深度强化学习辅助的联邦学习用于电力批发市场鲁棒短期公用事业需求预测
分布式、并行与集群计算
2023-07-26 v2 机器学习
摘要
短期负荷预测（STLF）在电力交易市场的运行中起着重要作用。考虑到数据隐私问题日益受到关注，近期研究中联邦学习（FL）越来越多地被用于为公用事业公司（UCs）训练 STLF 模型。令人鼓舞的是，在批发市场中，由于发电厂（PPs）直接访问 UCs 的数据并不现实，FL 无疑是 PPs 获得准确 STLF 模型的可行方案。然而，由于 FL 的分布式特性以及 UCs 之间的激烈竞争，缺陷频繁出现并导致 STLF 模型性能不佳，这表明仅仅采用 FL 是不够的。在本文中，我们提出了一种 DRL 辅助的 FL 方法，即缺陷感知联邦软 actor-critic（DearFSAC），以鲁棒地为 PPs 训练准确的 STLF 模型来预测精确的短期公用事业电力需求。首先，我们仅利用历史负荷数据和时间数据设计了一个基于长短期记忆（LSTM）的 STLF 模型。此外，考虑到缺陷发生的不确定性，采用深度强化学习（DRL）算法通过缓解由缺陷引起的模型退化来辅助 FL。另外，为了加快 FL 训练的收敛速度，设计了一个自编码器用于上传模型的降维与质量评估。在仿真中，我们使用赫尔辛基 UCs 2019 年的真实数据验证了我们的方法。结果表明，无论缺陷是否发生，DearFSAC 均优于所有其他方法。
引用
@article{arxiv.2206.11715,
title = {Deep Reinforcement Learning-Assisted Federated Learning for Robust Short-term Utility Demand Forecasting in Electricity Wholesale Markets},
author = {Chenghao Huang and Weilong Chen and Shengrong Bu and Yanru Zhang},
journal= {arXiv preprint arXiv:2206.11715},
year = {2023}
}