May, 2024

基于深度强化学习的住宅家庭中隐私代价权衡的主动负载整形策略

PDF
TL;DR提出了一种基于深度强化学习的负载整形算法 (PLS-DQN)，通过主动创建人工负载签名来误导潜在攻击者，旨在保护用户隐私，同时保持成本效益。评估结果表明，该方法不仅有效隐藏真实能源使用模式，而且在提高用户隐私的同时也超越了最先进的方法。
smart metersprivacy concernsload-shaping algorithmbattery-aideddeep reinforcement learning
发现论文，激发创造
  • 住宅智能电网中智能负载调度的分布式深度强化学习

    论文介绍了一个利用分布式深度强化学习模型实现智能管理家庭用电的方法，这个方法可以保护用户隐私，以降低电网运营成本，减少家庭用电费用，实现用电峰谷负荷比例和负荷方差分别降低 12% 和 11% 的效果。

    Jun, 2020

  • 在线建筑能量优化使用深度强化学习

    本研究首次探讨使用深度强化学习在智能电网环境下实现建筑能源管理系统的在线调度优化，所提出的方法被验证可用于大规模数据资源中，如 Pecan Street Inc. 数据库，并且可以提供实时反馈以鼓励电能的更高效利用。

    Jul, 2017

  • 智能电表数据的重新伪装策略对深度学习分析攻击不具鲁棒性

    智能电表、再节点化、基于深度学习的剖析攻击、神经网络嵌入以及家庭用电记录

    Apr, 2024

  • 使用深度神经网络的非侵入式负载监测 (NILM) 综述

    本文综述了基于深度学习的最新非侵入式负载监测方法，介绍了最适用于住宅负载的最准确方法，总结了 NILM 评估的公共数据库，并使用标准性能指标比较了方法。

    Jun, 2023

  • DP$^2$-NILM：一种用于非侵入式负载监测的分布式隐私保护框架

    本研究针对分布式能耗监测框架中的 DP2-NILM 机制进行实验，将联邦学习（FL）技术与隐私保护和功用优化相结合，采用现实中的实测数据对方案进行了评估。

    Jun, 2022

  • 基于多智能体深度 Actor-Critic 学习的智能电网需求侧调度

    本文针对需求侧能源管理问题，提出了一种基于智能电网环境的多智能体深度强化学习算法，可以在保证可扩展性和隐私保护的前提下利用即时观测和价格信号来最小化总体成本，并降低家庭总能耗的峰谷比和电力费用。

    May, 2020

  • 智能电表数据共享的局部差分隐私

    本文提出了一种新颖的局部差分隐私方法（称为 LDP-SmartEnergy），利用滑动窗口和随机响应技术，在不揭示个人用户的设备使用模式的情况下，促进了随时间共享设备级能耗数据。评估结果表明，与基准方法相比，LDP-SmartEnergy 的运行效率高，同时结果还表明我们的解决方案在保护隐私和保持数据有效分析的效用之间取得了平衡。

    Nov, 2023

  • 考虑终端用户灵活性的电动汽车充电的最优调度

    使用深度强化学习（特别是深度 Q 网络）确定户用电动汽车的成本减少充电策略，该策略可为终端用户节约超过 20% 的电费开支。

    Oct, 2023

  • 隐私感知的智能电表：进展与挑战

    本文主要介绍了提高用户隐私保护的能源管理技术，它们通过使用可再生能源、需求塑造等物理资源管理实现准确获取能源消费信息，并在保护用户隐私的前提下进行严格的数学分析。

    Feb, 2018

  • 智能电表系统中隐私成本权衡 —— 兼论可再生能源与可充电电池

    研究了智能电表系统中隐私成本权衡的问题，使用可再生能源和有限容量的可充电电池，利用马尔可夫决策过程和动态规划，设计电池的充电和放电策略，使隐私泄露和能源成本的线性组合最小化，并提出了两种低复杂度的能源管理策略。

    Feb, 2019