华北电力大学 谭智文,徐茹枝,关志涛:基于差分隐私的个性化联邦电力负荷预测方案

学术   科技   2024-10-21 17:10   北京  

祝贺《电力信息与通信技术》

蝉联中国科技核心期刊 

引文信息


谭智文,徐茹枝,关志涛.基于差分隐私的个性化联邦电力负荷预测方案[J].电力信息与通信技术,202422(7)18-26

TAN Zhiwen,XU Ruzhi,GUAN Zhitao.A personalized federal power load forecasting scheme based on differential privacy[J].Electric Power Information and Communication Technology,2024,22(7):18-26(in Chinese)


01

研究背景


近年来,随着各种先进技术在电网中的广泛应用,电网智能化已经成为必然趋势。电力负荷预测作为电力系统其他业务调整的基础,在电网智能化、交互化、灵活化的发展中起到关键作用。目前,已有许多人工智能技术在电力负荷预测中应用,但也出现了由各供应商或用户之间的不信任造成的“数据孤岛”问题。为了解决这个问题,引入了联邦学习技术,其保证各客户端的数据不离开本地,客户端仅与中心服务器进行模型参数的传输,这种方式有效保障了用户的隐私安全。然而,联邦学习面临着数据异质性的问题和数据安全的挑战。


02

主要创新点


1)在电力数据场景下,针对现实中的数据背景提出了个性化联邦用电负荷预测方案,拓宽了个性化广度,兼具模型个性化和隐私保护个性化。
2)本文方案的算法框架如图1所示,方案首先根据数据的缺失情况和时序特征对客户端进行聚类,分为多个客户端集群,然后针对每个集群进行联邦训练。联邦训练中,在每个客户端本地模型上添加噪声,保证客户端的数据安全,并通过隐私预算分配实现个性化的差分隐私保护。
图1  算法框架
3)实验表明,本文的方案在保证数据隐私安全的同时,能训练得到效用较好的个性化模型。如表1、表2所示,与传统算法对比,本文算法得到的个性化模型精度更高。

1  SGCC数据集对比实验

2  GEFC2012数据集对比实验


03
解决的问题和意义

为了实现兼具模型个性化和隐私保护个性化的电力负荷预测方案,本文提出了基于差分隐私的个性化联邦电力负荷预测方案。该方案不仅实现了客户端级别的隐私保护个性化,也提升了个性化模型的效用。本文在参数分析中主要聚焦于隐私保护部分,以求提供更多关于效用与安全权衡的参考,在未来的工作中,可以考虑探索聚类阶段的各项参数(如聚类方案等)对最终模型的影响。




作者介绍

谭智文

谭智文(1999),女,硕士研究生,通信作者,主要研究方向为联邦学习与差分隐私,tanzwwen@163.com。

徐茹枝(1966),女,博士,教授,主要研究方向为电力信息安全。

关志涛(1979),男,博士,教授,主要研究方向为区块链与密码、人工智能安全。


电力信息与通信技术
发布期刊信息及论文
 最新文章