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

提出了基于 XGBoost 的混合联邦学习框架，通过组合水平和垂直联邦学习，从真实时间的外部特征中实现分布式电力预测，并设计了动态任务分配方案以提高训练效率和信息公平性。

Jan, 2022

为应对分布式光伏阵列的故障诊断问题，本文提出了一种异步分散式联邦学习框架，用于同时训练各个PV站的本地模型并逐步更新全局模型，以优化模型的泛化性能和准确性，降低通信开销和训练时间。实验结果表明，该方法是有效的。

Feb, 2022

本文提出了一种基于联邦学习的隐私保护和通信高效的攻击检测框架 FedDiSC，通过联合训练攻击检测模型，利用表示学习的深度自编码器网络精确检测电力系统和网络安全的异常，利用 DP-SIGNSGD 等梯度隐私保护量化方案，提高其通信效率，并在公开的工业控制系统数据集上验证了其有效性。

Apr, 2023

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

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

提出了一种面对对抗式网络事件的具有弹性控制设计的新型联邦增强学习方法，并将所学习的控制策略通过仿真与实际测试平台的转移来减少仿真与实际之间的差距。

Nov, 2023

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

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

本研究针对智能电网（SG）在数据隐私与安全性方面的挑战，提出了一种联邦学习（FL）框架以实现更高的隐私、效率和准确性。通过全面回顾FL在SG系统生成、传输与分配及消费等三个阶段的应用与潜在漏洞，文章旨在缩小当前FL研究与实际应用之间的差距，并展望未来的防御与攻击研究方向，以加强基于FL的智能电网基础设施。

Sep, 2024