《Internet of Things》：Energy-Aware Semantic Filtering for Smart Grid Forecasting Using Variational Autoencoders and Hybrid Learning Models
编辑推荐：
能源高效的语义过滤框架在边缘计算环境中的智能电网预测应用，采用VAE评估输入窗口语义相关性，结合量化规则过滤低信息数据，训练轻量级GBR模型实现低排放高精度预测，实验显示可丢弃80%数据窗口，减少90%碳排放和5倍推理时间。
安吉拉·乔坎（Angela Ciocan）| 索菲安·哈姆里乌伊（Sofiane Hamrioui）| 文森特·库尔布莱（Vincent Courboulay）| 帕斯卡尔·洛伦兹（Pascal Lorenz）| 阿德里安·乔坎（Adrian Ciocan）
法国圣巴泰勒米-昂茹（Saint-Barthélemy-d’Anjou）的ESAIP工程师学院
摘要
我们提出了一个能效高的语义过滤框架，用于边缘计算环境中的智能电网预测。变分自编码器（VAE）通过重建误差来估计输入窗口的语义相关性，而分位数规则则从训练集中移除信息量较低的窗口。然后在保留的数据上训练轻量级的梯度提升回归器（GBR），以进行下一步的负荷预测。在UCI家庭电力消耗数据集上，最多可以丢弃80%的训练窗口，而准确率损失可以忽略不计，从而将二氧化碳排放量降低多达90%，并且推理时间缩短了5倍（使用CodeCarbon工具包测量）。这些结果表明，语义过滤是实现可持续、低延迟的边缘智能电网系统的有前景的方法。
引言
智能电表、传感器和边缘设备在智能电网基础设施中的日益普及，正在推动电网向信息物理系统的转变——这是物联网（IoT）的核心范式。实时能源消耗预测在这个生态系统中起着关键作用，它使得需求响应管理、负荷平衡和可再生能源的整合成为可能。这些预测使公用事业公司和智能设备能够做出主动决策，从而提高现代电力系统的韧性、可持续性和自主性[1]、[2]。
然而，从分布式IoT设备（如智能电表或逆变器式相位测量单元（PMUs）向中央服务器或云平台频繁传输高分辨率时间序列数据，会带来巨大的通信、计算和能源成本[3]。在资源受限的IoT部署环境中，这些挑战更加严重，因为带宽有限、延迟至关重要，能源效率也至关重要。此外，传输的数据中可能有很大一部分是冗余的或对预测任务无用的，导致不必要的资源消耗和环境影响。
为了解决这些问题，我们提出了一种针对基于IoT的智能电网环境的轻量级且节能的语义过滤流程。我们的方法选择性地过滤和传输最有信息量的信号段，从而在保持预测准确性的同时减少通信开销。所提出的架构包括：
•一个
变分自编码器（VAE）
，用于计算重建误差分数；
•基于分位数的
过滤机制，在传输或处理之前移除信息量较低的窗口；
•一个
预测模块
，使用LSTM或梯度提升回归器（GBR）
对保留的片段进行预测；
•CodeCarbon
，一个实时工具包，用于在推理过程中监控能源消耗和二氧化碳排放 这种架构非常适合边缘支持的IoT系统，在这些系统中，计算和通信资源有限，同时最小化环境足迹变得越来越重要[5]、[6]。我们的流程通过在不牺牲预测性能的情况下，在边缘实现智能数据减少，为可持续的IoT愿景做出了贡献。
主要贡献。本文的主要贡献如下：
•我们为基于IoT的智能电网中的时间序列数据引入了一种语义过滤策略，使用基于VAE的选择来减少冗余传输；
•我们设计了一种节能的预测流程，将语义过滤与轻量级回归模型相结合，以降低推理成本；
•我们使用CodeCarbon量化了数据保留、预测准确性和碳排放之间的权衡，以实现可重复的环境跟踪；
•我们通过实验证明，最多可以过滤掉80%的
训练
序列，而准确率损失最小，从而将二氧化碳排放量降低多达90%，推理速度提高5倍。
论文结构。第2节回顾了与IoT系统的能源预测、压缩/选择和可持续AI相关的工作。第3节详细介绍了所提出的流程和语义过滤方法。第4节报告了实验设置、指标和结果。第5节总结了研究内容，并概述了面向边缘智能和可持续IoT系统的未来方向。
相关工作概述（桥梁）为了将我们的贡献置于适当的背景中，第2节调查了三个领域：(i) 从经典统计模型到深度LSTM/Transformer家族以及公用事业公司使用的强大提升树的能源时间序列预测；(ii) 用于智能电网遥测的压缩和数据选择，包括基于规则的采样和基于AE/VAE的方法；以及(iii) 使用CodeCarbon等工具将准确性与效率指标（延迟和二氧化碳）相结合的可持续/绿色AI实践。这一概述为我们选择仅基于训练的语义选择（VAE分位数过滤）、轻量级预测器和端到端效率报告提供了框架。
相关研究片段
相关工作
能源消耗预测在现代智能电网系统中起着关键作用，它实现了负荷平衡、需求响应和可再生能源的整合。然而，随着支持IoT的边缘设备生成高频时间序列数据的增加，迫切需要以资源高效和环境可持续的方式优化这些信息的传输和处理。本节回顾了与我们研究相关的三个关键领域的先前工作
方法论
本节描述了所提出的节能预测流程，该流程结合了基于变分自编码器（VAE）的语义过滤和轻量级预测器（GBR）来预测能源消耗。该方法旨在在保持高预测准确性的同时降低计算和环境成本。该方法包括四个阶段：(i) 数据预处理，(ii) 使用VAE进行语义过滤，(iii) 使用GBR模型进行预测，以及(iv) 能源和排放
实验结果
本节对我们的语义过滤流程进行了全面评估，重点关注三个主要方面：预测准确性、压缩权衡和环境影响。实验是在UCI家庭电力消耗数据集上进行的，遵循第3节中的方法。
结论与未来工作
本研究提出了一个用于智能电网预测的节能语义过滤框架，满足了工业界对可持续和可扩展的边缘智能日益增长的需求。通过利用变分自编码器（VAE）来评估语义相关性和过滤冗余输入序列，该流程减少了处理和传输的数据量，同时保持了预测准确性。将其与轻量级的梯度提升回归器（GBR）结合使用，进一步降低了推理成本
未引用的参考文献
缺少参考文献：图3、算法1、[48]、[49]、[50]
CRediT作者贡献声明
安吉拉·乔坎（Angela Ciocan）：概念化、数据整理、形式分析、调查、方法论、软件编写——初稿撰写、审稿与编辑。索菲安·哈姆里乌伊（Sofiane Hamrioui）：概念化、调查、方法论、监督、验证、可视化。文森特·库尔布莱（Vincent Courboulay）：监督。帕斯卡尔·洛伦兹（Pascal Lorenz）：监督、可视化。阿德里安·乔坎（Adrian Ciocan）：概念化、方法论、软件。
利益冲突声明
作者声明他们没有已知的可能会影响本文所报告工作的竞争性财务利益或个人关系。
