Sobre a habilitação de colaboração não

Jun 19, 2024

Scientific Reports volume 13, Artigo número: 6569 (2023) Citar este artigo

771 Acessos

3 Altmétrico

Detalhes das métricas

Melhorar a eficiência energética é um aspecto crucial da construção de uma cidade inteligente sustentável e, de forma mais ampla, relevante para melhorar o bem-estar ambiental, económico e social. O monitoramento de carga não intrusivo (NILM) é uma técnica de computação que estima o consumo de energia em tempo real e ajuda a aumentar a conscientização energética entre os usuários para facilitar o gerenciamento de energia. A maioria das soluções NILM ainda são uma abordagem de máquina única e não se adaptam bem às cidades inteligentes. Este trabalho propõe uma estrutura de aprendizagem federada híbrida independente de modelo para treinar colaborativamente modelos NILM para aplicações de economia de energia em toda a cidade. A estrutura suporta modos de treinamento centralizados e descentralizados para fornecer uma solução de aprendizagem ideal, personalizável e baseada em cluster para os usuários. A estrutura proposta é avaliada com base em um conjunto de dados de desagregação energética do mundo real. Os resultados mostram que todos os modelos NILM treinados em nossa estrutura proposta superam os treinados localmente em precisão. Os resultados também sugerem que os modelos NILM treinados no nosso framework são resistentes à fuga de privacidade.

Aproximadamente 55% da população mundial vive em áreas urbanas, e espera-se que esta percentagem aumente para 68% até 20501. Com a expansão contínua das cidades, tornou-se cada vez mais crucial gerir os recursos disponíveis para garantir a sustentabilidade dos sistemas urbanos. atender às necessidades cada vez maiores da população urbana. Os recentes avanços na Internet das Coisas, na edge computing e na aprendizagem automática fornecem suporte de hardware e software para preparar o caminho para cidades inteligentes sustentáveis2. Um dos grandes desafios da realização de cidades inteligentes sustentáveis ​​é responder à crescente procura de energia eléctrica. Várias abordagens3,4,5 foram desenvolvidas para superar esta dificuldade, mas o elemento comum destas abordagens é permitir que os consumidores tenham conhecimento do seu consumo detalhado de electricidade. Estudos anteriores6,7 mostram que a informação ao nível dos aparelhos pode ajudar a reduzir o consumo de energia, aumentando a sensibilização dos consumidores e facilitando novas aplicações de poupança de energia para cidades inteligentes sustentáveis.

O consumo de energia de aparelhos individuais pode ser obtido usando o monitoramento de carga não intrusivo (NILM), um método computacional para identificar o status do aparelho e extrair o consumo de eletricidade no nível do aparelho a partir de dados de energia agregados. Os dados agregados são monitorizados apenas num único ponto central, como o contador de eletricidade de um edifício ou de uma casa. O NILM pode fornecer as informações detalhadas sobre o consumo de energia necessárias aos sistemas de redes inteligentes, uma parte essencial das cidades inteligentes, para formar um grupo para uma melhor prestação de serviços. Fornece feedback online sobre o consumo de energia dos agregados familiares para permitir que os utilizadores estejam bem conscientes das situações e ajudá-los a alterar os padrões de utilização quando necessário. Esta informação também pode ajudar a desenvolver estratégias de resposta à procura do lado da rede para optimizar a produção e o despacho de energia. Estas interações entre pares promovem o progresso das cidades inteligentes, a poupança de energia e o desenvolvimento sustentável. Ao longo dos anos, várias soluções experimentalmente viáveis ​​foram desenvolvidas usando modelos ocultos de Markov, mineração de motivos temporais ou outras técnicas de otimização combinatória. Recentemente, os pesquisadores voltaram sua atenção para modelos de aprendizado de máquina devido ao seu desempenho superior em diversas aplicações em diversas disciplinas. Muitos algoritmos baseados em aprendizagem profunda8,9,10 e algoritmos de aumento de gradiente11,12 foram desenvolvidos para aplicações NILM e superaram os modelos tradicionais em termos de precisão e eficiência.

A maioria das abordagens NILM existentes ainda enfrenta desafios significativos, dificultando a sua utilização generalizada em cidades inteligentes sustentáveis. Primeiro, os modelos NILM precisam de dados de treinamento consideráveis ​​para aprender características estatísticas representativas e obter alto desempenho. As abordagens convencionais abordam este problema através da recolha de dados das partes interessadas para a formação centralizada de modelos, com transferências de dados potencialmente dispendiosas e questões de privacidade e segurança que impedem a sua utilização prática. Nos últimos anos, a aprendizagem federada foi proposta13 para treinar um modelo global de forma colaborativa, sem troca de dados brutos das partes interessadas. As soluções de aprendizagem federada NILM existentes são orientadas para a aprendizagem profunda num ambiente centralizado14,15,16. O servidor central coordena todas as partes interessadas para treinar um modelo de rede neural. Esses métodos podem atingir o desempenho desejado em experimentos, mas são propensos a erros em cenários do mundo real. A aprendizagem federada centralizada geralmente apresenta baixa escalabilidade devido às restrições de recursos que transformam o nó central em um gargalo de desempenho ao lidar com grandes clientes. A estrutura complexa do modelo de aprendizagem profunda e os hiperparâmetros associados também impõem uma alta sobrecarga computacional no treinamento e na inferência, tornando-o menos adequado para execução em dispositivos com recursos limitados. Além disso, a distribuição de dados do cliente é geralmente considerada uma distribuição não independente e idêntica (não-IID), uma vez que é altamente inconsistente em quantidade e distribuição. A distribuição não-IID pode potencialmente contribuir com diferentes fatores de atualização para os modelos de clientes e levar a um mau ajuste do modelo global17. Trabalhos recentes tentaram resolver estas questões através da aprendizagem por transferência e da poda de filtros18. Esses trabalhos não podem mudar fundamentalmente a natureza dos modelos de aprendizagem profunda que requerem extensos dados e poder computacional para o treinamento. Em segundo lugar, a maioria dos estudos10,19,20 concentra-se na desagregação energética a longo prazo (mais de uma hora), o que naturalmente requer uma longa sequência de leituras principais para cada análise. Os dispositivos analíticos necessitam de espaço de armazenamento substancial para gerenciar leituras tão longas. Por último, os dados para o treinamento dos modelos NILM são as leituras de consumo elétrico coletadas dos usuários e amostradas quase em tempo real. As leituras contêm as atividades instrumentais de todos os aparelhos, incluindo ligar e desligar e alternar o modo de operação. Trabalhos anteriores21,22,23 mostram que usando uma abordagem estatística pronta para uso, é tecnicamente possível divulgar padrões de uso e comportamentos dos usuários a partir das leituras, como rotinas de sono, rotinas de jantar, etc. técnicas de criptografia e privacidade diferencial para evitar vazamento de dados24,25. O inevitável custo computacional extra no treinamento do modelo é introduzido no sistema e até degrada o desempenho do modelo em tempo de execução. Além disso, uma cidade inclui usuários com diferentes comportamentos e atividades. Os dados destes utilizadores podem ter diferentes distribuições estatísticas. Não existe uma maneira simples, econômica e segura de reunir todos esses dados e deixá-los funcionar como um todo.