Sur l'activation de la non collaboration

Jun 12, 2024

Rapports scientifiques volume 13, Numéro d'article : 6569 (2023) Citer cet article

680 accès

3 Altmétrique

Détails des métriques

L’amélioration de l’efficacité énergétique est un aspect crucial de la construction d’une ville intelligente durable et, plus largement, pertinente pour améliorer le bien-être environnemental, économique et social. La surveillance non intrusive de la charge (NILM) est une technique informatique qui estime la consommation d'énergie en temps réel et contribue à sensibiliser les utilisateurs à l'énergie pour faciliter la gestion de l'énergie. La plupart des solutions NILM reposent encore sur une approche à machine unique et ne s'intègrent pas bien dans les villes intelligentes. Ce travail propose un cadre d'apprentissage fédéré hybride indépendant du modèle pour former en collaboration des modèles NILM pour des applications d'économie d'énergie à l'échelle de la ville. Le cadre prend en charge les modes de formation centralisés et décentralisés pour fournir aux utilisateurs une solution d'apprentissage basée sur un cluster, personnalisable et optimale. Le cadre proposé est évalué sur un ensemble de données de désagrégation énergétique du monde réel. Les résultats montrent que tous les modèles NILM formés dans notre cadre proposé surpassent en termes de précision ceux formés localement. Les résultats suggèrent également que les modèles NILM formés dans notre cadre sont résistants aux fuites de confidentialité.

Environ 55 % de la population mondiale vit dans des zones urbaines, et ce pourcentage devrait atteindre 68 % d'ici 20501. Avec l'expansion continue des villes, il est devenu de plus en plus crucial de gérer les ressources disponibles pour assurer la durabilité des systèmes urbains. répondre aux besoins toujours croissants de la population urbaine. Les progrès récents de l’Internet des objets, de l’informatique de pointe et de l’apprentissage automatique fournissent un support matériel et logiciel pour ouvrir la voie à des villes intelligentes durables2. L’un des grands défis de la réalisation de villes intelligentes durables est de répondre à la demande croissante d’énergie électrique. Diverses approches3,4,5 ont été développées pour surmonter cette difficulté, mais l’élément commun de ces approches est de permettre aux consommateurs de connaître leur consommation électrique détaillée. Des études antérieures6,7 montrent que les informations au niveau des appareils peuvent contribuer à réduire la consommation d'énergie en sensibilisant les consommateurs et en facilitant de nouvelles applications d'économie d'énergie pour des villes intelligentes durables.

La consommation d'énergie des appareils individuels peut être obtenue à l'aide de la surveillance de charge non intrusive (NILM), une méthode informatique permettant d'identifier l'état des appareils et d'extraire la consommation électrique au niveau de l'appareil à partir des données d'alimentation agrégées. Les données agrégées ne sont surveillées qu'à un seul point central, comme le compteur électrique d'un immeuble ou d'une maison. NILM peut fournir les informations précises sur la consommation d'énergie nécessaires aux systèmes de réseaux intelligents, un élément essentiel des villes intelligentes, pour former une cohorte pour une meilleure prestation de services. Il fournit des informations en ligne sur la consommation énergétique des ménages afin de permettre aux utilisateurs d'être bien conscients de la situation et de les aider à modifier leurs habitudes d'utilisation en cas de besoin. Ces informations peuvent également aider à développer des stratégies de réponse à la demande du côté du réseau pour optimiser la production et la distribution d’électricité. Ces interactions par paires favorisent le progrès des villes intelligentes, les économies d'énergie et le développement durable. Au fil des années, diverses solutions réalisables expérimentalement ont été développées à l'aide de modèles de Markov cachés, d'exploration de motifs temporels ou d'autres techniques d'optimisation combinatoire. Les chercheurs ont récemment porté leur attention sur les modèles d’apprentissage automatique en raison de leurs performances supérieures dans diverses applications dans plusieurs disciplines. De nombreux algorithmes basés sur l'apprentissage profond8,9,10 et algorithmes d'amplification de gradient11,12 ont été développés pour les applications NILM et ont surpassé les modèles traditionnels en termes de précision et d'efficacité.

La plupart des approches NILM existantes sont encore confrontées à des défis importants, entravant leur utilisation généralisée pour des villes intelligentes durables. Premièrement, les modèles NILM ont besoin de données de formation considérables pour apprendre des caractéristiques statistiques représentatives afin d'obtenir des performances élevées. Les approches conventionnelles résolvent ce problème en collectant des données auprès des parties prenantes pour une formation centralisée des modèles, avec des transferts de données potentiellement coûteux et des problèmes de confidentialité et de sécurité qui empêchent leur utilisation pratique. Ces dernières années, l’apprentissage fédéré a été proposé13 pour entraîner un modèle global de manière collaborative sans échanger les données brutes des parties prenantes. Les solutions d'apprentissage fédéré NILM existantes sont orientées vers l'apprentissage profond dans un cadre centralisé14,15,16. Le serveur central coordonne toutes les parties prenantes pour former un modèle de réseau neuronal. Ces méthodes peuvent atteindre les performances souhaitées lors des expériences, mais sont sujettes aux erreurs dans les scénarios réels. L'apprentissage fédéré centralisé connaît généralement une faible évolutivité en raison des contraintes de ressources qui transforment le nœud central en un goulot d'étranglement en termes de performances lors de la gestion de gros clients. La structure complexe du modèle d'apprentissage profond et les hyperparamètres associés imposent également une charge de calcul élevée lors de la formation et de l'inférence, ce qui le rend moins adapté à une exécution sur des appareils aux ressources limitées. De plus, la distribution des données client est généralement supposée être une distribution non indépendante et identique (non-IID) car elle est très incohérente en termes de quantité et de distribution. La distribution non-IID peut potentiellement contribuer à différents facteurs de mise à jour des modèles clients et conduire à un mauvais ajustement global du modèle17. Des travaux récents ont tenté de résoudre ces problèmes par l’apprentissage par transfert et l’élagage par filtre18. Ces travaux ne peuvent pas fondamentalement changer la nature des modèles d’apprentissage profond qui nécessitent des données et une puissance de calcul étendues pour la formation. Deuxièmement, la plupart des études10,19,20 se concentrent sur la désagrégation énergétique à long terme (plus d’une heure), ce qui nécessite naturellement une longue séquence de lectures principales pour chaque analyse. Les appareils d'analyse ont besoin d'un espace de stockage important pour gérer des lectures aussi longues. Enfin, les données pour la formation des modèles NILM sont les relevés de consommation électrique collectés auprès des utilisateurs et échantillonnés en temps quasi réel. Les lectures contiennent les activités instrumentales de tous les appareils, y compris la mise en marche et l'arrêt et la commutation des modes de fonctionnement. Des travaux antérieurs21,22,23 montrent qu'en utilisant une approche statistique standard, il est techniquement possible de divulguer les modèles d'utilisation et les comportements des utilisateurs à partir des lectures, tels que les routines de sommeil, les routines de repas, etc. Les approches actuelles s'appuient fortement sur techniques de cryptage et de confidentialité différentielle pour empêcher les fuites de données24,25. L'inévitable coût de calcul supplémentaire lié à la formation du modèle est introduit dans le système et dégrade même les performances du modèle au moment de l'exécution. De plus, une ville comprend des utilisateurs ayant des comportements et des activités différents. Les données de ces utilisateurs peuvent avoir des distributions statistiques différentes. Il n’existe pas de moyen simple, rentable et sécurisé de rassembler toutes ces données et de les faire fonctionner comme un tout.