本文旨在讨论在智能电网(SGs)中使用联邦学习(FL)的优势、局限性、设计趋势和挑战。而这一技术主要应用在负载预测、电动汽车、故障诊断、负载分解和可再生能源等方面,目的在于保护用户隐私和提高数据分析的准确性。
Apr, 2023
提出了基于 XGBoost 的混合联邦学习框架,通过组合水平和垂直联邦学习,从真实时间的外部特征中实现分布式电力预测,并设计了动态任务分配方案以提高训练效率和信息公平性。
Jan, 2022
联邦学习是一种保护隐私的分布式机器学习方法,它使得多个客户端和整个群体能够进行共同训练而不共享所涉及的训练数据集。本文概述了联邦学习在可再生能源应用中的应用,讨论了联邦学习算法,并调查了其在可再生能源发电和消费中的应用和案例研究。我们还评估了联邦学习在电力和能源环境中应用所面临的潜力和挑战。最后,我们概述了联邦学习在可再生能源应用中有前景的未来研究方向。
Dec, 2023
本文介绍了一种基于 Transformer 的深度学习方法,利用联邦学习进行短期电力负荷预测,模型的性能超过了长短时记忆模型和卷积神经网络,是联邦学习中值得期待的一个替代方案。
Oct, 2023
本文提出使用 Edge Computing 和联邦学习的方法,以增加训练深度学习模型所需的数据量和多样性,同时保护隐私,本文成功应用于家庭负荷预测。
电力短缺和负荷限制是发展中国家面临的主要问题,主要原因是能源部门管理不善和使用非可再生能源。改善能源管理并增加可再生能源的使用对解决能源危机具有重要意义。本文提出了基于区块链的安全分布式账本技术,用于保证生产者和消费者之间数据交易的透明性、可追溯性和安全性,并提出了用于预测消费者和生产者能源需求的联邦学习模型。实验结果显示,可再生能源已经产生了与其他非可再生能源资源相媲美的更好的结果。
Jul, 2023
本研究提出一种基于梯度量化的差分隐私保护 Federated Learning 框架,旨在保障智能电表数据的隐私性及模型架构的安全性,有效防范 Byzantine 攻击,击败传统的 Fed-SGD 模型.
Sep, 2022
本文提出,为了解决 AI 面临的数据孤岛和数据隐私安全的问题,可以通过构建安全联邦学习架构,包括水平联邦学习、垂直联邦学习和联邦迁移学习方案,并通过使用联邦机制构建数据网络,以允许在不损害用户隐私的情况下共享知识。
Feb, 2019
本文提供了一种系统的概述和分类,涵盖了联邦学习的现有安全挑战以及针对数据污染,推断攻击和模型毒化攻击的防御技术。此外,还探讨了处理非独立同分布数据、高维度问题和异构架构的联邦学习的当前训练挑战,并提出了解决相关挑战的几种解决方案。最后,我们讨论了联邦学习训练中剩余的挑战,并提出了针对开放问题的研究方向建议。
Apr, 2022
通过提出一个可评估机器学习模型可行性的新方法,本文在实际基站测量的基础上,对巴塞罗那地区的联邦学习场景中使用的最先进的深度学习体系结构进行全面评估,发现较大的机器学习模型在性能上略有提升,但在碳足迹方面产生了显著的环境影响,使其在实际应用中不切实际。
Sep, 2023