Sep, 2024

智能电网的联邦学习：应用与潜在漏洞的调查

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 再生能源应用中联合学习的综述：潜力、挑战与未来发展方向

    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

  • 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

  • 智能电网的广义策略学习：FL TRPO 方法

    结合联邦学习和信任区域策略优化（FL TRPO）的框架，以降低能源相关排放和成本，证实其在智能电网挑战中学习策略模型的能力。

    Mar, 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

  • 加强电网可靠性和实现弹性市场的联邦学习预测

    我们提出了一种综合的方法，以增加未来富含分布式能源资源的电网的可靠性和韧性。我们的分布式方案结合了基于联邦学习的攻击检测和基于本地电力市场的攻击缓解方法。通过将该方案应用于一个富含光伏的实际配电网进行验证，模拟结果表明该方法是可行的，并且能够成功减轻网络物理攻击的影响。

    Jul, 2024

  • 战略性联邦学习：智能计量数据聚类的应用

    本研究解决了传统联邦学习在模型信息使用上的不足，通过引入一种新的框架，使得融合中心利用聚合的模型信息来影响客户的效用函数。研究结果表明，客户可以通过向模型中添加策略性噪声来提高其效用，尤其是在电力消费调度中，当客户与融合中心在效用上存在不一致时。

    Aug, 2024