Federated Online Learning for adaptive load forecasting across decentralized nodes
Notice bibliographique
Résumé
Load forecasting is vital for a country’s power industry and economy, playing a crucial role in infrastructure planning, grid operation, and resource allocation. In recent years, Machine Learning (ML) techniques have been dominating load forecasting; however, traditional ML requires transferring data from different sensors, such as smart meters, to a central location for model training, and then the static models are used for forecasting. The main drawbacks are twofold: (1) data sharing and transfer results in privacy and security risks, and (2) static models miss opportunities to learn from new data. Federated learning has been proposed to address the first drawback while online learning tackles the second one. However, integrating the two remains challenging as it requires reconciling the distributed yet static paradigm of FL with the centralized yet dynamic sequential updating characteristics of online learning. Consequently, this paper proposes Federated Online Learning (FOL) which reconciles federated and online learning to provide adaptive distributed load forecasting. The local nodes employ a modified online learning technique based on a Long Short-Term Memory (LSTM) to learn from streaming data, while the federated learning process, including aggregation, is designed to accommodate sequential learning. Moreover, FOL includes communication control parameters to manage the exchange of information, synchronization, and network traffic. Experiments demonstrate that the proposed FOL outperforms traditional offline models and achieves similar results to online models while providing the benefits of adaptive distributed learning without local data sharing.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».