[논문 리뷰] Federated Learning Meets Contract Theory: Energy-Efficient Framework for Electric Vehicle Networks

Yuris Mulya Saputra, Diep N. Nguyen외 4명|arXiv (Cornell University)|2020. 04. 04.

Electric Vehicles and Infrastructure참고 문헌 33인용 수 8

한 줄 요약

이 논문은 전기자동차(EV) 네트워크를 대상으로 계약 이론과 분산 학습 기반의 프레임워크를 제안하여 에너지 수요 예측 정확도를 향상시키고, 충전 스테이션(CSs)의 수익을 최적화하며 사회적 복지를 향상시킨다. 비밀유지가 가능한 국지적 모델 학습을 위한 분산형 에너지 학습(DFEL)과 동적 에너지 가격 협상에 적합한 다수의 주체가 한 명의 에이전트를 둔(MPOA) 계약 모델을 활용함으로써, 기준 방법 대비 24.63% 높은 예측 정확도와 96.3% 낮은 통신 오버헤드를 달성하였으며, 비계약 기반 모델 대비 CS 수익은 35% 높고 사회적 복지는 36% 높다.

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.

연구 동기 및 목표

• 제한된 국지적 데이터와 개인정보 보호 제약으로 인해 분산형 EV 충전 네트워크에서 에너지 수요 예측이 정확하지 않은 문제를 해결하기 위해.
• 원시 데이터를 공유하지 않고도 CS들이 협력적으로 예측 정확도를 향상시킬 수 있는 에너지 효율적이고 개인정보 보호 기능을 갖춘 프레임워크를 설계하기 위해.
• CS와 스마트 그리드 공급자(SGP) 간의 정보 비대칭성 상황에서, 탄력적이고 협상 가능한 경제 모델을 통해 CS 수익과 사회적 복지를 극대화하기 위해.
• 개인적 합리성과 인centive 호환성 제약 조건 하에서 동적 에너지 가격 협상과 균형 계약 결과를 지원하는 확장 가능한 분산형 솔루션을 개발하기 위해.

제안 방법

• 각 CS가 자체 데이터를 사용해 국지적 에너지 수요 예측 모델을 학습하고, 원시 데이터를暴露하지 않고 모델 파라미터만 공유함으로써 전역 정확도를 향상시키는 CS 기반의 분산형 에너지 학습(DFEL) 프레임워크를 제안한다.
• 유사한 CS들을 군집화하여 공동 모델 학습을 수행함으로써 모델 차원을 감소시키고 수렴 속도를 향상시키는 CS 군집 기반의 DFEL 접근법을 도입한다.
• SGP가 주체이고 다수의 CS가 에이전트인 다수의 주체가 한 명의 에이전트를 둔(MPOA) 계약 기반 경제 모델을 개발하여 수요 유형에 기반한 동적 에너지 가격 협상을 가능하게 한다.
• 개인적 합리성과 인센티브 호환성 제약 조건 하에서 비협력적 에너지 계약 최적화 문제를 수립하여 수요 유형의 정직한 보고를 보장한다.
• SGP에서 실행되는 반복 알고리즘을 설계하여 CS 수익과 사회적 복지를 극대화하는 균형 계약 해를 계산한다.
• 유형 기반 메커니즘을 도입하여 CS가 자신의 수요 유형을 보고하고, SGP는 에너지 용량 유형의 범위를 활용해 진정된 유형을 추론하고 최적의 계약 조건을 설정한다.

실험 결과

연구 질문

• RQ1 데이터 기밀성과 높은 통신 비용을 해치지 않으면서 분산형 EV 네트워크에서 에너지 수요 예측 정확도를 어떻게 향상시킬 수 있는가?
• RQ2 SGP와 다수의 CS가 협상 가능한 동적 에너지 가격을 설정함으로써 개인 및 집단 복지를 극대화할 수 있는 최적의 계약 메커니즘은 무엇인가?
• RQ3 SGP의 에너지 용량이 비공개인 정보 비대칭성이 존재할 경우, 에너지 이행 메커니즘의 설계 및 성능에 어떤 영향을 미치는가?
• RQ4 한정된 국지적 데이터와 이질적인 수요 패턴을 가진 EV 네트워크에서 분산 학습은 예측 성능 향상에 얼마나 기여하는가?
• RQ5 계약 모델에서의 다단계 에너지 가격 유연성은 고정 가격 모델 대비 CS의 총 수익과 네트워크의 사회적 복지에 어떤 영향을 미치는가?

주요 결과

• 제안된 DFEL 프레임워크는 kNN, SNN, DNN와 같은 전통적 기계학습 방법 대비 에너지 수요 예측 정확도를 최대 24.63% 향상시킨다.
• 분산 학습 프레임워크에서 원시 데이터 교환 대신 모델 파라미터를 공유함으로써 CS 간 통신 오버헤드가 96.3% 감소한다.
• MPOA 계약 모델은 비계약 기반 모델(비례 요청 및 예측 없음 방법 포함) 대비 CS 수익을 35% 높이고 사회적 복지를 36% 높인다.
• SGP의 에너지 용량 유형의 가능한 수가 15에 도달할 경우, 정보 비대칭 조건 하에서 진정된 유형 추론의 정확도가 매우 높아지고 예상 수익 성능이 거의 수렴함을 확인하였다.
• 협상 가능한 에너지 이행 가격 단위 수를 1개에서 10개로 늘일 경우 사회적 복지가 최대 21% 향상되어 탄력적 가격 협상의 이점을 입증한다.
• 반복 계약 알고리즘이 개인적 합리성과 인센티브 호환성 제약 조건을 모두 충족하는 균형 해로 수렴함으로써 정직한 보고와 안정된 결과를 보장한다.