[論文レビュー] Federated Learning Meets Contract Theory: Energy-Efficient Framework for Electric Vehicle Networks

Yuris Mulya Saputra, Diep N. Nguyen+4 more|arXiv (Cornell University)|Apr 4, 2020

Electric Vehicles and Infrastructure参考文献 33被引用数 8

ひとこと要約

本論文は、電気自動車（EV）ネットワークにおける契約理論的でフェデレーテッドラーニングベースのフレームワークを提案し、エネルギー需要予測の精度を向上させるとともに、充電ステーション（CSs）の利益を最適化し、社会的福祉を向上させる。分散型フェデレーテッドエネルギー学習（DFEL）を用いてプライバシーを守ったローカルモデル学習を実現し、複数主権者1エージェント（MPOA）契約モデルを用いて動的なエネルギー価格交渉を可能にする。その結果、ベースライン手法と比較して予測精度が24.63%向上し、通信オーバーヘッドは96.3%低減された。また、非契約ベースのモデルと比較して、CSの利益は35%向上、社会的福祉は36%向上した。

ABSTRACT

In this paper, we propose a novel energy-efficient framework for an electric vehicle (EV) network using a contract theoretic-based economic model to maximize the profits of charging stations (CSs) and improve the social welfare of the network. Specifically, we first introduce CS-based and CS clustering-based decentralized federated energy learning (DFEL) approaches which enable the CSs to train their own energy transactions locally to predict energy demands. In this way, each CS can exchange its learned model with other CSs to improve prediction accuracy without revealing actual datasets and reduce communication overhead among the CSs. Based on the energy demand prediction, we then design a multi-principal one-agent (MPOA) contract-based method. In particular, we formulate the CSs' utility maximization as a non-collaborative energy contract problem in which each CS maximizes its utility under common constraints from the smart grid provider (SGP) and other CSs' contracts. Then, we prove the existence of an equilibrium contract solution for all the CSs and develop an iterative algorithm at the SGP to find the equilibrium. Through simulation results using the dataset of CSs' transactions in Dundee city, the United Kingdom between 2017 and 2018, we demonstrate that our proposed method can achieve the energy demand prediction accuracy improvement up to 24.63% and lessen communication overhead by 96.3% compared with other machine learning algorithms. Furthermore, our proposed method can outperform non-contract-based economic models by 35% and 36% in terms of the CSs' utilities and social welfare of the network, respectively.

研究の動機と目的

• 局所データの制限とプライバシー制約の下で、分散型EV充電ネットワークにおけるエネルギー需要予測の不正確さという課題に対処すること。
• 生データを共有せずに、CSが共同で予測精度を向上させることを可能にする、エネルギー効率的でプライバシーを守るフレームワークを設計すること。
• CSとスマートグリッドプロバイダー（SGP）の間における情報非対称性を考慮し、柔軟で交渉可能な経済モデルを通じて、CSの利益と社会的福祉を最大化すること。
• 個々の合理性とインcentive適合性の制約下で、動的なエネルギー価格交渉と均衡契約結果を達成できる、スケーラブルで分散型のソリューションを開発すること。

提案手法

• 各CSが自らのデータを用いてローカルエネルギー需要予測モデルを学習し、生データを暴露せずにグローバルな精度を向上させるためにモデルパラメータのみを共有するCSベースの分散型フェデレーテッドエネルギー学習（DFEL）フレームワークを提案する。
• 類似したCSをグループ化して共同でモデル学習を行うことで、モデル次元を低減し収束を加速するCSクラスタリングベースのDFELアプローチを導入する。
• SGPを主権者とし、複数のCSをエージェントとする多主権者1エージェント（MPOA）契約ベースの経済モデルを構築し、需要タイプに応じた動的なエネルギー価格交渉を可能にする。
• 個々の合理性とインcentive適合性の制約下で非協力的エネルギー契約最適化問題を定式化し、需要タイプの真実の報告を保証する。
• SGPが反復アルゴリズムを用いて、CSの利益と社会的福祉を最大化する均衡契約解を計算する。
• CSが需要タイプを報告するタイプベースのメカニズムを採用し、SGPはエネルギー容量タイプの範囲を用いて真のタイプを推定し、最適な契約条項を設定する。

実験結果

リサーチクエスチョン

• RQ1 プライバシーを損なわず、通信コストも高くならない条件下で、分散型EVネットワークにおけるエネルギー需要予測精度をどのように向上させられるか？
• RQ2 SGPと複数のCSが動的なエネルギー価格を交渉可能にしながら、個々の利益と集団的利益の両方を最大化する最適な契約メカニズムは何か？
• RQ3 SGPのエネルギー容量が非公開であるという情報非対称性が、エネルギー移転メカニズムの設計と性能にどのように影響を与えるか？
• RQ4 限られた局所データと多様な需要パターンを有するEVネットワークにおいて、フェデレーテッドラーニングは予測性能をどの程度向上させられるか？
• RQ5 契約モデルにおけるマルチティアのエネルギー価格の柔軟性は、固定価格モデルと比較してCSの総利益とネットワーク全体の社会的福祉にどのような影響を及ぼすか？

主な発見

• 提案されたDFELフレームワークは、kNN、SNN、DNNといった従来の機械学習手法と比較して、エネルギー需要予測精度を最大24.63%向上させる。
• フェデレーテッドラーニングフレームワークにおける生データの送信を避けてモデルパラメータの共有を行うことで、CS間の通信オーバーヘッドが96.3%削減された。
• MPOA契約モデルは、比例要求型や予測なし型といった非契約ベースのモデルと比較して、CSの利益を35%、社会的福祉を36%向上させた。
• SGPのエネルギー容量タイプの可能性が15に達する際、期待される利益の収束性能に近づくことが示され、情報非対称性下でもタイプ推定の高精度性が裏付けられた。
• エネルギー移転価格単位の交渉数を1から10に増加させた場合、社会的福祉が最大21%向上し、柔軟な価格交渉の利点が明確に示された。
• 反復的契約アルゴリズムは、個々の合理性とインcentive適合性の両制約を満たす均衡解に収束し、真実の報告と安定した結果を保証した。