系统

A Cloud-Edge Collaborated System for NILM

NILM Model

非侵入式负荷监测（NILM）作为一项关键的负荷监测技术，可以大大降低传统功率传感器的部署成本。以往的研究主要集中在开发纯云端NILM算法，这往往导致高计算成本和显著的服务延迟。为解决这些问题，我们提出了一个三层框架，通过边云协同来提高NILM系统的实际应用性。考虑到边缘和云端可用的计算资源，我们分别在边缘端实现了轻量级NILM模型，在云端实现了基于深度学习的模型。除了差异化的模型实现，我们还设计了一个特定于NILM的部署方案，该方案集成了Gunicorn和NGINX，以弥合理论算法和实际应用之间的差距。为验证所提框架的有效性，我们应用了真实世界的NILM场景设置，并实现了数据采集、模型训练和系统部署的整个过程。结果表明，在实际考虑因素下，我们的框架能够在显著减少云端工作负载和通信开销的同时实现高分解精度。

Reference: Towards Real-world Deployment of NILM Systems: Challenges and Practices, Junyu Xue, Yu Zhang, Xudong Wang, Yi Wang, and Guoming Tang, arXiv preprint arXiv:2409.14821, 2024.

IEEE SustainCom 2024 最佳论文奖

A Low-Carbon Edge Computing System

NILM Model

地理分布的边缘服务器可以自然地从附近的可再生能源发电机获取电力。通过能源存储电池的动态调度补充，边缘服务提供商（ESPs）因此可以建立低碳甚至零碳边缘计算系统。然而，边缘计算系统的分布式和异构性质，以及ESP之间有限的信息共享，导致电池规划问题比云计算中更为复杂。可再生能源资源的不可预测性进一步使问题复杂化，使传统的基于模型的方法失效。 我们提出并设计了一种多智能体深度强化学习（MADRL）方法，用于个别ESP的独立决策。特别是，MADRL考虑到隐私问题，确保ESP之间不会泄露敏感信息。为了更好的模型训练，我们进一步定制了无效动作掩码，并基于分段线性优化开发了动作转换技术。大量实验表明，使用我们提出的方法，边缘计算系统的整体碳排放可以显著减少（超过60%），同时在电池调度中保持可接受的运营成本。

Reference: Rethinking Low-Carbon Edge Computing System Design with Renewable Energy Sharing, Hanlong Liao, Guoming Tang*, Deke Guo, Ruide Cao, Yi Wang, International Conference in Parallel Processing (ICPP), Gotland, Sweden, Aug. 2024.

SmartSaver

NILM Model

能源分解旨在将家庭总能耗分解为单个电器的能耗，在节能中发挥着重要作用，并受到越来越多的关注。意识到当前的能源分解方法对普通消费者来说难以实施，且免费开放的应用/服务并不普遍，我们提供了一个面向消费者的网络服务Smart Saver，它不仅对消费者开放和免费，而且对能源分解来说用户友好且易于使用。基于简单的功率模型，我们建立了稀疏开关事件恢复模型作为Smart Saver的核心。通过将电器的基本功率信息输入Smart Saver，用户将获得：1）如果他们有与我们的服务通信的智能电表，可以进行在线能源分解和电器监控，或2）如果他们上传其聚合功率数据，可以进行离线能源分解。

Reference:

  • Smart Saver: a Consumer-Oriented Web Service for Energy Disaggregation, Guoming Tang, Jie Chen, Cheng Chen, Kui Wu, IEEE International Conference on Data Mining (ICDM), Demo Paper, Shenzhen, China, Dec. 2014.
  • A Simple Model-Driven Approach to Energy Disaggregation, Guoming Tang, Kui Wu, Jingsheng Lei, Jiuyang Tang, IEEE International Conference on Smart Grid Communications (SmartGridComm), Venice, Italy, Nov. 2014.

YouTube Video: https://youtu.be/_copD6Gkx2E?si=09nCv4DgyTEUdRji

NIPD for Data Centers

NILM Model

细粒度功率监控，即服务器级别的功率监控，对数据中心的高效运行和节能至关重要。然而，在未配备功率监控传感器的传统数据中心中，细粒度功率监控极具挑战性。在服务器级别安装功率监控硬件不仅成本高昂，还会使高密度服务器集群和机柜的维护变得复杂。 我们为这个具有挑战性的问题提出并设计了一个零成本的纯软件解决方案。我们使用一种新颖的非侵入式功率分解（NIPD）技术，该技术在服务器状态和其功耗之间建立功率映射函数（PMFs），并通过整个数据中心的聚合功率推断每台服务器的功耗。我们在一个拥有326个节点的真实数据中心中实现并评估了NIPD。结果表明，我们的解决方案可以提供高精度的功率估计，在机架级别的平均相对误差为2.6%，在服务器级别，空闲功率和峰值功率估计的平均相对误差分别为10.3%和8.2%。

Reference:

  • Zero-Cost, Fine-Grained Power Monitoring of Datacenters Using Non-Intrusive Power Disaggregation, Guoming Tang, Weixiang Jiang, Zhifeng Xu, Fangming Liu, Kui Wu, ACM/IFIP/USENIX Middleware Conference (Middleware), Vancouver, BC, Canada, Dec. 2015.
  • NIPD: Non-Intrusive Power Disaggregation in Legacy Datacenters, Guoming Tang, Weixiang Jiang, Zhifeng Xu, Fangming Liu, Kui Wu, IEEE Transactions on Computers (TC), Vol. 66, No. 2, pp. 312-325, 2017.