論文の概要: Optimizing Federated Learning for Scalable Power-demand Forecasting in Microgrids
- arxiv url: http://arxiv.org/abs/2508.08022v1
- Date: Mon, 11 Aug 2025 14:27:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-12 21:23:29.139598
- Title: Optimizing Federated Learning for Scalable Power-demand Forecasting in Microgrids
- Title（参考訳）: マイクログリッドにおけるスケーラブルな電力需要予測のためのフェデレーション学習の最適化
- Authors: Roopkatha Banerjee, Sampath Koti, Gyanendra Singh, Anirban Chakraborty, Gurunath Gurrala, Bhushan Jagyasi, Yogesh Simmhan,
- Abstract要約: IoT(Internet of Things)による都市やマイクログリッドの電力消費のリアルタイムモニタリングは、将来の需要予測とグリッド操作の最適化に役立つ。
すべてのコンシューマレベルの使用データをクラウドに移行して,詳細な時間スケールでの予測と分析を行なうことで,アクティビティパターンの公開が可能になる。
我々は,時系列需要予測のために,エッジとクラウドをまたいだフェデレートラーニング(FL)トレーニングのいくつかの最適化を開発し,評価する。
- 参考スコア（独自算出の注目度）: 4.357613542574379
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Real-time monitoring of power consumption in cities and micro-grids through the Internet of Things (IoT) can help forecast future demand and optimize grid operations. But moving all consumer-level usage data to the cloud for predictions and analysis at fine time scales can expose activity patterns. Federated Learning~(FL) is a privacy-sensitive collaborative DNN training approach that retains data on edge devices, trains the models on private data locally, and aggregates the local models in the cloud. But key challenges exist: (i) clients can have non-independently identically distributed~(non-IID) data, and (ii) the learning should be computationally cheap while scaling to 1000s of (unseen) clients. In this paper, we develop and evaluate several optimizations to FL training across edge and cloud for time-series demand forecasting in micro-grids and city-scale utilities using DNNs to achieve a high prediction accuracy while minimizing the training cost. We showcase the benefit of using exponentially weighted loss while training and show that it further improves the prediction of the final model. Finally, we evaluate these strategies by validating over 1000s of clients for three states in the US from the OpenEIA corpus, and performing FL both in a pseudo-distributed setting and a Pi edge cluster. The results highlight the benefits of the proposed methods over baselines like ARIMA and DNNs trained for individual consumers, which are not scalable.
- Abstract（参考訳）: IoT(Internet of Things)による都市やマイクログリッドの電力消費のリアルタイムモニタリングは、将来の需要予測とグリッド操作の最適化に役立つ。
しかし、すべてのコンシューマレベルの使用データをクラウドに移行して、詳細な時間スケールで予測と分析を行うと、アクティビティパターンが公開されます。
Federated Learning~(FL)は、エッジデバイス上のデータを保持し、プライベートデータ上のモデルをローカルにトレーニングし、クラウド内のローカルモデルを集約する、プライバシーに敏感なコラボレーティブなDNNトレーニングアプローチである。
しかし、重要な課題が存在する。
i)クライアントは非独立に同一に分散〜(非IID)データを持つことができ、
(II)学習は、1000の(目に見えない)クライアントにスケーリングしながら、計算的に安価であるべきである。
本稿では,DNNを用いたマイクログリッドと都市規模ユーティリティの時系列需要予測のための,エッジとクラウドをまたいだFLトレーニングの最適化と評価を行い,トレーニングコストを最小化しながら高い予測精度を実現する。
トレーニング中に指数重み付き損失を用いることの利点を示し、最終モデルの予測をさらに改善することを示す。
最後に、OpenEIAコーパスから米国の3つの州で1000以上のクライアントを検証し、擬似分散設定とPiエッジクラスタの両方でFLを実行することにより、これらの戦略を評価する。
その結果,ARIMA や DNN など,拡張性のない個々のユーザ向けにトレーニングされたベースラインよりも,提案手法のメリットを浮き彫りにしている。
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) - F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。
タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。
従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
論文 参考訳（メタデータ） (2024-06-23T21:28:50Z) - HierSFL: Local Differential Privacy-aided Split Federated Learning in
Mobile Edge Computing [7.180235086275924]
フェデレートラーニング(Federated Learning)は、データのプライバシを維持しながらユーザデータから学ぶための、有望なアプローチである。
Split Federated Learningは、クライアントが中間モデルトレーニング結果をクラウドサーバにアップロードして、協調的なサーバ-クライアントモデルのトレーニングを行う。
この手法は、モデルトレーニングへのリソース制約のあるクライアントの参加を促進するだけでなく、トレーニング時間と通信オーバーヘッドも増大させる。
我々は,階層的分割フェデレート学習(HierSFL)と呼ばれる新しいアルゴリズムを提案し,エッジとクラウドのフェーズでアマルガメートをモデル化する。
論文 参考訳（メタデータ） (2024-01-16T09:34:10Z) - Secure short-term load forecasting for smart grids with
transformer-based federated learning [0.0]
電力負荷予測は、需要と供給収支を補助するスマートグリッドの中で不可欠なタスクである。
きめ細かい負荷プロファイルは、ユーザの消費電力の挙動を公開できるため、プライバシやセキュリティ上の懸念が高まる。
本稿では,短期電力負荷予測のためのフェデレーション学習を用いた変圧器を用いた新しい深層学習手法を提案する。
論文 参考訳（メタデータ） (2023-10-26T15:27:55Z) - Adaptive Model Pruning and Personalization for Federated Learning over
Wireless Networks [72.59891661768177]
フェデレーション学習(FL)は、データプライバシを保護しながら、エッジデバイス間での分散学習を可能にする。
これらの課題を克服するために、部分的なモデルプルーニングとパーソナライズを備えたFLフレームワークを検討する。
このフレームワークは、学習モデルを、データ表現を学ぶためにすべてのデバイスと共有されるモデルプルーニングと、特定のデバイスのために微調整されるパーソナライズされた部分とで、グローバルな部分に分割する。
論文 参考訳（メタデータ） (2023-09-04T21:10:45Z) - DynamicFL: Balancing Communication Dynamics and Client Manipulation for
Federated Learning [6.9138560535971605]
Federated Learning(FL)は、数百万のエッジデバイスにわたる分散データを活用することで、グローバルモデルをトレーニングすることを目的としている。
地理的に分散したエッジデバイスと非常にダイナミックなネットワークが混在していることを考えると、参加するデバイスからすべてのモデル更新を集約すると、FLでは必然的な長期遅延が発生する。
本稿では,クライアント操作戦略を特別に設計した大規模エッジデバイスにおける通信力学とデータ品質を考慮した新しいFLフレームワークであるDynamicFLを提案する。
論文 参考訳（メタデータ） (2023-07-16T19:09:31Z) - 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) - Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。
デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。
本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
論文 参考訳（メタデータ） (2022-09-01T03:27:33Z) - Acceleration of Federated Learning with Alleviated Forgetting in Local
Training [61.231021417674235]
フェデレートラーニング(FL)は、プライバシを保護しながら機械学習モデルの分散最適化を可能にする。
我々は,FedRegを提案する。FedRegは,局所的な訓練段階において,知識を忘れることなくFLを加速するアルゴリズムである。
我々の実験は、FedRegはFLの収束率を著しく改善するだけでなく、特にニューラルネットワークアーキテクチャが深い場合にも改善することを示した。
論文 参考訳（メタデータ） (2022-03-05T02:31:32Z) - 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) - Multi-Armed Bandit Based Client Scheduling for Federated Learning [91.91224642616882]
統合学習(FL)は、通信オーバーヘッドの低減やデータのプライバシの保護など、ユビキタスな特性を特徴とする。
FLの各通信ラウンドでは、クライアントは自身のデータに基づいてローカルモデルを更新し、無線チャネル経由でローカル更新をアップロードする。
本研究は、無線チャネルの状態情報やクライアントの統計的特性を知ることなく、FLにおけるオンラインクライアントスケジューリング(CS)のためのマルチアームバンディットベースのフレームワークを提供する。
論文 参考訳（メタデータ） (2020-07-05T12:32:32Z)
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。