A Federated Learning Approach with Spiking Neurons and Clustering for Smart Meter Data
Notice bibliographique
Résumé
Residential smart meters data is essential for load flow analysis and demand-supply balance in smart grids. However, centralized load forecasting methods compromise consumer privacy and lead to high communication overhead due to the transmission of sensitive data. Federated learning (FL) addresses these concerns by enabling decentralized model training. However, traditional FL models rely on computationally intensive architectures, such as Long Short-Term Memory (LSTM) networks, which are not suitable for resource-constrained devices. Additionally, a single global FL model fails to account for diverse household consumption patterns, resulting in suboptimal forecasting performance. To overcome these challenges, we propose a novel federated averaging (FedAvg) approach based on integrate-and-fire (IF) spiking neurons for short-term load forecasting (STLF). Spiking Neural Networks (SNNs) provide event-driven, energy-efficient processing, reducing computational complexity and communication costs. In addition, we introduce a parameter-based clustering mechanism that leverages the statistical properties of model updates to group households with similar consumption patterns. Our method enhances model aggregation and effectively captures user-specific consumption patterns. Experimental results on a real-world dataset of 18 homes demonstrate that our FedAvg-IF model reduces RMSE by approximately $74 \%$ and MAE by $82 \%$ compared to the FedAvgLSTM model. The introduction of the clustering mechanism (FedAvg-IF-C) further decreases communication costs by about $89 \%$ and computational time by $61 \%$, respectively.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».