Πρόβλεψη Φωτοβολταϊκής Ισχύος με Federated Learning

Abstract

Στην παρούσα εργασία, διερευνώνται οι δυνατότητες του Federated Learning (FL) για την ενίσχυση της πρόβλεψης ισχύος φωτοβολταϊκών συστημάτων με διατήρηση της ιδιωτικότητας των δεδομένων. Η έρευνα υπογραμμίζει την επιτακτική ανάγκη για αποτελεσματικές και ασφαλείς μεθόδους πρόβλεψης της παραγωγής ηλιακής ενέργειας, δεδομένης της αυξανόμενης εξάρτησης από τις ανανεώσιμες πηγές ενέργειας και της ευαισθησίας των σχετικών δεδομένων. Τονίζεται η σημασία της ιδιωτικότητας στην πρόβλεψη ισχύος, καθώς πρέπει να προστατεύονται ευαίσθητα δεδομένα από διαφορετικά φωτοβολταϊκά συστήματα. Το Federated Learning προσφέρει μια πολλά υποσχόμενη λύση, επιτρέποντας την εκπαίδευση μοντέλων σε τοπικά δεδομένα χωρίς να απαιτείται ανταλλαγή δεδομένων, καθώς οι μέχρι τώρα συγκεντρωτικοί αλγόριθμοι πρόβλεψης βασίζονται στη συνάθροιση δεδομένων. Το FL διατηρεί την ιδιωτικότητα και συμμορφώνεται με τους κανονισμούς προστασίας δεδομένων. Αξιολογώντας προηγούμενες εφαρμογές και έρευνες στον FL, διαπιστώθηκε ότι ενώ το FL έχει εφαρμοστεί σε διάφορους τομείς, η χρήση του στην πρόβλεψη ισχύος φωτοβολταϊκών παραμένει ένας ανοικτός προς διερεύνηση τομέας με το υλικό να μην είναι απεριόριστο. Στο παρόν έργο συγκρίνονται έξι (6) διαφορετικές στρατηγικές FL (FedAvg, FaultTolerantFedAvg, FedProx, FedMedian, FedAdam και FedYogi) χρησιμοποιώντας ένα μοντέλο LSTM για την πρόβλεψη ισχύος των φωτοβολταϊκών συστημάτων. Η εφαρμογή αυτών των στρατηγικών σε δεδομένα από επτά (7) φωτοβολταϊκά συστήματα σε διαφορετικές τοποθεσίες παρείχε ένα ισχυρό πλαίσιο για ανάλυση. Χρησιμοποιώντας μετρικές αξιολόγησης όπως RMSE, nRMSE, MBE και R2 , πραγματοποιήθηκε μια ολοκληρωμένη αξιολόγηση των επιδόσεων. Τα αποτελέσματα έδειξαν ότι οι στρατηγικές FL μπορούν να προβλέψουν αποτελεσματικά την ισχύ των φωτοβολταϊκών συστημάτων, διατηρώντας παράλληλα το απόρρητο των δεδομένων. Κάθε στρατηγική έδειξε διαφορετικά επίπεδα ακρίβειας και ευρωστίας, με ορισμένες στρατηγικές να αποδίδουν καλύτερα.