战略性联邦学习:智能计量数据聚类的应用
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
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
本文提出了CPN-FedSL,这是一种利用计算机能力网络(CPN)实现的新颖灵活的联邦分割学习(FedSL)框架,其中引入了一种新的性能度量标准Resource Usage Effectiveness(RUE),并设计了解决多元调度问题的方案Refinery,该方案先将分数型目标函数和非凸约束线性化,再通过多轮贪婪算法求解变换后的问题。实验结果表明,CPN-FedSL优于标准和最先进的联邦学习框架(例如FedAvg和SplitFed),而Refinery不仅轻量级,而且在各种设置下均明显优于其变体和事实上的启发式方法。
May, 2023
使用鲸鱼优化算法(FedWOA)对家庭自产能源数据进行训练,通过构建全球共享模型并传输到本地节点改善预测质量,以提高能源预测模型的准确性。
Sep, 2023
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
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
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
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