联邦学习与智能电网的交叉路口：概述、挑战和展望

Apr, 2023

联邦学习与智能电网的交叉路口：概述、挑战和展望

Crossing Roads of Federated Learning and Smart Grids: Overview, Challenges, and Perspectives

Hafsa Bousbiat, Roumaysa Bousselidj, Yassine Himeur, Abbes Amira, Faycal Bensaali...

TL;DR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。

Abstract

Consumer's privacy is a main concern in smart grids (SGs) due to the sensitivity of energy data, particularly when used to train machine learning models for different services. These data-driven models often require huge amounts of data to achieve acceptable performance leading in most

smart grids federated learning privacy preservation data partitioning load forecasting

发现论文，激发创造

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

联邦学习：最新进展与应用的前沿综述

在机器学习系统中，通过联邦学习作为一个安全的分布式机器学习方法，有效提升隐私安全；它利用区块链技术将机器学习模型转移到边缘服务器，通过这种机制保证了集中式和分散式系统的高效处理和数据存储需求，强调可伸缩性、隐私考虑和成本有效的通信。本文对最近的联邦学习应用进行了分析和比较，以评估其效率、准确性和隐私保护。然而，鉴于联邦学习复杂且不断演化的特点，明确需要进一步研究来解决知识间的差距并有效应对该领域面临的挑战。在本文中，我们将最近的文献分为以下几个类别：隐私保护、资源分配、案例研究分析和应用，此外，在每个章节的末尾，我们还对参考文献中提出的开放领域和未来方向进行了总结，为研究人员提供了领域演进的深入视角。

Oct, 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

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

在联邦学习框架下维护隐私和安全

通过模拟结果，本文分析了联邦学习中的隐私和安全问题并提出了保护数据隐私的挑战。

Sep, 2019

住宅短期负荷预测的隐私保护分布式学习

在电力系统领域，住宅用户在负荷预测应用中的日益参与加剧了对数据隐私的关注。为了解决这些问题，我们提出了一种基于 Markov 切换的分布式训练框架，通过严谨的理论分析证明了其收敛性，该拓扑结构对毒化攻击具有很强的鲁棒性，并且通过使用实际的电力系统负荷数据进行的案例研究验证了我们提出算法的有效性。

Feb, 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

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

联邦学习的安全与隐私问题

分布式学习中的联邦学习存在安全和隐私挑战，本研究针对各类机器学习模型，包括大型语言模型，提出了安全和隐私挑战的综合分类，重点关注聚合器和参与者的攻击，包括投毒攻击、后门攻击、成员推断攻击、生成对抗网络攻击和差分隐私攻击，同时提出了未来研究的新方向，旨在强化联邦学习系统以应对新兴安全风险并保护分布式学习环境中的敏感数据隐私。

Jul, 2023