Federated Learning for the Prediction of Net Energy Demand in Communities of Buildings

Abstract

As futuras comunidades de energia transativa dependem de mecanismos de económicos e de controlo para a gestão do consumo e da geração através da comercialização de energia entre edificios. Para otimizar as comunidades de energia são cruciais os sistemas para a previsão do consumo de energia líquida. Tais sistemas de previsão por norma usam dados históricos da energia líquida, mas podem ser melhorados ao incluir também informações privadas dos edifícios. Os sistemas de automação em edifícios permitem a recolha de dados em grandes quantidades que podem serem usados pelos sistemas de previsão, mas estes dados são maioritariamente classificados como privados. Nesse contexto, o \textit{\acrfull{FL}}, tem sido abordado em diversas áreas com o objetivo principal de proteger os dados privados dos utilizadores. Nas comunidades de energia pode ser aplicado um sistema de \gls{FL} para implementação de sistemas de previsão, para aproveitar os dados privados associados a cada edifício para melhorar a capacidade de aprendizagem. O \gls{FL} também permite que não se perca a colaboração entre os utilizadores finais, que podem beneficiar do treino ocorrido noutro utilizador sem terem que abdicar da privacidade. Nesta dissertação é proposta uma nova abordagem para a previsão da energia líquida em comunidades de energia com base num sistema de \gls{FL}. A estrutura implementada prevê a integração de entidades terceiras como fornecedores de dados, e dois sistemas de previsão (um para o consumo e outro para a geração), ambos geridos pelo mesmo servidor, que irão permitir que se faça a previsão do consumo líquido de energia elétrica. Foram usados dois cenários para testar a estrutura proposta. O primeiro cenário é de um campus universitário em Portugal, o Pólo 2 da Universidade de Coimbra, e foram utilizados 6 edifícios para a recolha de dados. Este cenário serviu como primeiro teste à estrutura implementada, onde estava a apenas implementado o sistema de previsão do consumo, e utilizou-se os dados de geração para se determinar o consumo líquido de energia. O segundo cenário utilizou um conjunto de dados fornecidos pelo \textit{National Renewable Energy Laboratory}, onde foi selecionado o estado da Califórnia, EUA. Este conjunto de dados possuí edifícios com e sem sistemas de geração fotovoltaica, sendo que as que possuem tais sistemas têm os dados da geração e do consumo separados. Esta separação de dados torna assim possível o teste completo da estrutura proposta. Dos resultados obtidos foi possível observar que os sistemas de previsão atingiram um bom nível de precisão e de adaptabilidade, por exemplo a variações sazonais. A estrutura implementada permite ainda ser introduzida em diferentes tipos de comunidades, como mostrado com o teste que mostra a sua capacidade de generalização e adaptação. De notar ainda que no segundo cenário, ainda foi mostrado o uso da estrutura numa comunidade onde estavam integrados edifícios que poderiam possuir ou não um sistema de geração.

The future Transactive Energy (TE) ccommunities rely on economic and control mechanisms for managing consumption and generation through enabling end-use energy trading. The optimization of such communities needs strategies where the prediction of the net energy demand is the main key to achieving better performance levels of the control systems. Such prediction usually relies on net-demand information, but each building can have additional private information, since the actual building automation systems have the capability of collecting large amounts of data, which has a critical role in the prediction systems. Data generated through building automation systems are mainly considered private. In such a context, Federated Learning (FL), in recent years, has been used in many different areas where the main purpose is data protection. A FL strategy can be used for the prediction systems in TE communities, in order to use their private data and improve the forecast models. This strategy also enables a collaborative community where all participants can ensure benefits from the participation of other's participants, without issues in terms of sharing private data.A novel approach for predicting net-demand in TE communities based on FL is proposed in this dissertation. The developed framework allows the integration of third-party data providers, and the coordination by a server of two distinct forecast systems (one for generation and the other for demand). It ensures the forecast of net-demand in an indirect way by using the forecasted demand and generation, and collaborative learning among the buildings without sharing private data. The proposed approach was tested using two different scenarios. The first scenario is in Portugal and uses data collected from several buildings on a campus of the University of Coimbra. This dataset was used to test the first stage of the developed framework that has only the forecast of demand and uses local data of generation to evaluate the net-demand. The second scenario uses a dataset provided by the National Renewable Energy Laboratory (NREL) for buildings in California, United States of America. Such a dataset has buildings with and without a photovoltaic (PV) system, and the buildings that have such a system have the data of the power demand separated from the data relative to the generation, as needed to test the developed framework.The results present a high level of accuracy and adaptability to different situations, for instance, seasonal variations. The framework developed has a generalization associated that allows being introduced in different community types (a university campus and a residential community was tested), and also different types of buildings (with or without a PV system integrated).