隨著(zhù)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(guò)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(guò)6.5億只，覆蓋率超過(guò)了99%的用電客戶(hù)，成為電網(wǎng)數字化和智能化基石。隨著(zhù)新型電力系統的發(fā)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(jìn)而實(shí)現精細化的需求側管理？

近日，國際知名學(xué)術(shù)期刊《Nature Communications》（圖1）在線(xiàn)刊登了香港大學(xué)王毅教授團隊與普林斯頓大學(xué)研究團隊的最新成果——通過(guò)聯(lián)邦分割學(xué)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(shí)被編輯推薦為工程與基礎設施領(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）。

目前市場(chǎng)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據進(jìn)行智能分析處理，電力系統可以在無(wú)需額外投資的情況下提高能源管理效率、降低用戶(hù)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(jīng)網(wǎng)絡(luò )訓練任務(wù)。為此，該論文通過(guò)結合聯(lián)邦學(xué)習和分割學(xué)習，提出了一種創(chuàng )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(wèn)題。

通過(guò)實(shí)施最優(yōu)模型分割、并行模型訓練和分層模型聚合策略，設計的聯(lián)邦分割學(xué)習算法可以在內存占用、通信開(kāi)銷(xiāo)和訓練時(shí)間等方面顯著(zhù)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(xié)同利用分布式數據訓練部署在多層級設備上的模型，實(shí)現了電網(wǎng)不同層級設備之間的算力-數據協(xié)同，極大地提高了能源管理效率和數據安全性。

通過(guò)建立硬件實(shí)驗平臺驗證了聯(lián)邦分割學(xué)習算法在效率和精度方面的卓越性能（圖4）。常見(jiàn)的智能電表僅有192 KB SRAM用于存儲計算過(guò)程產(chǎn)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(wù)，如此受限的硬件計算資源尚且不足以執行推理任務(wù)更不用說(shuō)復雜的模型訓練任務(wù)。實(shí)驗結果表明，所提聯(lián)邦分割學(xué)習算法能夠減少95.5%的內存占用、94.8%的訓練時(shí)間并降低50%的通訊開(kāi)銷(xiāo)，同時(shí)保持了與傳統集中式方法相當甚至更優(yōu)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。

這項研究技術(shù)的突破，對于加快新型電力系統的數字化進(jìn)程具有重要意義，將促進(jìn)電力行業(yè)將進(jìn)入一個(gè)全新的智能化時(shí)代。智能電表將不再是簡(jiǎn)單的數據收集器，而是成為電力系統中的智能終端節點(diǎn)，能夠自主地進(jìn)行數據分析和決策，從而實(shí)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(hù)帶來(lái)更加個(gè)性化和自主化的電力服務(wù)體驗。此外，通過(guò)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)的穩定性和可靠性。同時(shí)，這也為電力行業(yè)的創(chuàng )新提供了新的機遇，未來(lái)可以開(kāi)發(fā)出更多的智能電網(wǎng)應用，從而為電力行業(yè)帶來(lái)新的增長(cháng)點(diǎn)?？偠灾?，這項工作標志著(zhù)電力行業(yè)向更智能、更環(huán)保、更經(jīng)濟的未來(lái)發(fā)展邁出了堅實(shí)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。