コラボレーション非対応の有効化について

Jun 12, 2024

Scientific Reports volume 13、記事番号: 6569 (2023) この記事を引用

680 アクセス

3 オルトメトリック

メトリクスの詳細

エネルギー効率の向上は、持続可能なスマートシティを構築する上で重要な側面であり、より広範には、環境、経済、社会の幸福の向上に関連します。 非侵入型負荷監視 (NILM) は、エネルギー消費量をリアルタイムで推定し、ユーザーのエネルギー意識を高めてエネルギー管理を容易にするコンピューティング技術です。 ほとんどの NILM ソリューションは依然として単一マシンのアプローチであり、スマート シティにはあまり適合しません。 この研究では、都市全体の省エネルギー アプリケーション向けに NILM モデルを共同でトレーニングするための、モデルに依存しないハイブリッドフェデレーテッド ラーニング フレームワークを提案します。 このフレームワークは集中型トレーニング モードと分散型トレーニング モードの両方をサポートし、クラスターベースのカスタマイズ可能な最適な学習ソリューションをユーザーに提供します。 提案されたフレームワークは、現実世界のエネルギー分解データセットで評価されます。 結果は、私たちが提案したフレームワークでトレーニングされたすべての NILM モデルが、ローカルでトレーニングされたモデルよりも精度が優れていることを示しています。 この結果は、私たちのフレームワークでトレーニングされた NILM モデルがプライバシー漏洩に対して耐性があることも示唆しています。

世界人口の約 55% が都市部に住んでおり、その割合は 2050 年までに 68% に増加すると予想されています1。都市の継続的な拡大に伴い、都市システムの持続可能性に応えるために利用可能なリソースを管理することがますます重要になっています。都市人口の増え続けるニーズに応えます。 モノのインターネット、エッジ コンピューティング、機械学習の最近の進歩は、持続可能なスマート シティへの道を開くためのハードウェアとソフトウェアのサポートを提供します2。 持続可能なスマートシティを実現するための大きな課題の 1 つは、増大する電気エネルギー需要に対処することです。 この困難を克服するためにさまざまなアプローチ 3、4、5 が開発されてきましたが、これらのアプローチに共通する要素は、消費者が詳細な電力消費量を認識できるようにすることです。 これまでの研究 6,7 では、家電レベルの情報が消費者の意識を高め、持続可能なスマートシティのための新しい省エネアプリケーションを促進することにより、エネルギー消費量の削減に役立つことが示されています。

個々のアプライアンスのエネルギー消費量は、アプライアンスのステータスを特定し、集約された電力データからアプライアンス レベルの電力消費量を抽出する計算手法である非侵入負荷監視 (NILM) を使用して取得できます。 集約されたデータは、建物や住宅の電力メーターなどの単一の中心点でのみ監視されます。 NILM は、より良いサービス提供のためのコホートを形成するために、スマート シティの不可欠な部分であるスマート グリッド システムに必要なきめ細かいエネルギー消費情報を提供できます。 家庭のエネルギー消費に関するオンライン フィードバックを提供することで、ユーザーが状況をよく認識し、必要に応じて使用パターンを変更できるようにします。 この情報は、発電と配電を最適化するための送電網側の需要応答戦略の開発にも役立ちます。 これらのペアの相互作用は、スマートシティ、省エネ、持続可能な開発の進歩を促進します。 長年にわたり、隠れマルコフ モデル、時間的モチーフ マイニング、またはその他の組み合わせ最適化手法を使用して、実験的に実行可能なさまざまなソリューションが開発されてきました。 研究者は最近、複数の分野にわたるさまざまなアプリケーションで優れたパフォーマンスを発揮する機械学習モデルに注目しています。 多くの深層学習ベースのアルゴリズム 8、9、10 および勾配ブースティング アルゴリズム 11、12 が NILM アプリケーション用に開発されており、精度と効率の点で従来のモデルを上回っています。

既存のNILMアプローチのほとんどは依然として重大な課題に直面しており、持続可能なスマートシティへの普及を妨げています。 まず、NILM モデルが高いパフォーマンスを得るには、代表的な統計的特性を学習するために大量のトレーニング データが必要です。 従来のアプローチでは、一元的なモデルトレーニングのために関係者からデータを収集することでこの問題に対処していましたが、データ転送にコストがかかる可能性があり、プライバシーやセキュリティの問題が実用化の妨げとなっていました。 近年、ステークホルダーの生データを交換せずにグローバル モデルを共同でトレーニングするフェデレーテッド ラーニングが提案されました 13。 既存の NILM フェデレーテッド ラーニング ソリューションは、集中型設定でのディープ ラーニングを指向しています 14、15、16。 中央サーバーは、すべての関係者を調整してニューラル ネットワーク モデルをトレーニングします。 これらの方法は実験では望ましいパフォーマンスを達成できますが、現実のシナリオではエラーが発生しやすくなります。 集中型フェデレーテッド ラーニングでは、大規模なクライアントを処理するときにリソースの制約により中央ノードがパフォーマンスのボトルネックになるため、一般にスケーラビリティが低くなります。 また、深層学習モデルと関連するハイパーパラメータの複雑な構造により、トレーニングと推論に高い計算オーバーヘッドが課されるため、リソースが限られたデバイスでの実行にはあまり適していません。 さらに、クライアント データの分散は、量と分散が非常に一貫性がないため、一般に非独立かつ同一の分散 (非 IID) であると想定されます。 非 IID 分布は、クライアント モデルにさまざまな更新要素を与える可能性があり、グローバル モデルの適合性が低下する可能性があります 17。 最近の研究では、転移学習とフィルタ プルーニングを通じてこれらの問題に対処することが試みられています18。 これらの研究は、トレーニングに大量のデータと計算能力を必要とする深層学習モデルの性質を根本的に変えることはできません。 第 2 に、ほとんどの研究 10、19、20 は長期 (1 時間以上) のエネルギー分解に焦点を当てており、当然のことながら、分析ごとに長い一連の主な読み取りが必要です。 分析デバイスには、このような長い測定値を管理するためにかなりの保管スペースが必要です。 最後に、NILM モデルをトレーニングするためのデータは、ユーザーから収集され、ほぼリアルタイムでサンプリングされた電力消費量の測定値です。 測定値には、オン/オフや動作モードの切り替えなど、すべての機器の機器の動作が含まれます。 以前の研究 21、22、23 では、既製の統計的アプローチを使用して、睡眠ルーチンや食事ルーチンなどの読み取り値からユーザーの使用パターンと行動を明らかにすることが技術的に可能であることを示しています。現在のアプローチは、以下に大きく依存しています。データ漏洩を防ぐための暗号化および差分プライバシー技術24、25。 モデルのトレーニングでは避けられない追加の計算コストがシステムに導入され、実行時のモデルのパフォーマンスが低下することさえあります。 さらに、都市には、さまざまな行動や活動を持つユーザーが含まれます。 これらのユーザーからのデータは、異なる統計分布を持つ可能性があります。 これらすべてのデータをまとめて全体として機能させる、簡単でコスト効率が高く、安全な方法はありません。