ПРОГНОЗУВАННЯ ЕНЕРГОСПОЖИВАННЯ У МІКРОМЕРЕЖАХ: ОЦІНКА КОНВЕРТОВАНИХ МОДЕЛЕЙ
DOI:
https://doi.org/10.35546/kntu2078-4481.2025.1.2.12Ключові слова:
периферійні обчислення, машинне навчання, розумні мікромережі, прогнозування споживання електроенергії, Tensorflow Lite, CoreML, мобільний додатокАнотація
У статті розглядається можливість застосування моделей машинного навчання на мобільних пристроях для прогнозування рівня споживання електроенергії у мікромережах. Дані пристрої здатні забезпечити додатковий захист при обробці приватних даних, але мають суттєвий перелік обмежень, що вимагає додаткової оцінки як способу підготовки моделей, так і способу їх запуску.У даній роботі проведено оцінку ефективності моделей прогнозування рівня споживання електроенергії на базі LSTM після їх конвертації у мобільні формати CoreML, Tensorflow Lite для подальшого використання у якості частини підсистеми прогнозування на периферійних мобільних пристроях. Для навчання та оцінки ефективності моделей було використано набори даних двох категорій споживачів: промислового підприємства закритого типу та малого об’єкта цивільної інфраструктури. Для розробки тестових прототипів моделей було використано програмний пакет Tensorflow з подальшою конвертацією даних прототипів у формати, що дозволяють їх запуск на мобільних пристроях Apple. Конвертовані моделі були оцінені за розміром, точністю прогнозування, швидкістю надання прогнозу, кількістю споживаної оперативної пам’яті, впливом на нагрів пристрою та навантаженням на його центральний процесор.В результаті оцінки було зроблено висновок, що втрата точності прогнозування після конвертації є незначною, а продуктивність конвертованих моделей дозволяє виконувати прогнозування в режимі реального часу з допустимим значенням рівня використання обчислювальних ресурсів пристрою. Даний результат підтверджує можливість використання мобільних пристроїв у якості периферійного засобу обчислення у підсистемі прогнозування рівня споживання енергії.
Посилання
Biegańska M. IoT-Based Decentralized Energy Systems. Energies. 2022. Вип. 15, № 21. С. 7830. DOI: https://doi.org/10.3390/en15217830
Wynn S. L. L., Boonraksa T., Boonraksa P., Pinthurat W., Marungsri B. Decentralized Energy Management System in Microgrid Considering Uncertainty and Demand Response. Electronics. 2023. Вип. 12, № 1. С. 237. DOI: https://doi.org/ 10.3390/electronics12010237
Parfenenko Y. V., Shendryk V. V., Kholiavka Y. P., Pavlenko P. M. COMPARISON OF SHORT-TERM FORECASTING METHODS OF ELECTRICITY CONSUMPTION IN MICROGRIDS. Radio Electronics, Computer Science, Control. 2023. № 1. С. 14–14. DOI: https://doi.org/10.15588/1607-3274-2023-1-2
Vries A. de. The growing energy footprint of artificial intelligence. Joule. 2023. Вип. 7, № 10. С. 2191–2194. DOI: https://doi.org/10.1016/j.joule.2023.09.004
Guidi G., Dominici F., Gilmour J., Butler K., Bell E., Delaney S., Bargagli-Stoffi F. J. Environmental Burden of United States Data Centers in the Artificial Intelligence Era. arXiv, 2024.
Data Privacy Laws and Regulations Around the World, URL: https://securiti.ai/privacy-laws/ (дата звернення: 28.12.2024).
LiteRT and TensorFlow operator compatibility, URL: https://ai.google.dev/edge/litert/models/ops_compatibility (дата звернення: 02.02.2025).
CoreMLTools Source and Conversion Formats, URL: https://apple.github.io/coremltools/docs-guides/source/ target-conversion-formats.html (дата звернення: 02.02.2025).
Reducing terminations in your app, URL: https://developer.apple.com/documentation/xcode/reduce-terminations- in-your-app (дата звернення: 02.02.2025).
Tajjour S., Singh Chandel S. A comprehensive review on sustainable energy management systems for optimal operation of future-generation of solar microgrids. Sustainable Energy Technologies and Assessments. 2023. Вип. 58. С. 103377. DOI: https://doi.org/10.1016/j.seta.2023.103377
Elhanashi A., Dini P., Saponara S., Zheng Q. Advancements in TinyML: Applications, Limitations, and Impact on IoT Devices. Electronics. 2024. Вип. 13, № 17. С. 3562. DOI: https://doi.org/10.3390/electronics13173562
LiteRT for Microcontrollers, URL: https://ai.google.dev/edge/litert/microcontrollers/overview (дата звернення: 03.02.2025).
Experience more with Core ML, URL: https://developer.apple.com/machine-learning/core-ml/ (дата звернення: 02.02.2025).
What Is Core ML Tools?, URL: https://apple.github.io/coremltools/docs-guides/source/overview-coremltools.html (дата звернення: 02.02.2025).
IsolationForest Algorithm implementation in sklearn, URL: https://scikit-learn.org/stable/modules/generated/ sklearn.ensemble.IsolationForest.html#sklearn.ensemble.IsolationForest (дата звернення: 09.10.2024).
Tensorflow official repository, URL: https://github.com/tensorflow/tensorflow/issues/61857 (дата звернення: 23.10.2024).