[論文レビュー] Privacy Preserving Demand Forecasting to Encourage Consumer Acceptance of Smart Energy Meters

C. C. Briggs, Zhong Fan+1 more|arXiv (Cornell University)|Dec 14, 2020

Smart Grid Energy Management参考文献 5被引用数 4

ひとこと要約

本論文では、消費者のプライバシーを守りながらエネルギー需要予測を可能にするために、分散型スマートメーターのデータ上でモデルを学習するフェデレーテッドラーニングの利用を提案している。この手法は、生の消費記録を共有しないままに、中央集権的学習と同等の予測精度を達成する一方で、消費者のプライバシーを保護する。その結果、グリッドの脱炭素化を促進するスマートメーターの広範な導入が促進される。

ABSTRACT

In this proposal paper we highlight the need for privacy preserving energy demand forecasting to allay a major concern consumers have about smart meter installations. High resolution smart meter data can expose many private aspects of a consumer's household such as occupancy, habits and individual appliance usage. Yet smart metering infrastructure has the potential to vastly reduce carbon emissions from the energy sector through improved operating efficiencies. We propose the application of a distributed machine learning setting known as federated learning for energy demand forecasting at various scales to make load prediction possible whilst retaining the privacy of consumers' raw energy consumption data.

研究の動機と目的

• スマートメーター導入に伴う消費者のプライバシー懸念を軽減し、広範な導入を促進すること。
• 家庭の機密なエネルギー消費データを中央集権的に集約せずに、正確なエネルギー需要予測を可能にすること。
• フェデレーテッドラーニングが、データプライバシーを守りながらも、中央集権的学習と同等の予測性能を達成できるかどうかを評価すること。
• 低帯域幅のネットワークや限られたデバイスの計算能力といった制約がある実世界のスマートメーター環境におけるフェデレーテッドラーニングの実用可能性を検討すること。
• 統計的データの非同一性やフェデレーテッドトレーニングにおける通信オーバーヘッドといった課題を特定し、それらを軽減すること。

提案手法

• 中央のパラメータサーバーが複数のクライアント（家庭）間で学習を調整するフェデレーテッドラーニングを採用。生データは収集されない。
• 各クライアントは、サーバーから提供されるグローバルモデルを初期化として用い、自らのスマートメーターのデータで局所的なモデルを学習し、モデル重みの更新量（差分）のみをサーバーに送信する。
• サーバーはこれらの更新を収集し（ベースラインとしてFedAvgを用い）、新たなグローバルモデルを構築。これを複数ラウンドにわたり繰り返し精錬する。
• エネルギー消費データに含まれる長期的および短期的な時間的依存性を捉えられるため、LSTMベースのニューラルネットワークを予測アーキテクチャとして採用。
• モデルの性能は、MAPEとCV-RMSEといった標準的な指標を用いて評価され、フェデレーテッドラーニングと中央集権的学習の結果を比較する。
• 2Gネットワークのような低帯域幅環境での通信オーバーヘッドを最小限に抑えるために、モデルのスパarsificationやクライアントのサンプリング削減技術を提案。

実験結果

リサーチクエスチョン

• RQ1 フェデレーテッドラーニングは、エネルギー需要予測において中央集権的学習と同等の予測精度を達成できるか？
• RQ2 家庭のエネルギー消費パターンにおける統計的非同一性が、フェデレーテッドラーニングの性能に与える影響は何か？
• RQ3 2Gネットワークを用いたスマートメーター統合システムにおいて、通信オーバーヘッドがフェデレーテッドラーニングに与える影響は何か？
• RQ4 計算能力が限られた既存のスマートメーター上で、フェデレーテッドラーニングを実際に展開できるか？
• RQ5 プライバシー保護技術（例：微分プライバシー）をフェデレーテッドエネルギー予測に統合できるか？また、モデル性能の低下を最小限に抑える方法は何か？

主な発見

• フェデレーテッドラーニングにより、生の家庭エネルギー消費データを中央に集約することなく、正確なエネルギー需要予測が可能となり、消費者のプライバシーが保護される。
• 公開済みのLow Carbon Londonデータセットを用いた評価において、MAPEとCV-RMSEという指標で、中央集権的学習と同等の予測性能が達成された。
• スパース化を含むモデル圧縮技術により、通信オーバーヘッドを顕著に低減でき、2Gネットワークのような低帯域環境でもフェデレーテッドラーニングが実用可能であることが示された。
• 多様な家庭のエネルギー使用パターンに起因するクライアント間の統計的非同一性は、フェデレーテッドラーニングの性能を低下させる要因となるが、類似したクライアントをクラスタリングし、各クラスタ内で最適化することでこれを緩和できる。
• インハウスディスプレイ（IHD）を備えたスマートメーターは、局所的なモデル学習を実行するのに十分な計算能力を有しており、フェデレーテッドラーニングの実用的導入が可能である。
• 微分プライバシーとセキュアアグリゲーションの統合により、プライバシー保護の強化が可能となり、プライバシーとモデル精度の間の定量的トレードオフを実現できる。