FedREP：面向零售能源供应商的水平联邦负荷预测
分布式、并行与集群计算
2023-03-30 v2 人工智能
机器学习
摘要
随着智能电表将家庭能耗数据收集并传输给零售能源供应商（REP），主要挑战在于确保细粒度消费者数据的有效使用的同时保障数据隐私。在本稿件中，我们针对REP的能源负荷消费预测应对该挑战，这对能源需求管理、负荷切换和基础设施发展至关重要。具体地，我们注意到现有能源负荷预测是集中式的，其不可扩展且最重要的是易受数据隐私威胁。此外，REP是独立的市场参与者，有责任保障其自身客户的隐私。为解决此问题，我们提出一种新颖的面向REP能源负荷预测的水平隐私保护联邦学习框架，即FedREP。我们考虑由控制中心和多个零售商组成的联邦学习系统，使多个REP能够在不共享数据的情况下构建通用、鲁棒的机器学习模型，从而解决数据隐私、数据安全和可扩展性等关键问题。对于预测，我们使用最先进的长短期记忆（LSTM）神经网络，因其能够学习观测的长时序且具有更高时间序列数据精度的前景，同时解决梯度消失问题。最后，我们使用真实能耗数据集进行了广泛的数据驱动实验。实验结果表明，我们提出的联邦学习框架在MSE介于0.3至0.4时可达到充分性能，且与集中式方法相对接近，同时保护隐私并提升可扩展性。
引用
@article{arxiv.2203.00219,
title = {FedREP: Towards Horizontal Federated Load Forecasting for Retail Energy Providers},
author = {Muhammad Akbar Husnoo and Adnan Anwar and Nasser Hosseinzadeh and Shama Naz Islam and Abdun Naser Mahmood and Robin Doss},
journal= {arXiv preprint arXiv:2203.00219},
year = {2023}
}
备注
Appeared at 14th IEEE PES Asia-Pacific Power and Energy Engineering Conference (APPEEC 2022)