Federated and Multi-Task Learning for Privacy-Preserving Short-Term Electric Load Forecasting
Notice bibliographique
Résumé
Electric load forecasting involves gathering and analyzing load data from end-users to help utilities maintain the balance between supply and demand, plan and manage their infrastructure, and price their services.Privacy concerns arise from sharing electric load data.Federated Learning (FL) entails training a global model among several clients by sharing model weights instead of data.Using multiple server aggregation algorithms, we implement several fine-tuning (personalizing) optimizers to improve the local load forecasting accuracy compared to non-personalized FL.We also propose training a Temporal Fusion Transformer (TFT), a type of deep learning model that combines the strengths of transformers and LSTM networks, via FL, which improved load forecasting accuracy and reduced communication and computation costs compared to other common deep learning models.Recommendations are presented regarding several TFT architecture hyperparameters to improve load forecasting accuracy and reduce costs even further.Enforcing and relaxing lockdown rules and changing habits of people caused major uncertainty in load forecasting during the Coronavirus disease of 2019 (COVID-19).To overcome this, we propose two disaster-aware multi-task learning (MTL) models for residential and city levels load forecasting.The proposed MTL models allowed learning from two different datasets with different features, and reduced load forecasting error for both levels compared to a non-MTL approach.Firstly, I would like to express my sincere gratitude to my supervisor, Professor Mohamed Ibnkahla, for giving me the opportunity to research and experiment on such an interesting and trending topic.I would also like to thank him for the support and guidance along the way in my Master's degree, as well as my Bachelor's capstone project.I would like to thank Dr. Zied Bouida for all the
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».