Sull'abilitazione della collaborazione non

Jun 12, 2024

Rapporti scientifici volume 13, numero articolo: 6569 (2023) Citare questo articolo

680 accessi

3 Altmetrico

Dettagli sulle metriche

Migliorare l’efficienza energetica è un aspetto cruciale della costruzione di una città intelligente e sostenibile e, più in generale, rilevante per migliorare il benessere ambientale, economico e sociale. Il monitoraggio del carico non intrusivo (NILM) è una tecnica informatica che stima il consumo di energia in tempo reale e aiuta a sensibilizzare gli utenti sull'energia per facilitare la gestione dell'energia. La maggior parte delle soluzioni NILM prevede ancora un approccio basato su una sola macchina e non si adatta bene alle città intelligenti. Questo lavoro propone un quadro di apprendimento federato ibrido modello-agnostico per addestrare in modo collaborativo modelli NILM per applicazioni di risparmio energetico a livello cittadino. Il framework supporta modalità di formazione centralizzate e decentralizzate per fornire agli utenti una soluzione di apprendimento ottimale, personalizzabile e basata su cluster. Il quadro proposto viene valutato su un set di dati di disaggregazione energetica del mondo reale. I risultati mostrano che tutti i modelli NILM addestrati nel quadro da noi proposto superano in termini di accuratezza quelli addestrati localmente. I risultati suggeriscono anche che i modelli NILM addestrati nel nostro quadro sono resistenti alla fuga di privacy.

Circa il 55% della popolazione mondiale vive in aree urbane e si prevede che la percentuale aumenterà fino al 68% entro il 20501. Con la continua espansione delle città, è diventato sempre più cruciale gestire le risorse disponibili per garantire la sostenibilità dei sistemi urbani per soddisfare i bisogni sempre crescenti della popolazione urbana. I recenti progressi nell’Internet delle cose, nell’edge computing e nell’apprendimento automatico forniscono supporto hardware e software per aprire la strada verso città intelligenti sostenibili2. Una delle grandi sfide nella realizzazione di città intelligenti sostenibili è affrontare la crescente domanda di energia elettrica. Sono stati sviluppati vari approcci3,4,5 per superare questa difficoltà, ma l’elemento comune di questi approcci è consentire ai consumatori di essere consapevoli del loro consumo elettrico dettagliato. Studi precedenti6,7 mostrano che le informazioni a livello di elettrodomestico possono aiutare a ridurre il consumo di energia sensibilizzando i consumatori e facilitando nuove applicazioni di risparmio energetico per città intelligenti sostenibili.

Il consumo energetico dei singoli elettrodomestici può essere ottenuto utilizzando il monitoraggio del carico non intrusivo (NILM), un metodo computazionale per identificare lo stato degli elettrodomestici ed estrarre il consumo di elettricità a livello di apparecchio dai dati energetici aggregati. I dati aggregati vengono monitorati solo in un unico punto centrale, come il contatore elettrico di un edificio o di una casa. NILM può fornire le informazioni dettagliate sul consumo energetico necessarie ai sistemi di rete intelligente, una parte essenziale delle città intelligenti, per formare una coorte per una migliore fornitura di servizi. Fornisce feedback online sul consumo energetico delle famiglie per consentire agli utenti di essere ben consapevoli delle situazioni e aiutarli a modificare i modelli di utilizzo quando necessario. Queste informazioni possono anche aiutare a sviluppare strategie di risposta alla domanda sul lato rete per ottimizzare la produzione e il dispacciamento di energia. Queste interazioni a coppie promuovono il progresso delle città intelligenti, del risparmio energetico e dello sviluppo sostenibile. Nel corso degli anni, sono state sviluppate varie soluzioni sperimentalmente fattibili utilizzando modelli di Markov nascosti, mining di motivi temporali o altre tecniche di ottimizzazione combinatoria. I ricercatori hanno recentemente rivolto la loro attenzione ai modelli di apprendimento automatico grazie alle loro prestazioni superiori in varie applicazioni in più discipline. Molti algoritmi basati sul deep learning8,9,10 e algoritmi di potenziamento del gradiente11,12 sono stati sviluppati per applicazioni NILM e hanno superato i modelli tradizionali in termini di precisione ed efficienza.

La maggior parte degli approcci NILM esistenti deve ancora affrontare sfide significative, che ne ostacolano l’uso diffuso per città intelligenti e sostenibili. Innanzitutto, i modelli NILM necessitano di dati di addestramento considerevoli per apprendere caratteristiche statistiche rappresentative e ottenere prestazioni elevate. Gli approcci convenzionali affrontano questo problema raccogliendo dati dalle parti interessate per la formazione centralizzata del modello, con trasferimenti di dati potenzialmente costosi e problemi di privacy e sicurezza che ne impediscono l’uso pratico. Negli ultimi anni è stato proposto l’apprendimento federato13 per formare un modello globale in modo collaborativo senza scambiare i dati grezzi delle parti interessate. Le soluzioni di apprendimento federato NILM esistenti sono orientate al deep learning in un ambiente centralizzato14,15,16. Il server centrale coordina tutte le parti interessate per addestrare un modello di rete neurale. Questi metodi possono ottenere le prestazioni desiderate negli esperimenti ma sono soggetti a errori negli scenari del mondo reale. L'apprendimento federato centralizzato presenta generalmente una scarsa scalabilità a causa dei vincoli delle risorse che trasformano il nodo centrale in un collo di bottiglia delle prestazioni durante la gestione di client di grandi dimensioni. La struttura complessa del modello di deep learning e degli iperparametri associati impongono inoltre un elevato sovraccarico computazionale nell'addestramento e nell'inferenza, rendendolo meno adatto all'esecuzione su dispositivi con risorse limitate. Inoltre, si presuppone generalmente che la distribuzione dei dati del cliente sia non indipendente e identica (non IID) poiché è altamente incoerente in termini di quantità e distribuzione. La distribuzione non IID può potenzialmente contribuire con diversi fattori di aggiornamento ai modelli client e portare a uno scarso adattamento del modello globale17. Lavori recenti hanno tentato di affrontare questi problemi attraverso il trasferimento dell'apprendimento e la potatura dei filtri18. Questi lavori non possono cambiare radicalmente la natura dei modelli di deep learning che richiedono dati estesi e potenza di calcolo per la formazione. In secondo luogo, la maggior parte degli studi10,19,20 si concentra sulla disaggregazione energetica a lungo termine (più di un'ora), che richiede naturalmente una lunga sequenza di letture principali per ciascuna analisi. I dispositivi analitici necessitano di notevole spazio di archiviazione per gestire letture così lunghe. Infine, i dati per l’addestramento dei modelli NILM sono le letture del consumo elettrico raccolte dagli utenti e campionate quasi in tempo reale. Le letture contengono le attività strumentali di tutti gli elettrodomestici, compresa l'accensione e lo spegnimento e la commutazione della modalità di funzionamento. Lavori precedenti21,22,23 mostrano che utilizzando un approccio statistico standardizzato, è tecnicamente possibile rivelare i modelli di utilizzo e i comportamenti degli utenti dalle letture, come le routine del sonno, le routine dei pasti, ecc. Gli approcci attuali si basano fortemente su tecniche di crittografia e privacy differenziale per prevenire la fuga di dati24,25. L'inevitabile costo computazionale aggiuntivo nell'addestramento del modello viene introdotto nel sistema e peggiora persino le prestazioni del modello in fase di esecuzione. Inoltre, una città comprende utenti con comportamenti e attività diversi. I dati di questi utenti possono avere distribuzioni statistiche diverse. Non esiste un modo semplice, economico e sicuro per mettere insieme tutti questi dati e farli funzionare nel loro insieme.