Skip to content

Latest commit

 

History

History
128 lines (91 loc) · 5.68 KB

README.md

File metadata and controls

128 lines (91 loc) · 5.68 KB
Raw

Cluster MPI com Raspberry Pi para Treinamento de Modelos LightGBM e Mapeamento de Sombreamento em Usinas Fotovoltaicas

Descrição do Projeto

Este projeto, executado no Laboratório de Inovação Tecnológica (LIT) do Instituto Federal do Ceará (IFCE), é proveniente de trabalhos de pós-graduação do Programa de Pós-Graduação em Ciência da Computação (PPGCC IFCE). O objetivo do projeto é implementar um sistema distribuído utilizando um cluster de dispositivos Raspberry Pi para processar dados localmente em uma usina fotovoltaica, com o intuito de realizar predições em tempo real da geração de energia e detecção de anomalias.

A solução proposta visa superar as limitações de infraestrutura de comunicação, frequentemente encontradas em áreas remotas onde as usinas estão localizadas, minimizando a necessidade de processamento em nuvem e garantindo respostas rápidas a condições ambientais variáveis. O projeto também integra um pipeline CI/CD que automatiza as operações de MLOps, facilitando a atualização e implantação contínua dos modelos de aprendizado de máquina.

Objetivos

  • Treinamento Distribuído de Modelos LightGBM: Implementar um sistema de treinamento distribuído utilizando LightGBM em um cluster de Raspberry Pi, permitindo a predição de geração de energia e detecção de anomalias em tempo real.
  • Mapeamento de Sombreamento: Criar um modelo paralelo para converter as informações dos sensores de irradiância em um mapa virtual de sombreamento da usina fotovoltaica.
  • Pipeline CI/CD e MLOps: Automatizar o ciclo de vida do desenvolvimento e implantação dos modelos de ML, incluindo coleta de dados, treinamento, validação e deployment.

Estrutura do Projeto

solarmpi/
│
├── src/
│   ├── main.py                 # Código principal do projeto
│   ├── data_simulation.py       # Script para simulação de dados
│   ├── train_model_mpi.py       # Script para treinamento distribuído do modelo LightGBM
│   └── generate_shading_map.py  # Script para geração do mapa de sombreamento
│
├── data/
│   ├── simulated_data_node_0.csv  # Dados simulados para o nó 0 (exemplo)
│   ├── simulated_data_node_1.csv  # Dados simulados para o nó 1 (exemplo)
│   └── ...
│
├── .github/
│   └── workflows/
│       └── ci_cd_pipeline.yml   # Definição do pipeline CI/CD
│
├── .gitignore                   # Arquivo para ignorar arquivos desnecessários no repositório
├── requirements.txt             # Dependências do projeto
└── README.md                    # Documentação do projeto

Requisitos

  • Hardware:

    • 100 dispositivos Raspberry Pi (com WiFi 6 habilitado) distribuídos em uma fazenda fotovoltaica de 10 hectares
    • Sensores de irradiância conectados a cada Raspberry Pi
    • Inversores conectados aos sensores e Raspberries
    • Rede WiFi Mesh para comunicação eficiente entre os dispositivos

  • Software:

    • Python 3.x
    • Bibliotecas: lightgbm, mpi4py, pandas, numpy
    • Git para controle de versão
    • Docker (opcional) para containerização do projeto
    • VSCode (recomendado) para desenvolvimento e integração com GitHub

Instalação

  1. Clone o Repositório:

    git clone https://github.com/LIT-IDCE/solarmpi.git
cd solarmpi

  2. Crie e Ative um Ambiente Virtual:

    python3 -m venv venv
source venv/bin/activate   # Linux/Mac
venv\Scripts\activate      # Windows

  3. Instale as Dependências:

    pip install -r requirements.txt

  4. Configure as Raspberries:

    • Certifique-se de que cada Raspberry Pi está configurada corretamente e conectada à rede WiFi Mesh.
    • Copie os arquivos de dados para cada Raspberry Pi em suas respectivas pastas data/.

Configuração e Teste da Simulação

1. Simulação de Dados

Antes de iniciar o treinamento e a geração do mapa de sombreamento, é necessário simular os dados de irradiância, corrente e tensão para cada nó (Raspberry Pi). Para isso, execute o seguinte comando:

mpiexec -n 100 python src/data_simulation.py

Esse comando irá gerar arquivos CSV contendo os dados simulados para cada um dos 100 nós.

2. Treinamento Distribuído com MPI

Após a simulação dos dados, execute o código principal para iniciar o treinamento distribuído do modelo LightGBM em todas as Raspberry Pi:

mpiexec -n 100 python src/train_model_mpi.py

Esse comando distribuirá o treinamento do modelo entre os 100 nós, utilizando os dados simulados.

3. Geração do Mapa de Sombreamento

Uma vez que o treinamento estiver concluído, você pode gerar o mapa de sombreamento utilizando os dados de irradiância e cobertura de nuvens:

mpiexec -n 100 python src/generate_shading_map.py

Este comando criará um mapa de sombreamento agregado a partir dos dados de todos os nós e salvará o resultado final.

4. Verificação dos Resultados

Após a execução dos scripts, você poderá verificar os modelos treinados e os mapas de sombreamento gerados nos diretórios models/ e shading_maps/, respectivamente.

Integração com CI/CD

O pipeline CI/CD já está configurado usando GitHub Actions. Toda vez que você fizer um `push` para o repositório, o pipeline será acionado para rodar testes e, se necessário, treinar o modelo novamente.

Licença

Este projeto é licenciado sob a licença MIT. Veja o arquivo LICENSE para mais detalhes.

Contato

Para dúvidas ou sugestões, entre em contato: