Mar, 2022

面向零售能源提供商的水平联合负荷预测技术

PDF
TL;DR使用水平隐私保护联邦学习框架，提高智能电表的隐私性和可扩展性，构建一种长短期记忆神经网络方案，对于实时的能量负载预测和需求管理具有非常好的表现。
smart metersenergy consumptionprivacy-preserving federated learningenergy load forecastinglong short-term memory neural network
发现论文，激发创造
  • 基于 Transformer 的联邦学习的智能电网安全短期负荷预测

    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

  • 应对联邦负荷预测中的异质性与个性化层

    智能电表、短期负荷预测、联邦学习、个性化层、通信带宽

    Apr, 2024

  • 为异构客户进行带个性化层的联合短期负荷预测

    使用个性化层的个性化联邦学习算法（PL-FL）通过给经典的联邦学习算法添加个性化层，解决了异构数据对模型质量的影响问题。通过在多个商业建筑的异构能耗数据上测试，PL-FL 算法训练的模型表现优于传统联邦学习算法，证明了个性化层能够使经典联邦学习算法处理具有异构数据的客户。

    Sep, 2023

  • 使用边缘计算和联邦学习进行电力负荷预测

    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。

    Jan, 2022

  • 个性化模型混淆的隐私保护负荷预测

    智能电表的普及为训练建筑层负载预测模型提供了详细和本地化的负载消耗数据，为了解决由模型引起的数据泄露带来的隐私问题，本论文提出了一种用于非同质数据的短期负载预测模型的性能挑战的隐私保护联邦学习算法（PPFL），该算法通过模型混淆在每个智能电表上实现本地化训练，并采用差分隐私机制来保护共享层的数据泄露。在 NREL ComStock 数据集上进行的模拟实验验证了我们方法的有效性。

    Nov, 2023

  • 探索分布式负载预测的轻量级联邦学习

    利用轻量级完全连接的深度神经网络，本研究重点研究了联邦学习在分析智能能源计量器数据方面的应用，以在保护个体计量器数据隐私的同时实现与现有方法相当的负载预测准确性。通过利用联邦学习的框架，我们在每个计量器源和聚合器上实现了与现有方案相当的预测准确性，同时减少了复杂深度学习模型带来的能源和资源消耗，从而使这种方法在资源受限的智能计量系统中得到了广泛的部署。我们提出的轻量级模型能够实现 0.17 的平均负载预测 RMSE，而在 Arduino Uno 平台上进行训练和推断时，模型几乎没有能源开销，只有 50 mWh。

    Apr, 2024

  • 智能电网的联邦学习框架：在协作学习中保障功率跟踪的安全性

    使用联邦学习框架进行大数据分析技术在智能电网中的应用，保证数据安全和隐私保护，提高能源利用效率。

    Mar, 2021

  • 住宅短期负荷预测的安全联邦学习框架

    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

  • 再生能源应用中联合学习的综述：潜力、挑战与未来发展方向

    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

  • 面向能量感知的蜂窝网络联合流量预测

    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