دانلود پاورپوینت مقاله مدل ایمن یادگیری مشارکتی جهت پیش بینی بار در بخش مسکونی

پیشرفت های جدید در الگوی شبکه هوشمند با هدف بکارگیری چند دستگاه مبتنی بر اینترنت اشیاء و فناوری های رایانشی پیشرفته صورت می گیرد تا قابلیت اطمینان، انعطاف پذیری، و کارایی سیستم های قدرت حساس را تضمین کند. با رواج هوش مصنوعی، مقدار زیادی داده بسیار جزئی مرتبط با توان تولید شده توسط این دستگاه های هوشمند به تامین کنندگان خدمات انرژی امکان بهبود پیش بینی بار، بیشینه سازی بهره های مالی، توصیه های مدیریت کارآمد تقاضا، و دیگر راهبردهای عملیاتی شبکه و … را فراهم می کند. به علاوه مشتریان می توانند از طریق شخصی سازی برنامه های کاربردی و ابزار سیستم قدرت، کیفیت خدمات بهتری را تجربه کنند. در این پاورپوینت نیز به بررسی و ارائه چارچوب و مدل ایمن یادگیری مشارکتی و فدرال جهت پیش بینی بار کوتاه مدت در بخش مسکونی پرداخته شده است.

این پاورپوینت در 31 اسلاید تهیه شده و در ادامه نیز تصویر مربوط به اسلاید شماره 3 آن قرار داده شده است:

در سال های اخیر، چند راه حل نامتمرکز پیش بینی بار به طور فعال توسط پژوهشگران حوزه شبکه هوشمند پیشنهاد شده است. این روش ها متکی بر اشتراک داده میان چند گره نامتمرکز در طول فرآیند آموزش برای بهبود دقت و قدرت هستند. اما اشتراک داده موجب نگرانی های حریم خصوصی می شود و می تواند عملکرد را به طور قابل توجهی افزایش دهد. در این موارد، اشتراک پروفایل های دقیق مصرف بار جمع آوری شده از سنجشگرهای هوشمند منفرد در سرورهای مرکزی داده، نگرانی های حریم خصوصی متعددی را به مالکان داده های انرژی تحمیل می کند. برای نمونه مطالعات مختلف نشان دادند که تحلیل ساده الگوهای مصرف بار ثبت شده توسط سنجشگرهای هوشمند می تواند نرخ سکونت خانگی، وجود افراد در یک خانه، و زمان خواب/بیداری ساکنان را بدون آگاهی قبلی فاش کند. در واقع توان تفکیک بیشتر داده های سنجشگر هوشمند منجر به جزئی تر شدن اطلاعات می شود و به طرف های ثالث امکان استنتاج اطلاعات حساس تر در مورد خانه ها را می دهد.

در ادامه، تصویر مربوط به اسلاید شماره 26 این پاورپوینت قرار داده شده است:

در این سناریو، یادگیری مشارکتی به صورت یک گزینه رایانشی پراکنده مطمئن حافظ حریم خصوصی پدیدار می شود که رایانش را به مالکان داده انرژی منتقل می کند و امکان آموزش یک مدل عمومی از طریق کالیبره کردن دستگاه ها بدون نیاز به جابجایی داده به یک مخزن مرکزی برای آموزش مدل را فراهم می کند. به طور معمول، دستگاه های لبه در یک شبکه سیستم انرژی به طور مکرر یک مدل محلی را آموزش می دهد و پارامترهای حاصل را در یک تجمیع کننده مرکزی که پارامترها را جمع آوری و پردازش کرده و پارامترهای به روز شده را به دستگاه های لبه پس می فرستد، به روز می شود. این دورهای ارتباط تا همگرایی موفق مدل ادامه می یابد. با وجود مزایای حفظ حریم خصوصی به دلیل حذف نیاز به اشتراک داده خام، یادگیری مشارکتی بر حسب استفاده از منابع ارتباطی هم کارآمد است و مقیاس پذیری بالاتری دارد. به تازگی یادگیری مشارکتی توجه فراوان پژوهشگران برای بررسی مزایای احتمالی در حوزه های مختلف شبکه هوشمند یعنی پیش بینی بار کوتاه مدت، تشخیص دزدی انرژی و … را جلب کرده است. با این حال با وجود قابلیت های امیدبخش حفظ حریم خصوصی، مقالات جدید نشان داده اند که ممکن است یادگیری مشارکتی نتواند تضمین های کافی حریم خصوصی در شرایط خاص را تامین کند. برای نمونه پژوهشگران کشف کرده اند که می توانند داده های خام اولیه را از اشتراک گرادیان های مدل در طول تکرارها بازسازی کنند. به علاوه یادگیری مشارکتی به دلیل ماهیت پراکنده خود که در آن گره های مراحل به طور دلخواه عمل می کنند، در برابر حملات/خطاهای بیزانسی آسیب پذیر است که این می تواند نتیجه دستکاری های خصمانه یا خطاهای نرم افزار/سخت افزار باشد. بنابراین باید سازوکارهای یادگیری مشارکتی طراحی شود که در برابر این رفتارها مقاوم به خطا باشد، عملکرد تعمیم خوبی فراهم کند و در ارتباطات کارآمد است.