений больше, чем MAE».
Результаты показали, что централизованная модель показала наилучшие результаты со средним значением 0.00960 и среднеквадратичной ошибкой 0.01687. Модель FL показала среднеквадратичное отклонение 0.01993 и среднеквадратичное отклонение 0.02872. Модель FL-DP с множителем шума 0.2 показала среднеквадратичное отклонение 0.01857 и среднеквадратичное отклонение 0.02669. Локализованная модель показала среднеквадратичное отклонение 0.02436 и среднеквадратичное отклонение 0.04679, в то время как модель FL-DP с множителем шума 0.25 показала среднеквадратичное отклонение 0.02651 и среднеквадратичное отклонение 0.03375. Результаты для множителей шума 0.3 и 0.4 не были предоставлены.
«В поисках уровня шума, который бы обеспечивал производительность, схожую с реализацией FL без DP, мы столкнулись с интригующей аномалией. Оптимальное соотношение шума и производительности наблюдалось при множителе шума 0.2, что неожиданно дало лучшие результаты, чем FL», — отметила группа. «Наши эксперименты с множителями шума выше 0.2 продемонстрировали ожидаемое ухудшение точности прогнозирования с множителем 0.4, делающим модель неспособной сходиться».
Группа заявила, что «основное ограничение заключалось в ограниченном размере набора данных относительно количества участвующих клиентов. Это исследование служит базой; добавление большего количества просьюмеров с течением времени, безусловно, увеличит производительность FL и FL-DP. Учитывая это, наши результаты показывают, что для меньших наборов данных с небольшим количеством участвующих клиентов централизованное обучение превосходит FL с точки зрения точности, хотя оба подхода используют доступные коллективные данные. Несмотря на это, FL предлагает преимущества в отношении конфиденциальности и затрат на связь».
Они представили свои результаты в статье «Расширение возможностей методов федеративного обучения для прогнозирования PV с сохранением конфиденциальности», которая была недавно опубликована в Энергетические отчеты.
Этот контент защищен авторским правом и не может быть использован повторно. Если вы хотите сотрудничать с нами и хотели бы повторно использовать часть нашего контента, свяжитесь с нами: editors@pv-magazine.com.
Источник из журнал pv
Отказ от ответственности: информация, изложенная выше, предоставлена pv-magazine.com независимо от Chovm.com. Chovm.com не делает никаких заявлений и не дает никаких гарантий относительно качества и надежности продавца и продукции. Chovm.com категорически отказывается от какой-либо ответственности за нарушения авторских прав на контент.
