隨著碳達峰、碳中和目標的提出，加快構建以新能源為主的新型電力系統對于我國能源低碳轉型的過程至關重要。消納高比例新能源的關鍵在于提升電力系統需求側的靈活性。作為用電信息采集終端，我國智能電表的保有量已超過6.5億只，覆蓋率超過了99%的用電客戶，成為電網數字化和智能化基石。隨著新型電力系統的發展，如何賦能海量智能電表更智能化的能源數據分析能力，進而實現精細化的需求側管理？
近日，國際知名學術期刊《Nature Communications》（圖1）在線刊登了香港大學王毅教授團隊與普林斯頓大學研究團隊的最新成果——通過聯邦分割學習為智能電表引入邊緣智能（Introducing Edge Intelligence to Smart Meters via Federated Split Learning）。該論文同時被編輯推薦為工程與基礎設施領域前50篇最具亮點的精選論文（Editors’ Highlights pages aim to showcase the 50 best papers recently published in an area）（圖2）。
圖1 論文在線發表于期刊《Nature Communications》
圖2 論文入選《Nature Communications》工程與基礎設施領域的精選文章
目前市場化的智能電表產品僅具備電能計量和雙向通訊的功能。如果智能電表能夠在本地對收集的海量數據進行智能分析處理，電力系統可以在無需額外投資的情況下提高能源管理效率、降低用戶電力消費、以及緩解云平臺計算壓力。然而，智能電表的內存、計算和通信硬件資源和數據資源有限，難以支撐復雜的神經網絡訓練任務。為此，該論文通過結合聯邦學習和分割學習，提出了一種創新的云-邊-端架構，有效解決了智能電表在硬件資源和數據資源方面的雙重限制的問題。
通過實施最優模型分割、并行模型訓練和分層模型聚合策略，設計的聯邦分割學習算法可以在內存占用、通信開銷和訓練時間等方面顯著提高智能電表邊緣智能的可行性（圖3）。該方法的核心在于，以隱私保護的方式協同利用分布式數據訓練部署在多層級設備上的模型，實現了電網不同層級設備之間的算力-數據協同，極大地提高了能源管理效率和數據安全性。
圖3 基于聯邦分割學習的云-邊-端邊緣智能框架
通過建立硬件實驗平臺驗證了聯邦分割學習算法在效率和精度方面的卓越性能（圖4）。常見的智能電表僅有192 KB SRAM用于存儲計算過程產生的中間變量以及168 MHz的運行頻率用于執行密集的計算任務，如此受限的硬件計算資源尚且不足以執行推理任務更不用說復雜的模型訓練任務。實驗結果表明，所提聯邦分割學習算法能夠減少95.5%的內存占用、94.8%的訓練時間并降低50%的通訊開銷，同時保持了與傳統集中式方法相當甚至更優的負荷預測準確性，從而使能源分析算法部署到資源受限的智能電表上成為可能。
圖4 基于智能電表MCU的硬件測試平臺
這項研究技術的突破，對于加快新型電力系統的數字化進程具有重要意義，將促進電力行業將進入一個全新的智能化時代。智能電表將不再是簡單的數據收集器，而是成為電力系統中的智能終端節點，能夠自主地進行數據分析和決策，從而實現更加精細化的能源管理。智能電表的邊緣智能能夠提高能源利用效率，降低能源消費成本，還能夠為用戶帶來更加個性化和自主化的電力服務體驗。此外，通過邊緣智能，電力公司能夠更好地管理和優化電網資源，提高電網的穩定性和可靠性。同時，這也為電力行業的創新提供了新的機遇，未來可以開發出更多的智能電網應用，從而為電力行業帶來新的增長點?？偠灾?，這項工作標志著電力行業向更智能、更環保、更經濟的未來發展邁出了堅實的一步。
香港大學博士研究生李業輝和秦大林為論文共同第一作者，普林斯頓大學美國科學院院士H. Vincent Poor教授和香港大學王毅教授為論文共同通信作者。
