De toepassing van “Federated Learning” in de op prosumenten gerichte flexibiliteitsmarkt

De flexibiliteit op huishoudensniveau heeft een groot potentieel laten zien, zoals het verminderen van de onzekerheid rond duurzame opwekking, het vermijden van congestieproblemen en het terugdringen van de exploitatie- en planningskosten van het lokale netwerk. Er zijn echter twee grote uitdagingen bij het activeren van de verspreide flexibiliteit van huishoudens bij prosumenten. Eén daarvan is het ontbreken van een stimuleringsmechanisme voor prosumenten. Hoewel de flexibiliteitsmarkt een van de eerlijkste oplossingen is om de flexibiliteit van huishoudens te vergaren en te benutten, houdt deze nauwelijks rekening met de belangen van prosumenten. De bestaande marktontwerpen behandelen prosumenten vaak als prijsnemers en passieve dienstverleners. De andere barrière is de toenemende zorg over privacy. Voor het voorspellen en beheersen van flexibiliteit zijn geavanceerde datagestuurde modellen nodig. Eén datagestuurd model vereist het verzamelen en analyseren van historische consumptiegegevens. Op huishoudensniveau bevatten de consumptiegegevens gevoelige informatie, zoals het gedrag van gebruikers, consumptiepatronen en de bezettingsgraad van huishoudens. Daarom presenteert dit proefschrift een op prosumenten gerichte flexibiliteit waarbij de privacy van prosumenten wordt beschermd via Federated Learning (FL).

In dit proefschrift wordt het ‘prosumentgerichte’ concept gedefinieerd in twee aspecten. Ten eerste zijn de prosumenten niet langer prijsnemers. Met de Geometrische Brownse Beweging (GBM)-methode en Monte Carlo-simulatie kunnen ze met distributiesysteembeheerders (DSO) over de prijspaden onderhandelen. Ten tweede beslissen prosumenten of en hoeveel flexibiliteit ze willen verhandelen, in plaats van passief orders van aggregators of DSO te accepteren. Door Home Energy Management Systems (HEMS) te integreren met neurale netwerkmodellen (NN), handelen de prosumenten in flexibiliteit zonder hun comfortniveau te schenden.

Wat betreft privacykwesties is het FL-framework een krachtig hulpmiddel. Het koppelt de data-acquisitie los van het trainingsproces van het NN-model. De onbewerkte trainingsgegevens blijven lokaal bij prosumenten. Om de prestaties van het FL-model bij het voorspellen van het elektriciteitsverbruik uitgebreid te analyseren, hebben we vier verschillende NN-structuren getest in drie experimenten: nauwkeurigheid, robuustheid van de gegevenskwaliteit en schaalbaarheid. Bovendien pushen we de traditionele FL naar een volledig gedecentraliseerde FL om single point-falen te voorkomen waarbij er geen centrale server is om de updates van modellen te verzamelen. Daarnaast wordt de Deep Leakage from Gradients (DLG)-aanval geanalyseerd. Het kan de originele trainingsgegevens herstellen van gedeelde modelupdates zoals gradiënten. Ter verdediging gebruiken we Secure Aggregation (SecAgg) om te voorkomen dat aanvallers gedeelde gradiënten kapen.

Ten slotte onderzoeken we de FL-modellen in een geschaalde, op prosumenten gerichte flexibiliteitsmarkt met 200 huishoudens. De FL wordt gebruikt om gegevensisolatie op te lossen, zodat deelnemers kunnen profiteren van de informatie van anderen zonder hun privacy te schenden. Uit de simulatie blijkt dat het FL-framework een positieve invloed heeft op de handel in flexibiliteit. Vanuit het standpunt van de verkopers hebben prosumenten meer financiële winst dankzij nauwkeurigere prijs- en vraagvoorspellingen. Wat de koper betreft, kan DSO een betere lastverschuiving bereiken omdat er meer flexibiliteit wordt geactiveerd door toenemende succesvolle flexibiliteitstransacties. Bovendien observeren we een fenomeen dat 'concurrentienadeel' wordt genoemd in FL-samenwerkingen. In de competitieve marktcontext profiteren sommige deelnemers van hun concurrenten in plaats van zichzelf, door zich aan te sluiten bij de FL-samenwerking. Het presenteert een dynamische relatie van concurreren en samenwerken in onze studiecase.

Concluderend onderzoekt dit proefschrift de toepassing van "Federated Learning" in een op prosumenten gerichte flexibiliteitsmarkt. Het behandelt de conflicten tussen privacy en de vereisten van datagestuurde modellen. Het FL-framework wordt getest aan de hand van verschillende studiecases en evaluatiestatistieken. Het is bewezen dat de FL een goed evenwicht kan brengen tussen de prestaties van datagestuurde modellen en de privacy van prosumenten. Het concept van ‘prosumer-centric’ opent een nieuwe poort voor het ontwerp van de flexibiliteitsmarkt. Het bewijst dat de communicatie bidirectioneel of bottom-up kan zijn. De DNB's kunnen nog steeds profiteren van de flexibiliteit van huishoudens zonder prosumenten als passieve dienstverleners te behandelen. De bevindingen in dit proefschrift vormen het startpunt voor een bredere discussie en onderzoek naar prosumenten. Naarmate het slimme netwerk zich ontwikkelt, wordt de rol van prosumenten steeds belangrijker. Het is belangrijk om vanuit het perspectief van de prosumenten te denken en rekening te houden met hun belangen en privacy.