Evaluarea modelelor comprimate de predicție a energiei electrice în clădiri rezidențiale
Robert Făgăraș, Cristina Nichiforov, Iulia Stamatescu, Grigore Stamatescu
Eficiența energetică, la nivelul sectorului de construcții și operare a clădirilor, a atras recent atenția cercetătorilor, fiind mai ales stimulată de noile capacități oferite de progresele inteligenței artificiale și a științei prelucrării datelor. În special, progresele de la nivelul infrastructurilor de monitorizare inteligentă și a instrumentelor big-data pentru analiza datelor au permis clădirilor să fie privite ca o sursă intensivă de date. În ultimul timp, o direcție importantă de cercetare are ca focus îmbunătățirea performanței operaționale a sistemelor energetice ale clădirilor pe baza datelor generate de acestea. Este de remarcat faptul că multe dintre lucrările identificate în literatura de specialitate vizează analiza și înțelegerea tendințelor de utilizare a energiei electrice în clădiri, în vederea predicției tiparelor de consum de energie electrică.
Provocările actuale în ceea ce privește gestionarea rețelelor electrice implică creșterea rezoluției de măsurare, inferență și control în sistemele energetice. Detectarea anomaliilor și controlul evenimentelor ce pot apărea în sistemele energetice necesită modele de învățare care pot genera predicții în timp real, ținând cont de constrângeri legate de rate de eșantionare foarte ridicate. În vederea obținerii acestor predicții precise s-au dezvoltat mai multe tehnici care permit compresia modelelor de predicție și de clasificare bazate pe rețele neuronale, pentru a reduce memoria și puterea de calcul necesară, cu degradarea minimă a valorii erorii măsurate. Două dintre principalele tehnici utilizate pentru reducerea dimensiunii și complexității de calcul sunt tehnicile de tip pruning și cuantizare. În cazul tehnicilor de pruning se pleacă de la modele de dimensiuni suficient de mari și se elimină pe rând neuronii elementari şi legăturile care se dovedesc neimportante (cele care nu se modifică semnificativ în procesul de învățare). Ideea fundamentală din spatele tehnicilor de cuantizare este că prin convertirea ponderilor și intrărilor din interiorul rețelei neuronale în numere de tipul întreg, se consumă mai puțină memorie și totodată pe anumite sisteme hardware, calculele devin mai rapide.
Utilizând aceste tehnici, a fost propusă o metodă de antrenare, comprimare și evaluare a modelelor de predicție a energiei electrice în clădiri rezidențiale, utilizând abordări de ultimă generație și instrumente software open-source. Metoda propusă este, de asemenea, însoțită de o evaluare practică a compromisului dintre precizia și complexitatea modelului de predicție. Metoda propusă cuprinde două etape principale, iar diagrama întregului proces este ilustrată în Figura 1.
Așa cum se observă în figura de mai sus, cele două etape sunt următoarele: etapa de pre-procesare, care include atât extragerea caracteristicilor, selecția, cât și construirea rețelei neuronale de bază și etapa care presupune aplicarea diferitelor tehnici de compresie a rețelei de bază. Metoda propusă este aplicată pe cazul particular în care se dorește predicția energiei electrice în clădiri rezidențiale, totodată fiind ilustrată pe un set de date disponibil public, ce conține măsurători de la 23 de case. Datele utilizate sunt măsurate pe o perioadă de timp de un an cu o rezoluție de 15 minute, generând astfel aproximativ 35.000 de măsurători pentru fiecare locuință.
Rețeaua neuronală propusă este o rețea standard de tip feed-forward cu un strat de intrare, un strat ascuns cu 50 de neuroni și un strat de ieșire, iar funcția de activare utilizată este ReLU (Rectified Linear Unit). Tehnicile de compresie menționate anterior au fost aplicate acestei rețele de bază ce a fost antrenată utilizând datele provenite de la o singură locuință.
Scopul cercetării propuse este realizarea unei comparații între modelul de bază (reprezentat de rețeaua neuronală standard) și modelele comprimate, folosind cele două tehnici de compresie menționate anterior (pruning și cuantizare). Rezultatele arată că dimensiunea modelului poate fi redusă semnificativ, cu o degradare nesemnificativă a valorii performanței de predicție a consumului de energie electrică. Totodată, acest lucru sugerează că aceste rezultate extrapolate la scară mai largă pot aduce îmbunătățiri majore în optimizarea consumului de energie electrică, detectarea anomaliilor și mentenanța predictivă a sistemelor energetice ale clădirilor, având un impact pozitiv la nivel economic și de mediu.
