Mar, 2024

面向智能电网负荷预测的隐私保护协作分割学习框架

PDF
TL;DR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。
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

  • 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

  • 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

  • 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

  • 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

  • 健康信息学中深度学习模型的分布式协作训练的分割学习

    深度学习在医疗预测任务上表现出了非凡的潜力，但跨医疗机构推广具有挑战性。本文介绍了如何通过分割学习实现跨不同医疗数据集的深度学习模型协作训练，并保持原始记录和模型参数的私密性。通过多个医学成像和电子健康记录数据集，研究表明，通过分割学习训练的深度学习模型可以实现与集中式和联邦学习相似的性能，同时大大提高计算效率并减少隐私风险。

    Aug, 2023

  • 配电网负荷预测的全球建模方法

    该研究提出了一种基于深度学习的全局建模方法、无监督的本地化机制和最优集成构建策略，以有效预测分布式网络中大量负载，该方法通过减少模型训练的计算负担，以及利用不同负载之间的交叉信息共享，能够比竞争方法更好地适用于实际智能电表数据，并提高预测精度。

    Apr, 2022

  • 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

  • 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