基于隐私保护联邦学习的分布式能源资源预测
系统与控制
2021-07-08 v1 分布式、并行与集群计算
机器学习
系统与控制
摘要
随着分布式能源资源(DERs)在电网边缘(包括可再生发电、柔性负荷与储能)渗透率的不断提高,在用户层级对分布式发电与用电进行准确预测变得十分重要。然而,由于隐私顾虑,基于传输用户级数据(无论是重复传输还是大量传输)的DER预测并不可行。本文提出一种分布式机器学习方法——联邦学习(Federated Learning, FL),利用一个由物联网节点组成的网络进行DER预测,其中每个节点传输一个表征用电与发电模式的模型,而不泄露用户数据。我们开展了一项包含1000个DERs的仿真研究,表明所提方法在保护用户隐私的同时仍能实现准确预测。我们还评估了负载波动与负荷削减等电网专用性能指标,表明所提FL算法取得了令人满意的性能。此外,在Pecan street数据集上进行了仿真,以证明该方法在真实数据上的有效性。
引用
@article{arxiv.2107.03248,
title = {DER Forecast using Privacy Preserving Federated Learning},
author = {Venkatesh Venkataramanan and Sridevi Kaza and Anuradha M. Annaswamy},
journal= {arXiv preprint arXiv:2107.03248},
year = {2021}
}