Yunanistan'dan araştırmacılar, yerel model güncellemelerini düzeltme için merkezi bir sunucuya gönderen bir makine öğrenme yöntemi olan federasyonlu öğrenmeyi kullanarak prosumer şemaları için bir PV tahmin tekniği geliştirdiler. Simülasyonları, merkezi tahmine kıyasla şaşırtıcı sonuçlar gösteriyor.
Resim: Blue Coat Photos, Flickr, CC BY-SA 2.0
Yunanistan'ın Atina Ulusal Teknik Üniversitesi'nden bilim insanları, prosumer mahremiyetini koruyan yeni bir PV tahmin tekniği önerdi. Verimli prosumer şemaları, kapsamlı veri gerektiren doğru güneş enerjisi üretim tahmin modellerine dayanır ve bu da mahremiyet ve fayda dengelerini önemli hale getirir. Araştırmacıların bu dengeyi sağlama yaklaşımı, federasyonlu öğrenmeye (FL) dayanmaktadır.
“FL süreci, tüm cihazlarla paylaşılan küresel bir modelle başlar. Her cihaz modeli yerel olarak eğitir ve güncellemeleri, modeli iyileştirmek için bir araya getirildiği merkezi bir sunucuya gönderir,” dedi akademisyenler. “Bu güncellenmiş model daha sonra daha fazla eğitim için cihazlara geri dağıtılır. Küresel model istenen optimum doğruluğa ulaşana kadar FL döngüsü birkaç kez yinelenir.”
Ekibin modeli her makinede yerel olarak çalışır ve uzun kısa süreli bellek (LSTM) mimarisi, bir bırakma birimi ve iki tam bağlı yoğun katman içerir. LSTM sıralı verileri işlerken, bırakma birimi aşırı uyumu azaltır ve yoğun katmanlar nihai tahminler yapmaya yardımcı olur.
Model ayrıca yerel LSTM modellerini ayarlamak ve benzer istemcileri merkezi sunucuda kümelemek için hiperparametreler kullanır. Eğitim başlamadan önce ayarlanan bu hiperparametreler, makine öğrenimi modelinin eğitim sürecini yönetir.
Diğer modeller
Grup, "İncelenen veri seti, enerji üretimi için fotovoltaik sistemler kullanan 30 küçük ölçekli elektrik tüketicisinden gelen verileri içeren İtalya'nın Terni kentindeki elektrik şebekesinden alınmıştır" açıklamasında bulundu. "Normalleştirmenin ardından, veri setini iki alt kümeye ayırıyoruz: model eğitimi için bir eğitim seti ve modelin görülmemiş verilerdeki performansını değerlendirmek için bir test seti. Bu bölüm, Ocak 80'ten Aralık 20'ye kadar olan verilerin eğitim için ve Ocak 2015'den Aralık 2017'a kadar olan verilerin test için ayrıldığı 2018-2019 bölünmesine uymaktadır."
Araştırmacılar daha sonra aynı veri kümesindeki FL-LSTM modelini çeşitli öğrenme yöntemleriyle karşılaştırdı. Birincisi, tamamen özel, yerelleştirilmiş bir ortamda çalışan yerelleştirilmiş öğrenmeydi. İkincisi, genellikle daha yüksek doğruluk sunan ancak gizlilikten ödün veren merkezileştirilmiş öğrenmeydi. Üçüncü model, 0.2, 0.25, 0.3 veya 0.4 olarak ayarlanan gürültü çarpanlarını kullanarak bireysel katkıları tanımlama şansını en aza indirmek için diferansiyel gizlilik (DP) ile geliştirilmiş FL'ydi.
Grup, "Modellerin performansını değerlendirmek için iki temel ölçüt kullanılır: ortalama mutlak hata (MAE) ve kök ortalama kare hatası (RMSE)," diye açıkladı. "MAE'nin seçilmesi, özellikle aykırı değerlere karşı sağlamlığı nedeniyle modellerimizin hata paylarına ilişkin kapsamlı bir genel bakışa olanak tanır - veri setimizin dikkate değer bir özelliği. Buna karşılık, RMSE, büyük hatalara karşı duyarlılığı vurgular; bu, nesil tahmininin doğruluğunu değerlendirmek için çok önemlidir, çünkü önemli sapmaların etkisini MAE'den daha fazla vurgular."
Sonuçlar, merkezi modelin 0.00960 MAE ve 0.01687 RMSE ile en iyi performansı gösterdiğini gösterdi. FL modelinin MAE'si 0.01993 ve RMSE'si 0.02872'ydi. 0.2 gürültü çarpanına sahip FL-DP modeli 0.01857 MAE ve 0.02669 RMSE kaydetti. Yerelleştirilmiş modelin MAE'si 0.02436 ve RMSE'si 0.04679'du, gürültü çarpanı 0.25 olan FL-DP modeli ise 0.02651 MAE ve 0.03375 RMSE gösterdi. 0.3 ve 0.4 gürültü çarpanlarına ilişkin sonuçlar sunulmadı.
“DP olmayan FL uygulamasına benzer performans sağlayacak bir gürültü seviyesi arayışında ilginç bir anormallikle karşılaştık. En uygun gürültü-performans oranı, FL'den beklenmedik şekilde daha iyi sonuçlar veren 0.2'lik bir gürültü çarpanında gözlemlendi,” diye belirtti grup. “0.2'den yüksek gürültü çarpanlarıyla yaptığımız deneyler, 0.4 çarpanının modelin yakınsamasını engellediği tahmin doğruluğunda beklenen bozulmayı gösterdi.”
Grup, "ana kısıtlamanın, katılan müşteri sayısıyla ilgili veri setinin sınırlı boyutuyla ilgili olduğunu" söyledi. Bu çalışma bir temel olarak hizmet ediyor; zamanla daha fazla prosumer eklemek, FL ve FL-DP'nin performansını kesinlikle artıracaktır. Bunu akılda tutarak, sonuçlarımız, az sayıda katılımcı müşterisi olan daha küçük veri setleri için, her iki yaklaşım da mevcut toplu verileri kullansa bile, merkezi öğrenmenin doğruluk açısından FL'den daha iyi performans gösterdiğini gösteriyor. Buna rağmen, FL gizlilik ve iletişim maliyetleri açısından avantajlar sunuyor."
Sonuçlarını yakın zamanda yayınlanan "Gizliliği koruyan PV tahmini için federasyonlu öğrenme tekniklerinin güçlendirilmesi" başlıklı makalede sundular. Enerji Raporları.
Bu içerik telif hakkıyla korunmaktadır ve tekrar kullanılamaz. Bizimle işbirliği yapmak ve içeriğimizin bir kısmını yeniden kullanmak istiyorsanız lütfen editors@pv-magazine.com adresiyle iletişime geçin.
Kaynaktan pv dergisi
Yasal Uyarı: Yukarıda belirtilen bilgiler Chovm.com'dan bağımsız olarak pv-magazine.com tarafından sağlanmaktadır. Chovm.com, satıcının ve ürünlerin kalitesi ve güvenilirliği konusunda hiçbir beyan ve garanti vermez. Chovm.com, içeriğin telif hakkıyla ilgili ihlallere ilişkin her türlü sorumluluğu açıkça reddeder.
