협업 비 활성화에 대해

Jun 12, 2024

Scientific Reports 13권, 기사 번호: 6569(2023) 이 기사 인용

680 액세스

3 알트메트릭

측정항목 세부정보

에너지 효율성을 향상시키는 것은 지속 가능한 스마트 시티를 구축하는 데 있어 중요한 측면이며, 보다 광범위하게는 환경, 경제, 사회적 웰빙을 개선하는 것과 관련이 있습니다. 비침해적 부하 모니터링(NILM)은 실시간으로 에너지 소비를 예측하고 사용자의 에너지 인식을 높여 에너지 관리를 용이하게 하는 컴퓨팅 기술입니다. 대부분의 NILM 솔루션은 여전히 ​​단일 기계 접근 방식이므로 스마트 시티에 잘 맞지 않습니다. 이 작업은 도시 전체의 에너지 절약 애플리케이션을 위해 NILM 모델을 공동으로 훈련하기 위한 모델 독립적인 하이브리드 연합 학습 프레임워크를 제안합니다. 프레임워크는 중앙 집중식 및 분산형 훈련 모드를 모두 지원하여 사용자에게 클러스터 기반의 맞춤형 최적의 학습 솔루션을 제공합니다. 제안된 프레임워크는 실제 에너지 분해 데이터 세트에서 평가됩니다. 결과는 우리가 제안한 프레임워크에서 훈련된 모든 NILM 모델이 로컬에서 훈련된 모델보다 정확성이 뛰어남을 보여줍니다. 결과는 또한 우리 프레임워크에서 훈련된 NILM 모델이 개인정보 유출에 강하다는 것을 시사합니다.

세계 인구의 약 55%가 도시 지역에 살고 있으며, 그 비율은 2050년까지 68%로 증가할 것으로 예상됩니다1. 도시가 지속적으로 확장됨에 따라 도시 시스템의 지속 가능성을 충족하기 위해 가용 자원을 관리하는 것이 점점 더 중요해지고 있습니다. 끊임없이 증가하는 도시 인구의 요구를 충족합니다. 최근 사물 인터넷, 엣지 컴퓨팅, 기계 학습의 발전은 지속 가능한 스마트 시티를 향한 길을 닦는 데 필요한 하드웨어 및 소프트웨어 지원을 제공합니다2. 지속 가능한 스마트시티를 실현하기 위한 가장 큰 과제 중 하나는 증가하는 전기 에너지 수요를 해결하는 것입니다. 이러한 어려움을 극복하기 위해 다양한 접근 방식3,4,5이 개발되었지만 이러한 접근 방식의 공통 요소는 소비자에게 자신의 세부 전력 소비량을 알릴 수 있다는 것입니다. 이전 연구6,7에서는 가전제품 수준 정보가 소비자 인식을 높이고 지속 가능한 스마트 시티를 위한 새로운 에너지 절약 애플리케이션을 촉진함으로써 에너지 소비를 줄이는 데 도움이 될 수 있음을 보여줍니다.

개별 기기의 에너지 소비량은 기기 상태를 식별하고 집계된 전력 데이터에서 기기 수준의 전력 소비량을 추출하는 계산 방법인 NILM(Non-Intrusive Load Monitoring)을 사용하여 얻을 수 있습니다. 집계된 데이터는 건물이나 주택의 전기 계량기 등 단일 중앙 지점에서만 모니터링됩니다. NILM은 더 나은 서비스 제공을 위한 집단을 형성하기 위해 스마트 시티의 필수 부분인 스마트 그리드 시스템에 필요한 세분화된 에너지 소비 정보를 제공할 수 있습니다. 가정의 에너지 소비에 대한 온라인 피드백을 제공하여 사용자가 상황을 잘 인식하고 필요할 때 사용 패턴을 변경할 수 있도록 도와줍니다. 이 정보는 또한 전력 생산 및 급전을 최적화하기 위해 그리드 측에서 수요 대응 전략을 개발하는 데 도움이 될 수 있습니다. 이러한 쌍별 상호 작용은 스마트 도시의 발전, 에너지 절약 및 지속 가능한 개발을 촉진합니다. 수년에 걸쳐 숨겨진 마르코프 모델, 시간적 모티프 마이닝 또는 기타 조합 최적화 기술을 사용하여 실험적으로 실현 가능한 다양한 솔루션이 개발되었습니다. 연구자들은 최근 여러 분야에 걸쳐 다양한 애플리케이션에서 뛰어난 성능을 발휘하는 기계 학습 모델에 관심을 돌렸습니다. 많은 딥러닝 기반 알고리즘8,9,10 및 그래디언트 부스팅 알고리즘11,12이 NILM 애플리케이션용으로 개발되었으며 정확성과 효율성 측면에서 기존 모델보다 성능이 뛰어났습니다.

대부분의 기존 NILM 접근 방식은 여전히 ​​심각한 문제에 직면해 있으며 지속 가능한 스마트 시티에 대한 광범위한 사용을 방해합니다. 첫째, NILM 모델은 고성능을 얻기 위해 대표적인 통계 특성을 학습하기 위해 상당한 훈련 데이터가 필요합니다. 기존 접근 방식은 잠재적으로 비용이 많이 드는 데이터 전송과 개인 정보 보호 및 보안 문제로 인해 실제 사용이 불가능한 중앙 집중식 모델 교육을 위해 이해관계자로부터 데이터를 수집하여 이 문제를 해결합니다. 최근에는 이해관계자의 원시 데이터를 교환하지 않고 글로벌 모델을 공동으로 훈련하기 위해 연합 학습이 제안되었습니다13. 기존 NILM 연합 학습 솔루션은 중앙 집중식 설정에서 딥 러닝을 지향합니다14,15,16. 중앙 서버는 모든 이해관계자를 조정하여 신경망 모델을 훈련합니다. 이러한 방법은 실험에서 원하는 성능을 얻을 수 있지만 실제 시나리오에서는 오류가 발생하기 쉽습니다. 중앙 집중식 연합 학습은 일반적으로 대규모 클라이언트를 처리할 때 중앙 노드를 성능 병목 현상으로 만드는 리소스 제약으로 인해 확장성이 좋지 않습니다. 딥 러닝 모델의 복잡한 구조와 관련 하이퍼파라미터는 훈련 및 추론에 높은 계산 오버헤드를 부과하므로 리소스가 제한된 장치에서 실행하는 데 적합하지 않습니다. 또한 클라이언트 데이터 배포는 일반적으로 수량과 배포에 있어서 매우 불일치하기 때문에 비독립적이고 동일한 배포(non-IID)로 가정됩니다. 비 IID 배포는 잠재적으로 클라이언트 모델에 다양한 업데이트 요소를 제공할 수 있으며 글로벌 모델 피팅이 불량해질 수 있습니다17. 최근 연구에서는 전이 학습 및 필터 가지치기18를 통해 이러한 문제를 해결하려고 시도했습니다. 이러한 작업은 훈련을 위해 광범위한 데이터와 컴퓨팅 성능이 필요한 딥 러닝 모델의 특성을 근본적으로 바꿀 수 없습니다. 둘째, 대부분의 연구10,19,20는 장기간(1시간 이상) 에너지 분해에 중점을 두고 있으며, 이는 당연히 각 분석에 대해 긴 일련의 주요 판독값이 필요합니다. 분석 장치에는 이러한 긴 판독값을 관리하기 위해 상당한 저장 공간이 필요합니다. 마지막으로 NILM 모델 훈련을 위한 데이터는 사용자로부터 수집되어 거의 실시간으로 샘플링된 전기 소비량입니다. 판독값에는 켜기 및 끄기, 작동 모드 전환을 포함한 모든 기기의 기기 활동이 포함됩니다. 이전 연구21,22,23는 기성 통계 접근 방식을 사용하여 수면 루틴, 식사 루틴 등과 같은 판독값을 통해 사용자의 사용 패턴과 행동을 기술적으로 공개하는 것이 가능하다는 것을 보여줍니다. 현재 접근 방식은 다음 사항에 크게 의존합니다. 데이터 유출을 방지하기 위한 암호화 및 차등 개인 정보 보호 기술24,25. 모델 훈련에서 피할 수 없는 추가 계산 비용이 시스템에 도입되고 심지어 런타임 시 모델 성능이 저하됩니다. 또한 도시에는 다양한 행동과 활동을 하는 사용자가 포함됩니다. 이러한 사용자의 데이터는 통계 분포가 다를 수 있습니다. 이러한 모든 데이터를 통합하고 전체적으로 작동시키는 간단하고 비용 효율적이며 안전한 방법은 없습니다.