隨著碳達(dá)峰、碳中和目標(biāo)的提出，加快構(gòu)建以新能源為主的新型電力系統(tǒng)對于我國能源低碳轉(zhuǎn)型的過程至關(guān)重要。消納高比例新能源的關(guān)鍵在于提升電力系統(tǒng)需求側(cè)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(wǎng)數(shù)字化和智能化基石。隨著新型電力系統(tǒng)的發(fā)展，如何賦能海量智能電表更智能化的能源數(shù)據(jù)分析能力，進(jìn)而實現(xiàn)精細(xì)化的需求側(cè)管理？

近日，國際知名學(xué)術(shù)期刊《Nature Communications》（圖1）在線刊登了香港大學(xué)王毅教授團(tuán)隊與普林斯頓大學(xué)研究團(tuán)隊的最新成果——通過聯(lián)邦分割學(xué)習(xí)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(chǔ)設(shè)施領(lǐng)域前50篇最具亮點(diǎn)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(fā)表于期刊《Nature Communications》

圖2 論文入選《Nature Communications》工程與基礎(chǔ)設(shè)施領(lǐng)域的精選文章

目前市場化的智能電表產(chǎn)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(shù)據(jù)進(jìn)行智能分析處理，電力系統(tǒng)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(fèi)、以及緩解云平臺計算壓力。然而，智能電表的內(nèi)存、計算和通信硬件資源和數(shù)據(jù)資源有限，難以支撐復(fù)雜的神經(jīng)網(wǎng)絡(luò)訓(xùn)練任務(wù)。為此，該論文通過結(jié)合聯(lián)邦學(xué)習(xí)和分割學(xué)習(xí)，提出了一種創(chuàng)新的云-邊-端架構(gòu)，有效解決了智能電表在硬件資源和數(shù)據(jù)資源方面的雙重限制的問題。

通過實施最優(yōu)模型分割、并行模型訓(xùn)練和分層模型聚合策略，設(shè)計的聯(lián)邦分割學(xué)習(xí)算法可以在內(nèi)存占用、通信開銷和訓(xùn)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(hù)的方式協(xié)同利用分布式數(shù)據(jù)訓(xùn)練部署在多層級設(shè)備上的模型，實現(xiàn)了電網(wǎng)不同層級設(shè)備之間的算力-數(shù)據(jù)協(xié)同，極大地提高了能源管理效率和數(shù)據(jù)安全性。

圖3 基于聯(lián)邦分割學(xué)習(xí)的云-邊-端邊緣智能框架

通過建立硬件實驗平臺驗證了聯(lián)邦分割學(xué)習(xí)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(chǎn)生的中間變量以及168 MHz的運(yùn)行頻率用于執(zhí)行密集的計算任務(wù)，如此受限的硬件計算資源尚且不足以執(zhí)行推理任務(wù)更不用說復(fù)雜的模型訓(xùn)練任務(wù)。實驗結(jié)果表明，所提聯(lián)邦分割學(xué)習(xí)算法能夠減少95.5%的內(nèi)存占用、94.8%的訓(xùn)練時間并降低50%的通訊開銷，同時保持了與傳統(tǒng)集中式方法相當(dāng)甚至更優(yōu)的負(fù)荷預(yù)測準(zhǔn)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(shù)的突破，對于加快新型電力系統(tǒng)的數(shù)字化進(jìn)程具有重要意義，將促進(jìn)電力行業(yè)將進(jìn)入一個全新的智能化時代。智能電表將不再是簡單的數(shù)據(jù)收集器，而是成為電力系統(tǒng)中的智能終端節(jié)點(diǎn)，能夠自主地進(jìn)行數(shù)據(jù)分析和決策，從而實現(xiàn)更加精細(xì)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(fèi)成本，還能夠為用戶帶來更加個性化和自主化的電力服務(wù)體驗。此外，通過邊緣智能，電力公司能夠更好地管理和優(yōu)化電網(wǎng)資源，提高電網(wǎng)的穩(wěn)定性和可靠性。同時，這也為電力行業(yè)的創(chuàng)新提供了新的機(jī)遇，未來可以開發(fā)出更多的智能電網(wǎng)應(yīng)用，從而為電力行業(yè)帶來新的增長點(diǎn)。總而言之，這項工作標(biāo)志著電力行業(yè)向更智能、更環(huán)保、更經(jīng)濟(jì)的未來發(fā)展邁出了堅實的一步。

香港大學(xué)博士研究生李業(yè)輝和秦大林為論文共同第一作者，普林斯頓大學(xué)美國科學(xué)院院士H. Vincent Poor教授和香港大學(xué)王毅教授為論文共同通信作者。