电表数据隐私保护下的联邦学习行业电力负荷预测框架

WANG Beibei, ZHU Jing,WANG Jiale,MA Jinjie

Automation of Electric Power Systems（2023）

引用 0|浏览5

暂无评分

摘要

电力市场化改革背景下,供电公司的用电采集系统不对主动配电网运营商开放,同时,未来终端用户更倾向于将用户信息保存在本地以保护自己的隐私,主动配电网运营商需要在无读表权的条件下开展负荷预测等电力业务.为此,选择天气和时间因素作为负荷的关联因素,提出一种面向行业用户读表数据保护的联邦学习负荷预测框架.在此基础上,构建了行业用户数据集,基于长短期时间序列网络(LSTNet)建立负荷预测模型,同时利用FedML框架建立基于联邦学习的分行业负荷预测框架.算例分析表明,所述方法能使同行业的用户在不共享负荷数据的前提下进行联邦训练,在保护用户用电隐私的前提下支撑主动配电网运营商相关业务开展,具有较优的预测性能、较少的模型数量和较短的耗时.

关键词

long-and short-term time-series network(LSTNet),load forecasting,federated learning,FedML framework,privacy protection

AI 理解论文

溯源树

样例

生成溯源树，研究论文发展脉络

Chat Paper

正在生成论文摘要