香港大学王毅团队在《当然-通讯》发表智能电表“角落智能”后果

跟着碳达峰、碳中庸见地的建议，加速构建以新动力为主的新式电力系统关于我国动力低碳转型的经过至关遑急。消纳高比例新动力的要津在于普及电力系统需求侧的生动性。当作用电信息采集末端，我国智能电表的保有量已跨越6.5亿只，躲闪率跨越了99%的用电客户，成为电网数字化和智能化基石。跟着新式电力系统的发展，奈何赋能海量智能电表更智能化的动力数据分析才气，进辛苦毕缜密化的需求侧照拂？

近日，海外闻名学术期刊《Nature Communications》（图1）在线刊登了香港大学王毅西宾团队与普林斯顿大学讨论团队的最新后果——通过联邦分割学习为智能电表引入角落智能（Introducing Edge Intelligence to Smart Meters via Federated Split Learning）。该论文同期被剪辑保举为工程与基础智力鸿沟前50篇最具亮点的精选论文（Editors’ Highlights pages aim to showcase the 50 best papers recently published in an area）（图2）。

图1 论文在线发表于期刊《Nature Communications》

图2 论文入选《Nature Communications》工程与基础智力鸿沟的精选著作

当今商场化的智能电表家具仅具备电能计量和双向通讯的功能。若是智能电表大要在土产货对网罗的海量数据进行智能分析处理，电力系统不错在无需极端投资的情况下提高动力照拂效劳、缩小用户电力逝世、以及缓解云平台狡计压力。相干词，智能电表的内存、狡计和通讯硬件资源和数据资源有限，难以撑握复杂的神经采集测验任务。为此，该论文通过连结联邦学习和分割学习，建议了一种改革的云-边-端架构，有用措置了智能电表在硬件资源和数据资源方面的双重甩掉的问题。

通过实施最优模子分割、并行模子测验和分层模子团聚计策，遐想的联邦分割学习算法不错在内存占用、通讯支出和测验时刻等方面显赫提高智能电表角落智能的可行性（图3）。该要领的中枢在于，以秘密保护的面貌协同诓骗踱步式数据测验部署在多层级设备上的模子，已毕了电网不同层级设备之间的算力-数据协同，极地面提高了动力照拂效劳和数据安全性。

图3 基于联邦分割学习的云-边-端角落智能框架

通过设备硬件实验平台考据了联邦分割学习算法在效劳和精度方面的特殊性能（图4）。常见的智能电表仅有192 KB SRAM用于存储狡计经过产生的中间变量以及168 MHz的脱手频率用于施行密集的狡计任务，如斯受限的硬件狡计资源尚且不及以施行推理任务更无谓说复杂的模子测验任务。

实验扫尾标明，所提联邦分割学习算法大要减少95.5%的内存占用、94.8%的测验时刻并缩小50%的通讯支出，同期保握了与传统长入式要领十分致使更优的负荷量度准确性，从而使动力分析算法部署到资源受限的智能电表上成为可能。

图4 基于智能电表MCU的硬件测试平台

这项讨论时间的冲破，关于加速新式电力系统的数字化程度具有遑急真义，将促进电力行业将干涉一个全新的智能化时间。智能电表将不再是通俗的数据网罗器，而是成为电力系统中的智能末端节点，大要自主地进行数据分析和有盘算推算，从辛苦毕愈加缜密化的动力照拂。智能电表的角落智能大要提高动力诓骗效劳，降顽劣源逝世老本，还大要为用户带来愈加个性化和自主化的电力管事体验。

此外，通过角落智能，电力公司大要更好地照拂和优化电网资源，提高电网的结识性和可靠性。同期，这也为电力行业的改革提供了新的机遇，改日不错开发出更多的智能电网应用，从而为电力行业带来新的增长点。一言以蔽之，这项使命标识着电力行业向更智能、更环保、更经济的改日发展迈出了坚实的一步。

香港大学博士讨论生李业辉和秦大林为论文共同第一作家，普林斯顿大学好意思国科学院院士H. Vincent Poor西宾和香港大学王毅西宾为论文共同通讯作家。

#智能电表#