面向异构社区级表后太阳能发电的通信鲁棒且隐私安全的分布式估计
系统与控制
2024-08-16 v1 系统与控制
摘要
表后（BTM）太阳能发电系统的快速增长给配电系统规划和调度带来了挑战，原因在于太阳能发电不可见。为解决集中式机器学习方法在BTM太阳能发电估计中的数据泄露问题，研究者已考察联邦学习（FL）方法以利用其分布式学习能力。然而，传统FL方法面临多种挑战，包括异构性、通信故障和恶意隐私攻击。为克服这些挑战，本研究提出了一种面向异构社区级BTM太阳能发电的通信鲁棒且隐私安全的分布式估计方法。具体而言，本研究采用多任务FL作为主要结构，学习所有社区的共性与独特特征。同时，它将更新的参数估计方法嵌入多任务FL中，自动识别任意两个客户端之间的相似性，并为不可用客户端估计更新参数，以缓解通信故障的负面影响。最后，本研究在动态隐私预算分配策略下采用差分隐私机制，以对抗恶意隐私攻击并提高模型训练效率。案例研究表明，在存在异构性和通信故障的情况下，所提方法相较于传统FL和局部学习方法展现出更好的估计精度和收敛性能，同时提供了更强的隐私保护。
引用
@article{arxiv.2408.08107,
title = {Communication-robust and Privacy-safe Distributed Estimation for Heterogeneous Community-level Behind-the-meter Solar Power Generation},
author = {Jinglei Feng and Zhengshuo Li},
journal= {arXiv preprint arXiv:2408.08107},
year = {2024}
}