นักวิจัยจากกรีซได้พัฒนาวิธีการพยากรณ์ PV สำหรับโครงการ Prosumer โดยใช้การเรียนรู้แบบรวมศูนย์ ซึ่งเป็นวิธีการเรียนรู้ของเครื่องจักรที่ส่งการอัปเดตโมเดลท้องถิ่นไปยังเซิร์ฟเวอร์ส่วนกลางเพื่อแก้ไข การจำลองของพวกเขาแสดงผลลัพธ์ที่น่าประหลาดใจเมื่อเทียบกับการพยากรณ์แบบรวมศูนย์
รูปภาพ: Blue Coat Photos, Flickr, CC BY-SA 2.0
นักวิทยาศาสตร์จากมหาวิทยาลัยเทคนิคแห่งชาติเอเธนส์ของกรีซได้เสนอเทคนิคพยากรณ์ PV แบบใหม่ที่ช่วยปกป้องความเป็นส่วนตัวของผู้บริโภค แผนงานที่มีประสิทธิภาพของผู้บริโภคนั้นอาศัยแบบจำลองพยากรณ์การผลิตพลังงานแสงอาทิตย์ที่แม่นยำ ซึ่งต้องใช้ข้อมูลจำนวนมาก ทำให้ความเป็นส่วนตัวและผลประโยชน์ด้านสาธารณูปโภคมีความสำคัญอย่างยิ่ง แนวทางของนักวิจัยในการสร้างสมดุลระหว่างผลประโยชน์ด้านนี้ใช้การเรียนรู้แบบรวมศูนย์ (Federated Learning หรือ FL) เป็นพื้นฐาน
“กระบวนการ FL เริ่มต้นด้วยโมเดลทั่วโลกที่แชร์กับอุปกรณ์ทั้งหมด อุปกรณ์แต่ละเครื่องจะฝึกโมเดลในพื้นที่และส่งการอัปเดตไปยังเซิร์ฟเวอร์ส่วนกลาง ซึ่งข้อมูลดังกล่าวจะถูกรวบรวมเพื่อปรับปรุงโมเดล” นักวิชาการกล่าว “จากนั้นโมเดลที่อัปเดตนี้จะถูกแจกจ่ายกลับไปยังอุปกรณ์เพื่อฝึกอบรมเพิ่มเติม วงจร FL จะถูกทำซ้ำหลายครั้งจนกว่าโมเดลทั่วโลกจะบรรลุความแม่นยำที่เหมาะสมที่สุดตามต้องการ”
โมเดลของทีมทำงานแบบโลคัลบนเครื่องแต่ละเครื่องและประกอบด้วยสถาปัตยกรรมหน่วยความจำระยะยาวระยะสั้น (LSTM) หน่วยดรอปเอาต์ และเลเยอร์หนาแน่นที่เชื่อมต่อกันอย่างสมบูรณ์สองชั้น LSTM จัดการข้อมูลแบบต่อเนื่อง ในขณะที่หน่วยดรอปเอาต์ช่วยลดการโอเวอร์ฟิตติ้ง และเลเยอร์หนาแน่นช่วยในการทำนายขั้นสุดท้าย
นอกจากนี้ โมเดลยังใช้ไฮเปอร์พารามิเตอร์เพื่อปรับแต่งโมเดล LSTM ในพื้นที่และคลัสเตอร์ไคลเอนต์ที่คล้ายกันบนเซิร์ฟเวอร์ส่วนกลาง ไฮเปอร์พารามิเตอร์เหล่านี้ซึ่งตั้งค่าไว้ก่อนเริ่มการฝึกอบรมจะควบคุมกระบวนการฝึกอบรมของโมเดลการเรียนรู้ของเครื่อง
รุ่นอื่น ๆ
“ชุดข้อมูลที่อยู่ระหว่างการตรวจสอบนั้นมาจากโครงข่ายไฟฟ้าของเมืองเทอร์นี ประเทศอิตาลี ซึ่งประกอบด้วยข้อมูลจากผู้ผลิตไฟฟ้ารายย่อย 30 รายที่ใช้ระบบโฟโตวอลตาอิคเพื่อผลิตพลังงาน” กลุ่มดังกล่าวอธิบาย “หลังจากทำการปรับมาตรฐานแล้ว เราจะแบ่งชุดข้อมูลออกเป็นสองชุดย่อย ได้แก่ ชุดฝึกอบรมสำหรับฝึกอบรมโมเดลและชุดทดสอบสำหรับประเมินประสิทธิภาพของโมเดลจากข้อมูลที่ไม่เคยเห็นมาก่อน โดยแบ่งตามสัดส่วน 80-20 โดยข้อมูลตั้งแต่เดือนมกราคม 2015 ถึงเดือนธันวาคม 2017 ถูกกำหนดให้ใช้สำหรับการฝึกอบรม และข้อมูลตั้งแต่เดือนมกราคม 2018 ถึงเดือนธันวาคม 2019 จะถูกจัดสรรสำหรับการทดสอบ”
จากนั้นนักวิจัยได้เปรียบเทียบโมเดล FL-LSTM บนชุดข้อมูลเดียวกันกับวิธีการเรียนรู้หลายๆ วิธี วิธีแรกคือการเรียนรู้เฉพาะที่ ซึ่งดำเนินการในสภาพแวดล้อมเฉพาะที่เป็นส่วนตัวอย่างสมบูรณ์ วิธีที่สองคือการเรียนรู้แบบรวมศูนย์ ซึ่งโดยทั่วไปจะให้ความแม่นยำสูงกว่าแต่ต้องแลกกับความเป็นส่วนตัว ส่วนโมเดลที่สามคือ FL ที่ได้รับการปรับปรุงด้วยความเป็นส่วนตัวที่แตกต่างกัน (Differential Privacy หรือ DP) เพื่อลดโอกาสในการระบุส่วนสนับสนุนของแต่ละบุคคล โดยใช้ตัวคูณสัญญาณรบกวนที่ตั้งค่าไว้ที่ 0.2, 0.25, 0.3 หรือ 0.4
กลุ่มดังกล่าวอธิบายว่า “การประเมินประสิทธิภาพของโมเดลนั้น จะใช้ตัวชี้วัดหลักสองตัว ได้แก่ ข้อผิดพลาดสัมบูรณ์เฉลี่ย (MAE) และข้อผิดพลาดรากที่สองเฉลี่ย (RMSE) การเลือกใช้ MAE จะช่วยให้สามารถสรุปภาพรวมของขอบเขตข้อผิดพลาดของโมเดลได้อย่างครอบคลุม โดยเฉพาะอย่างยิ่งเนื่องจากโมเดลมีความทนทานต่อค่าผิดปกติ ซึ่งเป็นลักษณะเด่นของชุดข้อมูลของเรา ในทางกลับกัน RMSE จะเน้นที่ความอ่อนไหวต่อข้อผิดพลาดที่มากขึ้น ซึ่งเป็นสิ่งสำคัญในการประเมินความแม่นยำของการคาดการณ์การผลิต เนื่องจากจะเน้นที่ผลกระทบของค่าเบี่ยงเบนที่มากกว่า MAE”
ผลการทดลองแสดงให้เห็นว่าแบบจำลองรวมศูนย์มีประสิทธิภาพดีที่สุด โดยมีค่า MAE เท่ากับ 0.00960 และค่า RMSE เท่ากับ 0.01687 แบบจำลอง FL มีค่า MAE เท่ากับ 0.01993 และค่า RMSE เท่ากับ 0.02872 แบบจำลอง FL-DP ที่มีตัวคูณสัญญาณรบกวนเท่ากับ 0.2 บันทึกค่า MAE เท่ากับ 0.01857 และค่า RMSE เท่ากับ 0.02669 แบบจำลองเฉพาะที่บันทึกค่า MAE เท่ากับ 0.02436 และค่า RMSE เท่ากับ 0.04679 ในขณะที่แบบจำลอง FL-DP ที่มีตัวคูณสัญญาณรบกวนเท่ากับ 0.25 แสดงค่า MAE เท่ากับ 0.02651 และค่า RMSE เท่ากับ 0.03375 ไม่มีการให้ผลลัพธ์สำหรับตัวคูณสัญญาณรบกวนเท่ากับ 0.3 และ 0.4
“ในการค้นหาระดับสัญญาณรบกวนที่จะให้ประสิทธิภาพที่คล้ายคลึงกันกับการใช้งาน FL ที่ไม่ใช่ DP เราพบความผิดปกติที่น่าสนใจ อัตราส่วนสัญญาณรบกวนต่อประสิทธิภาพที่เหมาะสมที่สุดพบที่ตัวคูณสัญญาณรบกวน 0.2 ซึ่งให้ผลลัพธ์ที่ดีกว่า FL อย่างไม่คาดคิด” กลุ่มดังกล่าวระบุ “การทดลองของเราโดยใช้ตัวคูณสัญญาณรบกวนที่สูงกว่า 0.2 แสดงให้เห็นถึงการเสื่อมสภาพที่คาดไว้ในความแม่นยำในการทำนายด้วยตัวคูณ 0.4 ทำให้แบบจำลองไม่สามารถบรรจบกันได้”
กลุ่มดังกล่าวกล่าวว่า “ข้อจำกัดหลักเกี่ยวข้องกับขนาดที่จำกัดของชุดข้อมูลที่เกี่ยวข้องกับจำนวนลูกค้าที่เข้าร่วม การศึกษานี้ทำหน้าที่เป็นพื้นฐาน การเพิ่มจำนวนผู้บริโภคที่เป็นมืออาชีพมากขึ้นเมื่อเวลาผ่านไปจะเพิ่มประสิทธิภาพการทำงานของ FL และ FL-DP อย่างแน่นอน เมื่อคำนึงถึงสิ่งนั้น ผลลัพธ์ของเราบ่งชี้ว่าสำหรับชุดข้อมูลขนาดเล็กที่มีลูกค้าที่เข้าร่วมเพียงไม่กี่ราย การเรียนรู้แบบรวมศูนย์มีประสิทธิภาพเหนือกว่า FL ในแง่ของความแม่นยำ แม้ว่าทั้งสองวิธีจะใช้ประโยชน์จากข้อมูลรวมที่มีอยู่ก็ตาม แม้จะเป็นเช่นนี้ FL ยังมีข้อดีในด้านความเป็นส่วนตัวและต้นทุนการสื่อสาร”
พวกเขาได้นำเสนอผลงานของตนในหัวข้อ “Empowering federated learning techniques for privacy-preserving PV forecasting” ซึ่งตีพิมพ์เมื่อไม่นานมานี้ รายงานด้านพลังงาน
เนื้อหานี้ได้รับการคุ้มครองลิขสิทธิ์และไม่อาจนำไปใช้ซ้ำได้ หากคุณต้องการร่วมมือกับเราและต้องการนำเนื้อหาบางส่วนของเราไปใช้ซ้ำ โปรดติดต่อ: editors@pv-magazine.com
ที่มาจาก นิตยสาร pv
ข้อสงวนสิทธิ์: ข้อมูลที่ระบุไว้ข้างต้นจัดทำโดย pv-magazine.com โดยเป็นอิสระจาก Cooig.com Cooig.com ไม่รับรองหรือรับประกันคุณภาพและความน่าเชื่อถือของผู้ขายและผลิตภัณฑ์ Cooig.com ขอปฏิเสธความรับผิดชอบใดๆ ต่อการละเมิดลิขสิทธิ์ของเนื้อหา
