香港大学王毅团队在《Nature Communications》发表智能电表“边缘智能”最新研究成果
随着碳达峰、碳中和目标的提出,加快构建以新能源为主的新型电力系统对于我国能源低碳转型的过程至关重要。消纳高比例新能源的关键在于提升电力系统需求侧的灵活性。作为用电信息采集终端,我国智能电表的保有量已超过6.5亿只,覆盖率超过了99%的用电客户,成为电网数字化和智能化基石。随着新型电力系统的发展,如何赋能海量智能电表更智能化的能源数据分析能力,进而实现精细化的需求侧管理?
近日,国际知名学术期刊《Nature Communications》(图1)在线刊登了香港大学王毅教授团队与普林斯顿大学研究团队的最新成果——通过联邦分割学习为智能电表引入边缘智能(Introducing Edge Intelligence to Smart Meters via Federated Split Learning)。该论文同时被编辑推荐为工程与基础设施领域前50篇最具亮点的精选论文(Editors’ Highlights pages aim to showcase the 50 best papers recently published in an area)(图2)。
图1 论文在线发表于期刊《Nature Communications》
图2 论文入选《Nature Communications》工程与基础设施领域的精选文章
目前市场化的智能电表产品仅具备电能计量和双向通讯的功能。如果智能电表能够在本地对收集的海量数据进行智能分析处理,电力系统可以在无需额外投资的情况下提高能源管理效率、降低用户电力消费、以及缓解云平台计算压力。然而,智能电表的内存、计算和通信硬件资源和数据资源有限,难以支撑复杂的神经网络训练任务。为此,该论文通过结合联邦学习和分割学习,提出了一种创新的云-边-端架构,有效解决了智能电表在硬件资源和数据资源方面的双重限制的问题。
通过实施最优模型分割、并行模型训练和分层模型聚合策略,设计的联邦分割学习算法可以在内存占用、通信开销和训练时间等方面显著提高智能电表边缘智能的可行性(图3)。该方法的核心在于,以隐私保护的方式协同利用分布式数据训练部署在多层级设备上的模型,实现了电网不同层级设备之间的算力-数据协同,极大地提高了能源管理效率和数据安全性。
图3 基于联邦分割学习的云-边-端边缘智能框架
通过建立硬件实验平台验证了联邦分割学习算法在效率和精度方面的卓越性能(图4)。常见的智能电表仅有192 KB SRAM用于存储计算过程产生的中间变量以及168 MHz的运行频率用于执行密集的计算任务,如此受限的硬件计算资源尚且不足以执行推理任务更不用说复杂的模型训练任务。实验结果表明,所提联邦分割学习算法能够减少95.5%的内存占用、94.8%的训练时间并降低50%的通讯开销,同时保持了与传统集中式方法相当甚至更优的负荷预测准确性,从而使能源分析算法部署到资源受限的智能电表上成为可能。
图4 基于智能电表MCU的硬件测试平台
这项研究技术的突破,对于加快新型电力系统的数字化进程具有重要意义,将促进电力行业将进入一个全新的智能化时代。智能电表将不再是简单的数据收集器,而是成为电力系统中的智能终端节点,能够自主地进行数据分析和决策,从而实现更加精细化的能源管理。智能电表的边缘智能能够提高能源利用效率,降低能源消费成本,还能够为用户带来更加个性化和自主化的电力服务体验。此外,通过边缘智能,电力公司能够更好地管理和优化电网资源,提高电网的稳定性和可靠性。同时,这也为电力行业的创新提供了新的机遇,未来可以开发出更多的智能电网应用,从而为电力行业带来新的增长点。总而言之,这项工作标志着电力行业向更智能、更环保、更经济的未来发展迈出了坚实的一步。