[논문 리뷰] Privacy Preserving Demand Forecasting to Encourage Consumer Acceptance of Smart Energy Meters

C. C. Briggs, Zhong Fan외 1명|arXiv (Cornell University)|2020. 12. 14.

Smart Grid Energy Management참고 문헌 5인용 수 4

한 줄 요약

이 논문은 원자료 소비 기록을 공유하지 않고도 탈중앙화된 스마트 미터 데이터에서 모델을 훈련시켜 개인정보 보호형 에너지 수요 예측을 가능하게 하는 피어드 학습(federated learning)을 제안한다. 이 방법은 소비자 개인정보를 보호하면서도 중심 집중 학습과 비교할 만한 예측 정확도를 달성하여 스마트 미터의 광범위한 도입을 장려한다.

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.

연구 동기 및 목표

• 스마트 미터 도입에 따른 소비자 개인정보 우려를 해결하여 광범위한 도입을 저해하는 요인을 해소하기 위해.
• 민감한 가정 내 에너지 소비 데이터를 중앙집중화하지 않고도 정확한 에너지 수요 예측을 가능하게 하기 위해.
• 피어드 학습이 데이터 개인정보 보호를 유지하면서도 중심 집중 학습과 비교할 만한 예측 성능을 달성할 수 있는지 평가하기 위해.
• 저대역폭 네트워크와 제한된 기기 연산 능력 등의 제약 조건이 있는 실세계 스마트 미터 환경에서 피어드 학습의 구현 가능성을 탐색하기 위해.
• 통계적 데이터 이질성과 피어드 훈련에서의 높은 통신 오버헤드와 같은 과제를 식별하고 완화하기 위해.

제안 방법

• 중앙 매개변수 서버가 원자료를 수령하지 않고도 여러 클라이언트(가정) 간의 훈련을 조율하는 피어드 학습을 활용한다.
• 각 클라이언트는 서버에서 제공하는 글로벌 모델을 초기화하여 자신의 스마트 미터 데이터로 국소 모델을 훈련한 후, 오직 모델 가중치 업데이트(차이)만 서버로 전송한다.
• 서버는 이러한 업데이트를 수거하여 FedAvg를 기준으로 하여 새로운 글로벌 모델을 구성하고, 다중 라운드에 걸쳐 반복적으로 개선한다.
• 에너지 소비 데이터의 장기적·단기적 시간적 의존성을 잘 포착할 수 있는 특성 덕분에 예측 아키텍처로 LSTM 기반 신경망을 사용한다.
• 모델 성능 평가에 표준 지표인 MAPE와 CV-RMSE를 사용하여 동일한 데이터에 대해 피어드 학습과 중심 집중 학습을 비교한다.
• 저대역폭 2G 네트워크에서의 통신 오버헤드를 최소화하기 위해 모델 희소화 및 클라이언트 샘플링 감소 기법을 제안한다.

실험 결과

연구 질문

• RQ1 피어드 학습이 에너지 수요 예측에서 중심 집중 학습과 비교해 동등한 예측 정확도를 달성할 수 있는가?
• RQ2 가정 내 에너지 소비 패턴의 통계적 이질성 상황에서 피어드 학습의 성능은 어떠한가?
• RQ3 2G 네트워크를 사용하는 스마트 미터링 시스템에서 통신 오버헤드가 피어드 학습에 미치는 영향은 무엇인가?
• RQ4 제한된 연산 능력을 지닌 기존 스마트 미터에서 피어드 학습을 효과적으로 구현할 수 있는가?
• RQ5 모델 성능 저하 없이 차등적 프라이버시와 안전한 집계 기법을 피어드 에너지 예측에 통합할 수 있는가?

주요 결과

• 피어드 학습은 원자료 소비 기록을 중앙집중화하지 않고도 정확한 에너지 수요 예측을 가능하게 하며, 소비자 개인정보를 보호한다.
• 공개된 Low Carbon London 데이터셋을 바탕으로 MAPE와 CV-RMSE로 측정한 결과, 중심 집중 학습과 비교해 유사한 예측 성능을 달성한다.
• 모델 압축 기법 중 희소화와 같은 기법은 통신 오버헤드를 크게 줄여주어 피어드 학습을 저대역폭 2G 네트워크에서도 구현 가능하게 한다.
• 다양한 가정의 에너지 사용 패턴으로 인한 클라이언트 간 통계적 이질성은 피어드 학습 성능을 저하시킬 수 있으나, 유사한 클라이언트를 군집화하고 군집 내 최적화를 통해 이를 완화할 수 있다.
• 내부 디스플레이가 장착된 스마트 미터(IHD)는 국소 모델 훈련을 수행할 수 있는 충분한 연산 능력을 지니고 있어, 피어드 학습의 실용적 구현이 가능하다.
• 차등적 프라이버시와 안전한 집계 기법의 통합은 추가적인 프라이버시 보장을 가능하게 하며, 프라이버시와 모델 정확도 사이의 정량적 트레이드오프를 허용한다.