Các nhà nghiên cứu từ Hy Lạp đã phát triển một kỹ thuật dự báo PV cho các chương trình prosumer sử dụng học liên bang, một phương pháp học máy gửi các bản cập nhật mô hình cục bộ đến một máy chủ trung tâm để hiệu chỉnh. Các mô phỏng của họ cho thấy kết quả đáng ngạc nhiên so với dự báo tập trung.
Hình ảnh: Blue Coat Photos, Flickr, CC BY-SA 2.0
Các nhà khoa học từ Đại học Kỹ thuật Quốc gia Athens của Hy Lạp đã đề xuất một kỹ thuật dự báo PV mới giúp bảo vệ quyền riêng tư của người tiêu dùng chuyên nghiệp. Các chương trình hiệu quả của người tiêu dùng chuyên nghiệp dựa trên các mô hình dự báo sản xuất năng lượng mặt trời chính xác, đòi hỏi dữ liệu mở rộng, khiến việc đánh đổi quyền riêng tư và tiện ích trở nên thiết yếu. Cách tiếp cận của các nhà nghiên cứu để cân bằng sự đánh đổi này dựa trên học tập liên bang (FL).
“Quy trình FL bắt đầu bằng một mô hình toàn cục được chia sẻ với tất cả các thiết bị. Mỗi thiết bị đào tạo mô hình cục bộ và gửi các bản cập nhật đến một máy chủ trung tâm, nơi chúng được tổng hợp để cải thiện mô hình”, các học giả cho biết. “Mô hình cập nhật này sau đó được phân phối trở lại các thiết bị để đào tạo thêm. Chu kỳ FL được lặp lại nhiều lần cho đến khi mô hình toàn cục đạt được độ chính xác tối ưu mong muốn”.
Mô hình của nhóm chạy cục bộ trên mỗi máy và bao gồm kiến trúc bộ nhớ dài hạn ngắn (LSTM), một đơn vị dropout và hai lớp dày đặc được kết nối đầy đủ. LSTM xử lý dữ liệu tuần tự, trong khi đơn vị dropout giảm tình trạng quá khớp và các lớp dày đặc hỗ trợ đưa ra dự đoán cuối cùng.
Mô hình cũng sử dụng siêu tham số để điều chỉnh các mô hình LSTM cục bộ và nhóm các máy khách tương tự trên máy chủ trung tâm. Các siêu tham số này, được thiết lập trước khi bắt đầu đào tạo, sẽ điều khiển quá trình đào tạo của mô hình học máy.
Người mẫu khác
“Bộ dữ liệu đang được kiểm tra có nguồn gốc từ lưới điện Terni, Ý, bao gồm dữ liệu từ 30 đơn vị tiêu thụ điện quy mô nhỏ sử dụng hệ thống quang điện để tạo ra năng lượng”, nhóm giải thích. “Sau khi chuẩn hóa, chúng tôi chia bộ dữ liệu thành hai tập con: một tập huấn luyện để huấn luyện mô hình và một tập thử nghiệm để đánh giá hiệu suất của mô hình trên dữ liệu chưa biết. Bộ phận này tuân thủ theo tỷ lệ chia 80-20, với dữ liệu từ tháng 2015 năm 2017 đến tháng 2018 năm 2019 được chỉ định để huấn luyện và dữ liệu từ tháng XNUMX năm XNUMX đến tháng XNUMX năm XNUMX được phân bổ để thử nghiệm”.
Sau đó, các nhà nghiên cứu so sánh mô hình FL-LSTM trên cùng một tập dữ liệu với một số phương pháp học. Phương pháp đầu tiên là học cục bộ, hoạt động trong môi trường cục bộ hoàn toàn riêng tư. Phương pháp thứ hai là học tập tập trung, thường cung cấp độ chính xác cao hơn nhưng hy sinh quyền riêng tư. Mô hình thứ ba là FL được tăng cường với quyền riêng tư khác biệt (DP) để giảm thiểu khả năng xác định các đóng góp của cá nhân, sử dụng các hệ số nhân nhiễu được đặt ở mức 0.2, 0.25, 0.3 hoặc 0.4.
“Để đánh giá hiệu suất của các mô hình, hai số liệu chính được sử dụng: sai số tuyệt đối trung bình (MAE) và sai số bình phương trung bình căn bậc hai (RMSE)”, nhóm giải thích. “Việc lựa chọn MAE cho phép có cái nhìn tổng quan toàn diện về biên độ lỗi của các mô hình của chúng tôi, đặc biệt là do tính mạnh mẽ của nó trước các giá trị ngoại lai – một đặc điểm đáng chú ý của tập dữ liệu của chúng tôi. Ngược lại, RMSE nhấn mạnh vào độ nhạy với các lỗi lớn hơn, điều này rất quan trọng để đánh giá độ chính xác của dự báo thế hệ, vì nó làm nổi bật tác động của các độ lệch đáng kể hơn MAE”.
Kết quả cho thấy mô hình tập trung hoạt động tốt nhất, với MAE là 0.00960 và RMSE là 0.01687. Mô hình FL có MAE là 0.01993 và RMSE là 0.02872. Mô hình FL-DP với hệ số nhân nhiễu là 0.2 ghi nhận MAE là 0.01857 và RMSE là 0.02669. Mô hình cục bộ có MAE là 0.02436 và RMSE là 0.04679, trong khi mô hình FL-DP với hệ số nhân nhiễu là 0.25 cho thấy MAE là 0.02651 và RMSE là 0.03375. Kết quả cho hệ số nhân nhiễu là 0.3 và 0.4 không được cung cấp.
“Trong quá trình tìm kiếm mức độ nhiễu có thể cung cấp hiệu suất tương tự như triển khai FL không phải DP, chúng tôi đã gặp phải một bất thường thú vị. Tỷ lệ nhiễu trên hiệu suất tối ưu được quan sát thấy ở hệ số nhiễu là 0.2, điều này bất ngờ mang lại kết quả tốt hơn FL”, nhóm lưu ý. “Các thí nghiệm của chúng tôi với hệ số nhiễu cao hơn 0.2 đã chứng minh sự suy giảm dự kiến về độ chính xác dự đoán với hệ số 0.4 khiến mô hình không thể hội tụ”.
Nhóm cho biết rằng "rào cản chính liên quan đến quy mô hạn chế của tập dữ liệu liên quan đến số lượng khách hàng tham gia. Nghiên cứu này đóng vai trò là cơ sở; việc thêm nhiều người tiêu dùng chuyên nghiệp hơn theo thời gian chắc chắn sẽ làm tăng hiệu suất của FL và FL-DP. Với suy nghĩ đó, kết quả của chúng tôi chỉ ra rằng đối với các tập dữ liệu nhỏ hơn với ít khách hàng tham gia, học tập tập trung vượt trội hơn FL về mặt độ chính xác, mặc dù cả hai phương pháp đều tận dụng dữ liệu tập thể có sẵn. Mặc dù vậy, FL mang lại lợi ích về quyền riêng tư và chi phí truyền thông".
Họ đã trình bày kết quả của mình trong “Trao quyền cho các kỹ thuật học tập liên bang để dự báo PV bảo vệ quyền riêng tư”, vừa được xuất bản trong Báo cáo năng lượng.
Nội dung này được bảo vệ bản quyền và không được phép sử dụng lại. Nếu bạn muốn hợp tác với chúng tôi và muốn sử dụng lại một số nội dung của chúng tôi, vui lòng liên hệ: editors@pv-magazine.com.
Nguồn từ tạp chí pv
Tuyên bố miễn trừ trách nhiệm: Thông tin nêu trên được cung cấp bởi pv-magazine.com độc lập với Cooig.com. Cooig.com không tuyên bố và bảo đảm về chất lượng và độ tin cậy của người bán và sản phẩm. Cooig.com từ chối mọi trách nhiệm pháp lý đối với các vi phạm liên quan đến bản quyền nội dung.
