論文の概要: Federated Learning for Short-term Residential Energy Demand Forecasting
- arxiv url: http://arxiv.org/abs/2105.13325v1
- Date: Thu, 27 May 2021 17:33:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-28 18:39:17.965159
- Title: Federated Learning for Short-term Residential Energy Demand Forecasting
- Title（参考訳）: 短期住宅エネルギー需要予測のための連合学習
- Authors: Christopher Briggs, Zhong Fan, Peter Andras
- Abstract要約: エネルギー需要予測は、需要と供給のバランスを保ち、電力網の安定的な負荷を維持するためにエネルギー産業内で実施される重要な課題である。
供給が信頼性の低い再生可能エネルギー生成へと移行するにつれ、スマートメーターはこれらの予測タスクを支援する上で不可欠な要素であることが証明される。
しかし、プライバシーを意識した消費者は、詳細な消費データへの侵入を恐れている。
- 参考スコア（独自算出の注目度）: 4.769747792846004
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Energy demand forecasting is an essential task performed within the energy
industry to help balance supply with demand and maintain a stable load on the
electricity grid. As supply transitions towards less reliable renewable energy
generation, smart meters will prove a vital component to aid these forecasting
tasks. However, smart meter take-up is low among privacy-conscious consumers
that fear intrusion upon their fine-grained consumption data. In this work we
propose and explore a federated learning (FL) based approach for training
forecasting models in a distributed, collaborative manner whilst retaining the
privacy of the underlying data. We compare two approaches: FL, and a clustered
variant, FL+HC against a non-private, centralised learning approach and a fully
private, localised learning approach. Within these approaches, we measure model
performance using RMSE and computational efficiency via the number of samples
required to train models under each scenario. In addition, we suggest the FL
strategies are followed by a personalisation step and show that model
performance can be improved by doing so. We show that FL+HC followed by
personalisation can achieve a $\sim$5% improvement in model performance with a
$\sim$10x reduction in computation compared to localised learning. Finally we
provide advice on private aggregation of predictions for building a private
end-to-end energy demand forecasting application.
- Abstract（参考訳）: エネルギー需要予測は、需要と供給のバランスを保ち、電力網の安定的な負荷を維持するためにエネルギー産業内で実施される重要な課題である。
供給が信頼性の低い再生可能エネルギー生成へと移行するにつれ、スマートメーターはこれらの予測タスクを支援する上で不可欠な要素であることが証明される。
しかし、プライバシーを意識した消費者は、詳細な消費データへの侵入を恐れている。
本研究では,基礎となるデータのプライバシを保ちながら,分散かつ協調的に予測モデルをトレーニングするためのフェデレーション学習(fl)ベースのアプローチを提案し,検討する。
flとクラスタ型fl+hcの2つのアプローチを比較して,非プライベート,集中型学習アプローチと,完全にプライベートでローカライズされた学習アプローチを比較した。
これらのアプローチでは,各シナリオでモデルのトレーニングに必要なサンプル数から,rmseを用いたモデル性能と計算効率を測定した。
さらに、fl戦略をパーソナライズステップに追従し、それを行うことでモデルパフォーマンスが向上できることを示す。
FL+HCの後続のパーソナライズによりモデル性能が$\sim$5%向上し,ローカライズドラーニングに比べて計算量が$\sim$10x削減できることを示す。
最後に、民間のエンドツーエンドのエネルギー需要予測アプリケーションを構築するための予測のプライベートアグリゲーションについてアドバイスする。
関連論文リスト
- Electrical Load Forecasting in Smart Grid: A Personalized Federated Learning Approach [9.687203504689563]
スマートグリッドの電力管理と安定性には電力負荷予測が不可欠である。
従来の機械学習(ML)手法は負荷予測によく使用されるが、データ共有は必要である。
フェデレートラーニング(FL)は、データ交換なしでローカルSMで分散MLモデルを実行することでこの問題に対処できる。
論文 参考訳（メタデータ） (2024-11-15T22:44:50Z) - Addressing Heterogeneity in Federated Load Forecasting with Personalization Layers [3.933147844455233]
PL-FLと呼ばれる一般的なフレームワークにおいて,負荷予測のためのパーソナライズレイヤを提案する。
PL-FLはFLよりも通信帯域幅が小さいため、FLと純粋に局所訓練に優れることを示す。
論文 参考訳（メタデータ） (2024-04-01T22:53:09Z) - Exploring the Privacy-Energy Consumption Tradeoff for Split Federated Learning [51.02352381270177]
Split Federated Learning (SFL)は、最近、有望な分散学習技術として登場した。
SFLにおけるカット層の選択は、クライアントのエネルギー消費とプライバシに大きな影響を与える可能性がある。
本稿では、SFLプロセスの概要を概観し、エネルギー消費とプライバシを徹底的に分析する。
論文 参考訳（メタデータ） (2023-11-15T23:23:42Z) - ZooPFL: Exploring Black-box Foundation Models for Personalized Federated
Learning [95.64041188351393]
本稿では,限られた資源とパーソナライゼーションの両課題を解決しようと試みる。
個人化フェデレート学習におけるゼロ階最適化を用いたZOOPFLという手法を提案する。
計算コストの削減とパーソナライゼーションの向上を目的として,低次元およびクライアント固有の埋め込みを持つオートエンコーダを組み込む入力手術を提案する。
論文 参考訳（メタデータ） (2023-10-08T12:26:13Z) - FedWOA: A Federated Learning Model that uses the Whale Optimization
Algorithm for Renewable Energy Prediction [0.0]
本稿では,フェデレート学習モデルについて紹介する。フェデレーション学習モデルは,プロシューマーエネルギーデータに基づいて訓練された局所ニューラルネットワークモデルの重みから,グローバル予測モデルを集約する。
その結果,FedAVGと比較して,MSEでは25%,MAEでは16%の精度でエネルギー予測モデルの精度を効果的に向上できることがわかった。
論文 参考訳（メタデータ） (2023-09-19T05:44:18Z) - Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。
FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。
PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
論文 参考訳（メタデータ） (2023-05-01T20:04:46Z) - FedTrees: A Novel Computation-Communication Efficient Federated Learning
Framework Investigated in Smart Grids [8.437758224218648]
次世代のスマートメーターは、エネルギー消費データの測定、記録、および報告に使用することができる。
FedTreesは、アンサンブル学習の際立った特徴の恩恵を受ける、新しくて軽量なFLフレームワークである。
論文 参考訳（メタデータ） (2022-09-30T19:47:46Z) - A Contract Theory based Incentive Mechanism for Federated Learning [52.24418084256517]
フェデレートラーニング(FL)は、データプライバシ保護機械学習パラダイムとして機能し、分散クライアントによってトレーニングされた協調モデルを実現する。
FLタスクを達成するために、タスクパブリッシャはFLサーバに金銭的なインセンティブを支払う必要があり、FLサーバはFLクライアントにタスクをオフロードする。
タスクがクライアントによってプライベートにトレーニングされているという事実から、FLクライアントに対して適切なインセンティブを設計することは困難である。
論文 参考訳（メタデータ） (2021-08-12T07:30:42Z) - DER Forecast using Privacy Preserving Federated Learning [0.0]
分散機械学習アプローチであるFederated Learningを提案し、IoTノードのネットワークを使用してDER予測を実行する。
提案手法が消費者プライバシ保護の正確な予測に繋がることを示すため,1000 DER を含むシミュレーション研究を考察する。
論文 参考訳（メタデータ） (2021-07-07T14:25:43Z) - A Framework for Energy and Carbon Footprint Analysis of Distributed and
Federated Edge Learning [48.63610479916003]
本稿では,分散学習政策の環境フットプリントに影響を与える要因を概説し,分析する。
バニラとコンセンサスによって駆動される分散FLポリシーの両方をモデル化する。
その結果、flは低ビット/ジュール効率を特徴とするワイヤレスシステムにおいて、顕著なエンドツーエンドの省エネ(30%-40%)が可能となった。
論文 参考訳（メタデータ） (2021-03-18T16:04:42Z) - Demand-Side Scheduling Based on Multi-Agent Deep Actor-Critic Learning
for Smart Grids [56.35173057183362]
家庭用家電をネットでスケジュールできるスマートメーターが各家庭に備わっている需要側エネルギー管理の問題点を考察する。
目標は、リアルタイムの料金体系の下で全体のコストを最小化することです。
マルコフゲームとしてスマートグリッド環境の定式化を提案する。
論文 参考訳（メタデータ） (2020-05-05T07:32:40Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。