一种用于电力系统隐私保护实时暂态稳定性预测的联邦深度学习方法
系统与控制
2024-03-06 v1 系统与控制
摘要
维护电力系统数据的隐私对于保护敏感信息和确保关键基础设施的运行安全至关重要。因此，采用集中式深度学习 (DL) 暂态稳定性评估 (TSA) 框架可能会给电力公司带来风险。这是因为这些框架在将数据传输到中央服务器以训练单个 TSA 模型时，使公用事业数据易受网络威胁和通信问题的影响。此外，集中式方法需要大量的计算资源，而这些资源可能并非随时可用。鉴于这些挑战，本文介绍了一种基于联邦 DL 的 TSA 框架，旨在识别电力系统的运行状态。本地公用事业公司不再将数据传输到中央服务器进行集中式模型训练，而是使用各自的数据集独立训练自己的 TSA 模型。随后，每个本地 TSA 模型的参数被发送到中央服务器进行模型聚合，生成的模型再共享回本地客户端。这种方法不仅保持了本地公用事业数据的完整性，使其能够抵御网络威胁，还降低了本地 TSA 模型训练的计算需求。所提出的方法在四个本地客户端上进行了测试，每个客户端均拥有 IEEE 39 节点测试系统。
引用
@article{arxiv.2403.03126,
title = {A Federated Deep Learning Approach for Privacy-Preserving Real-Time Transient Stability Predictions in Power Systems},
author = {Maeshal Hijazi and Payman Dehghanian},
journal= {arXiv preprint arXiv:2403.03126},
year = {2024}
}
备注
2024 International Conference on Smart Grid Synchronized Measurements & Analytics (SGSMA)