FedREP: Towards Horizontal Federated Load Forecasting for Retail Energy Providers

要約

スマート メーターが家庭のエネルギー消費データを収集して小売エネルギー プロバイダー (REP) に送信しているため、主な課題は、データのプライバシーを確​​保しながら、きめ細かい消費者データを効果的に使用することです。
この原稿では、エネルギー需要管理、負荷切り替え、インフラストラクチャ開発に不可欠な REP に関するエネルギー負荷消費予測のこの課題に取り組みます。
特に、既存のエネルギー負荷予測は一元化されており、スケーラブルではなく、最も重要なこととして、データ プライバシーの脅威に対して脆弱であることに注意してください。
さらに、REP は個々の市場参加者であり、自分の顧客のプライバシーを確​​保する責任があります。
この問題に対処するために、REPのエネルギー負荷予測、つまりFedREPのための新しい水平プライバシー保護連合学習フレームワークを提案します。
複数の REP がデータを共有せずに共通の堅牢な機械学習モデルを構築できるようにすることで、コントロール センターと複数の小売業者で構成されるフェデレーテッド ラーニング システムを検討し、データ プライバシー、データ セキュリティ、スケーラビリティなどの重要な問題に対処します。
予測には、最先端の長期短期記憶 (LSTM) ニューラル ネットワークを使用します。これは、観測の長期シーケンスを学習する能力と、勾配消失問題を解決しながら時系列データを使用してより高い精度を約束するためです。
.
最後に、実際のエネルギー消費データセットを使用して、広範なデータ駆動型の実験を行います。
実験結果は、提案されたフェデレーテッド ラーニング フレームワークが、0.3 から 0.4 の範囲の MSE に関して十分なパフォーマンスを達成できることを示しており、プライバシーを保護し、スケーラビリティを向上させながら、集中型アプローチのパフォーマンスと比較的類似しています。

要約(オリジナル)

As Smart Meters are collecting and transmitting household energy consumption data to Retail Energy Providers (REP), the main challenge is to ensure the effective use of fine-grained consumer data while ensuring data privacy. In this manuscript, we tackle this challenge for energy load consumption forecasting in regards to REPs which is essential to energy demand management, load switching and infrastructure development. Specifically, we note that existing energy load forecasting is centralized, which are not scalable and most importantly, vulnerable to data privacy threats. Besides, REPs are individual market participants and liable to ensure the privacy of their own customers. To address this issue, we propose a novel horizontal privacy-preserving federated learning framework for REPs energy load forecasting, namely FedREP. We consider a federated learning system consisting of a control centre and multiple retailers by enabling multiple REPs to build a common, robust machine learning model without sharing data, thus addressing critical issues such as data privacy, data security and scalability. For forecasting, we use a state-of-the-art Long Short-Term Memory (LSTM) neural network due to its ability to learn long term sequences of observations and promises of higher accuracy with time-series data while solving the vanishing gradient problem. Finally, we conduct extensive data-driven experiments using a real energy consumption dataset. Experimental results demonstrate that our proposed federated learning framework can achieve sufficient performance in terms of MSE ranging between 0.3 to 0.4 and is relatively similar to that of a centralized approach while preserving privacy and improving scalability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google