基于聚类聚合联邦学习的能源需求预测
机器学习
2022-10-31 v1 信号处理
摘要
为减少负面环境影响，电站与能源电网需优化电力生产所需资源。因此，预测客户端的能耗正成为每个能源管理系统的重要部分。客户端智能家庭收集的用能信息可用于训练深度神经网络以预测未来能源需求。从大量分布式客户端收集数据进行集中式模型训练在通信资源上代价高昂。为利用边缘系统中的分布式数据，集中式训练可被联邦学习替代，其中每个客户端仅需上传在其本地数据上训练产生的模型更新。这些模型更新由服务器聚合成单一全局模型。但由于不同客户端可能具有不同属性，模型更新可具有多样权重，因此聚合全局模型可能需很长时间收敛。为加速收敛过程，我们可应用聚类依据属性将客户端分组，并将同簇的模型更新聚合以产生簇特定全局模型。本文提出一种基于循环神经网络的能源需求预测器，通过在聚类客户端上以联邦学习训练，以利用分布式数据并加速收敛过程。
引用
@article{arxiv.2210.15850,
title = {Federated Learning based Energy Demand Prediction with Clustered Aggregation},
author = {Ye Lin Tun and Kyi Thar and Chu Myaet Thwal and Choong Seon Hong},
journal= {arXiv preprint arXiv:2210.15850},
year = {2022}
}
备注
Accepted by BigComp 2021