О предоставлении возможности совместной не

Jun 19, 2024

Научные отчеты, том 13, Номер статьи: 6569 (2023) Цитировать эту статью

771 Доступов

3 Альтметрика

Подробности о метриках

Повышение энергоэффективности является важнейшим аспектом построения устойчивого умного города и, в более широком смысле, актуальным для улучшения экологического, экономического и социального благосостояния. Неинтрузивный мониторинг нагрузки (NILM) — это вычислительная технология, которая оценивает потребление энергии в режиме реального времени и помогает повысить осведомленность пользователей об энергопотреблении для облегчения управления энергопотреблением. Большинство решений NILM по-прежнему представляют собой единый машинный подход и плохо подходят для умных городов. В этой работе предлагается независимая от модели гибридная среда федеративного обучения для совместного обучения моделей NILM для общегородских энергосберегающих приложений. Платформа поддерживает как централизованный, так и децентрализованный режимы обучения, предоставляя пользователям настраиваемое и оптимальное решение для обучения на основе кластеров. Предлагаемая структура оценивается на основе реального набора данных по дезагрегированию энергетики. Результаты показывают, что все модели NILM, обученные с помощью предложенной нами структуры, превосходят модели, обученные локально, по точности. Результаты также показывают, что модели NILM, обученные в нашей системе, устойчивы к утечке конфиденциальной информации.

Примерно 55% населения мира проживает в городских районах, и ожидается, что к 2050 году этот процент увеличится до 68%1. С продолжающимся расширением городов становится все более важным управлять имеющимися ресурсами для обеспечения устойчивости городских систем для удовлетворение постоянно растущих потребностей городского населения. Последние достижения в области Интернета вещей, периферийных вычислений и машинного обучения обеспечивают аппаратную и программную поддержку, прокладывая путь к устойчивым умным городам2. Одной из главных задач создания устойчивых умных городов является удовлетворение растущего спроса на электроэнергию. Для преодоления этой трудности были разработаны различные подходы3,4,5, но общим элементом этих подходов является предоставление потребителям возможности получать подробную информацию о потреблении электроэнергии. Предыдущие исследования6,7 показывают, что информация на уровне приборов может помочь снизить потребление энергии за счет повышения осведомленности потребителей и содействия внедрению новых энергосберегающих приложений для устойчивых умных городов.

Потребление энергии отдельными устройствами можно получить с помощью неинтрузивного мониторинга нагрузки (NILM), вычислительного метода для определения состояния устройства и извлечения потребления электроэнергии на уровне устройства из агрегированных данных о мощности. Агрегированные данные отслеживаются только в одной центральной точке, например, на счетчике электроэнергии в здании или доме. NILM может предоставить детальную информацию о потреблении энергии, необходимую интеллектуальным сетевым системам, которые являются неотъемлемой частью умных городов, для формирования когорты для улучшения предоставления услуг. Он обеспечивает онлайн-обратную связь о потреблении энергии домохозяйствами, чтобы пользователи были хорошо осведомлены о ситуации и помогали им менять модели использования, когда это необходимо. Эта информация также может помочь в разработке стратегий реагирования на спрос со стороны сети для оптимизации производства и диспетчеризации электроэнергии. Эти парные взаимодействия способствуют прогрессу умных городов, энергосбережению и устойчивому развитию. За прошедшие годы были разработаны различные экспериментально осуществимые решения с использованием скрытых моделей Маркова, анализа временных мотивов или других методов комбинаторной оптимизации. Исследователи недавно обратили свое внимание на модели машинного обучения из-за их превосходной производительности в различных приложениях в различных дисциплинах. Многие алгоритмы на основе глубокого обучения8,9,10 и алгоритмы повышения градиента11,12 были разработаны для приложений NILM и превзошли традиционные модели с точки зрения точности и эффективности.

Большинство существующих подходов NILM по-прежнему сталкиваются с серьезными проблемами, препятствующими их широкому использованию для устойчивых умных городов. Во-первых, моделям NILM необходимы значительные обучающие данные для изучения репрезентативных статистических характеристик и достижения высокой производительности. Традиционные подходы решают эту проблему путем сбора данных от заинтересованных сторон для централизованного обучения моделей, при этом передача данных может быть дорогостоящей, а проблемы конфиденциальности и безопасности исключают их практическое использование. В последние годы было предложено федеративное обучение13 для совместного обучения глобальной модели без обмена необработанными данными заинтересованных сторон. Существующие решения NILM для федеративного обучения ориентированы на глубокое обучение в централизованной обстановке14,15,16. Центральный сервер координирует действия всех заинтересованных сторон для обучения модели нейронной сети. Эти методы позволяют достичь желаемой производительности в экспериментах, но подвержены ошибкам в реальных сценариях. Централизованное федеративное обучение обычно имеет плохую масштабируемость из-за ограничений ресурсов, превращающих центральный узел в узкое место в производительности при работе с крупными клиентами. Сложная структура модели глубокого обучения и связанные с ней гиперпараметры также требуют больших вычислительных затрат при обучении и выводе, что делает ее менее подходящей для работы на устройствах с ограниченными ресурсами. Кроме того, обычно предполагается, что распределение клиентских данных является независимым и идентичным распределением (не IID), поскольку оно крайне непоследовательно по количеству и распределению. Распространение, отличное от IID, потенциально может вносить различные факторы обновления в клиентские модели и приводит к плохой подгонке глобальной модели17. В недавних работах была предпринята попытка решить эти проблемы посредством трансферного обучения и сокращения фильтров18. Эти работы не могут фундаментально изменить природу моделей глубокого обучения, требующих для обучения обширных данных и вычислительных мощностей. Во-вторых, большинство исследований10,19,20 фокусируются на долгосрочной (более одного часа) дезагрегации энергии, что, естественно, требует длинной последовательности основных показаний для каждого анализа. Аналитическим устройствам требуется значительный объем памяти для управления такими длинными показаниями. Наконец, данные для обучения моделей NILM — это показания потребления электроэнергии, полученные от пользователей и отобранные практически в реальном времени. Показания содержат приборную деятельность всех приборов, включая включение и выключение и переключение режимов работы. Предыдущие работы21,22,23 показывают, что, используя готовый статистический подход, технически возможно раскрыть модели использования и поведение пользователей на основе показаний, такие как режим сна, режим питания и т. д. Существующие подходы в значительной степени полагаются на методы шифрования и дифференциальной конфиденциальности для предотвращения утечки данных24,25. Неизбежные дополнительные вычислительные затраты при обучении модели вносятся в систему и даже ухудшают производительность модели во время выполнения. Кроме того, в городе есть пользователи с разным поведением и деятельностью. Данные этих пользователей могут иметь различное статистическое распределение. Не существует простого, экономичного и безопасного способа объединить все эти данные и позволить им работать как единое целое.