Nov, 2023

个性化模型混淆的隐私保护负荷预测

PDF
TL;DR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。
smart metersload consumption datafederated learningprivacy preservationshort-term load forecasting
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 面向智能电网负荷预测的隐私保护协作分割学习框架

    基于分割学习的负载预测，利用智能电表数据进行训练，将深度神经网络模型分为两个部分，一部分用于每个电网站点的负载预测，另一部分用于服务提供商，从而解决了数据传输、隐私和安全等问题，并通过实验证明该模型在性能和泛化能力方面超越了集中式训练模型，同时通过差分隐私提高本地数据隐私。

    Mar, 2024

  • 联邦学习与智能电网的交叉路口：概述、挑战和展望

    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

  • 面向零售能源提供商的水平联合负荷预测技术

    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。

    Mar, 2022

  • PPFL: 基于可信执行环境的隐私保护联邦学习

    该论文提出并实现了一种基于隐私保护联合学习（PPFL）的框架，旨在通过利用受信任的执行环境（TEEs）对客户端进行本地训练，通过 TEEs 对服务器进行安全聚合，从而在联合学习中限制隐私泄漏，并达到显著的隐私保护与可比较的模型效用提升。

    Apr, 2021