《Future Generation Computer Systems》：AI-Driven Energy Forecasting in Smart Buildings: A Federated Deep Learning Framework for Edge-Fog Systems
编辑推荐：
能耗预测联邦学习框架研究：提出基于边缘-雾-云架构的联邦学习模型，结合模糊逻辑设备筛选、多策略聚类算法（静态/自底向上/ANOVA顶向下）和SHAP可解释性分析，有效降低通信开销并提升预测精度（LSTM MSE 16.60，R2 0.9233；Conv-LSTM R2 0.9022）。
Jessica Al Achy | Hassan Harb | Abdallah Makhoul
玛丽与路易·巴斯德大学，法国国家科学研究中心（CNRS），FEMTO-ST研究所，蒙贝利亚尔，25200
摘要
预测智能建筑中的能源消耗对于优化效率并降低运营成本至关重要。本文提出了一种新的联邦学习方法，该方法集成在边缘-雾-云架构中，以提高预测精度同时保护数据隐私。该方法利用在不同地方训练的不同深度学习模型，减少了对直接数据共享的需求。通过使用聚类技术（静态聚类、自下而上聚类、自上而下聚类）来提升模型在不同智能建筑环境中的性能。实验结果表明，LSTM在静态聚类中的表现最佳（均方误差：16.60，平均绝对误差：3.07，R2：0.9233，准确率：93%），而Conv-LSTM在自上而下聚类场景中表现良好（均方误差：21.17，R2：0.9022）。可解释人工智能（SHAP分析）进一步增强了模型的可解释性，揭示了温度和时间属性对预测结果的显著影响。这些结果证实了所提出系统的效率、可扩展性和隐私保护优势，有助于智能建筑中的先进能源管理策略。
引言
随着对能源效率需求的增加，智能建筑已成为现代城市基础设施的关键组成部分。尽管基于物联网（IoT）的系统能够生成有价值的实时数据以用于优化，但它们也带来了与隐私、延迟和计算可扩展性相关的挑战，这些挑战是传统的集中式方法无法充分解决的[1]。本文提出了一种集成在边缘-雾-云架构中的联邦学习框架，用于预测智能建筑中的能源消耗，同时保护隐私并确保实时响应性。本引言的其余部分介绍了背景、动机和挑战以及本研究的主要贡献。
能源是现代文明的支柱，推动了经济增长、技术进步和社会福祉[2]。由于城市化、工业扩张和数字化，全球能源需求持续增长[3]，这引发了人们对经济效率和资源管理的担忧。因此，政府和机构越来越重视能源节约[4]，例如欧盟委员会强调了高效能源管理的必要性，以减少碳排放并确保可靠的、负担得起的能源供应[5]。
在这种背景下，能源管理系统（EMS）变得至关重要，特别是在智能建筑中，自动化和实时分析使得能源使用得以优化[6]。与采用固定策略的传统建筑不同，智能建筑采用自适应控制策略，能够响应居住者的行为和环境条件[7]。物联网（IoT）和人工智能（AI）的整合进一步增强了EMS的能力，将建筑转变为数据驱动的、自我调节的环境[6]、[8]。
尽管人工智能驱动的EMS解决方案具有潜力，但它们面临关键挑战。集中式架构需要大量的计算资源和带宽，导致延迟、瓶颈和效率低下，尤其是在大规模部署中[9]。此外，将敏感数据（如占用模式）传输到云服务器会引发隐私和安全问题[10]。
边缘/雾计算（EFC）和联邦学习（FL）通过本地处理数据并允许在无需共享原始数据的情况下进行分布式模型训练，提供了有前景的解决方案[11]、[12]。然而，FL的成功取决于智能设备的选择和处理异构数据的能力。雾层中的模糊逻辑可以动态评估设备的适用性[13]，而高级聚类技术（如自适应K-means和基于方差分析（ANOVA）的层次聚类[14]可以有效地分割多样的能源消耗模式。
现有基于FL的能源管理系统中的一个关键缺陷是缺乏系统化的方法来同时处理数据异质性、设备质量变化和通信效率的挑战[11]、[12]。标准的联邦学习假设参与者相对均匀，并依赖于随机选择或基于可用性的简单抽样。然而，在智能建筑环境中，边缘设备的传感器精度、网络稳定性和消耗模式存在显著差异。这种异质性导致传统的FL方法面临三个相互关联的问题：（1）由于低质量更新稀释了全局模型而导致收敛缓慢；（2）由于包含所有可用设备而产生过高的通信开销[15]、[16]；（3）未能考虑建筑特定消耗行为的次优聚类[16]。解决这些挑战需要一种协同优化的方法，该方法能够智能选择参与者、自适应地对设备进行聚类，并分层聚合模型，这是现有文献中尚未充分讨论的。
此外，可解释人工智能（XAI）对于建立对人工智能驱动预测的信任至关重要[17]、[18]。许多深度学习模型像黑箱一样运行，使得利益相关者难以理解其决策过程。将XAI集成到联邦框架中是一项具有挑战性但必要的任务，对于实际应用至关重要。
本研究解决了在数据异质性和设备质量变化条件下实现高效准确联邦学习以进行建筑能源预测的基本挑战。我们的方法论贡献包括：
- 1.
一种新的边缘-雾-云联邦架构，结合了参与者选择、自适应聚类和分层聚合，大幅减少了通信开销，同时确保了分布式边缘设备之间的可扩展性和实时响应性。
- 2.
对七种深度学习架构（LSTM、CNN、CNN-LSTM、Conv-LSTM、LSTM+Attention、Bi-LSTM、Bi-LSTM + Attention）在多种聚类策略下的系统比较评估，为联邦建筑能源预测的模型选择提供了实证指导，填补了现有文献中的重要知识空白。
- 3.
一种新的分层聚类方法，结合了三种不同的策略（静态K-means、自下而上的层次聚类、基于ANOVA的自上而下的聚类）与联邦聚合，表明模型-聚类组合必须与底层数据特征相匹配，以实现最佳预测精度。
- 4.
一种基于模糊逻辑的多标准参与者选择框架，优先考虑数据质量和模型精度而非原始计算能力，证明来自精心挑选的设备的高质量更新能够生成更优的全局模型，同时提高训练效率并减少通信开销。
- 5.
通过高斯噪声注入实现自适应差分隐私整合，确保在多租户建筑环境中进行联邦聚合时的隐私保护，同时保持预测精度。
- 6.
通过SHAP分析集成可解释人工智能，提供可解释的特征重要性排名，解决了黑箱联邦模型的部署障碍，增强了利益相关者对人工智能驱动能源预测的信任。
这些贡献的整合创建了一个智能的、保护隐私的能源管理系统，系统地解决了数据异质性、参与者质量和分层聚合之间的相互作用问题，推动了智能建筑中联邦学习的集成系统设计的发展。
相关研究
由于智能建筑在优化资源利用、降低运营成本和改善建筑管理方面的潜力，预测其能源消耗是一个重要的研究领域。然而，许多现有方法面临隐私问题、高通信成本和有限的可扩展性等挑战，尤其是使用集中式机器学习模型时。
提出的框架
本节介绍了一个多层次的联邦学习框架，旨在预测智能建筑中的能源消耗。通过结合边缘/雾计算（EFC）、联邦学习（FL）和差分隐私（DP），该框架解决了可扩展性、数据隐私、实时响应性和计算效率等关键挑战。如图1所示，该框架分为五个核心层：感知层、网络层、雾层、云层和应用层。每一层都经过精心设计
实施和实验设置
本节描述了用于评估所提出框架的实现细节和实验配置。我们介绍了计算环境的技术规格、用于验证的基准数据集以及用于评估预测精度和系统效率的性能指标。
结果
对在边缘/雾架构中利用联邦学习的能源消耗预测模型的评估在多个性能指标上取得了非常有希望的结果。这些结果突显了模型的准确性、效率和可扩展性，特别强调了在不同聚类技术下各种机器学习架构的性能。
讨论
本节对实验结果进行了详细分析。我们讨论了不同聚类策略如何影响模型性能，并使用SHAP分析来确定驱动能源消耗预测的关键特征，从而提高了模型的可解释性和可信度。
结论和未来工作
本文提出了一个智能且保护隐私的框架，用于在边缘-雾-云架构中使用联邦学习（FL）预测智能建筑中的能源消耗。通过集成深度学习模型、聚类技术和基于模糊逻辑的参与者选择，所提出的方法提高了预测精度、可扩展性和效率，同时最小化了通信开销并确保了数据隐私。实验结果表明，LSTM在
CRediT作者贡献声明
Jessica Al Achy：撰写——原始草稿、可视化、软件开发、数据整理、概念构思。Hassan Harb：撰写——审稿与编辑、监督、资源协调、方法论设计、概念构思。Abdallah Makhoul：撰写——审稿与编辑、可视化、验证、项目管理。
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述工作的竞争性财务利益或个人关系。
