FedWOA：一种利用鲸鱼优化算法进行可再生能源预测的联邦学习模型
机器学习
2023-09-20 v1 人工智能
分布式、并行与集群计算
摘要
在处理机器学习模型中敏感个人信息时，隐私十分重要，而机器学习模型需要大型数据集进行训练。在能源领域，获取家庭产消者能源数据对于支持电网管理和可再生能源大规模采用的能源预测至关重要，然而公民往往不愿授予基于云的机器学习模型访问权限。联邦学习已被提出作为隐私挑战的解决方案，但存在因数据异构性、发电模式差异以及参数数量过多导致全局预测模型生成困难甚至预测精度更低的问题。本文通过引入 FedWOA 这一新颖的联邦学习模型来解决这些挑战，该模型采用鲸鱼优化算法从基于产消者能源数据训练的本地 LTSM 神经网络模型的权重中聚合全局预测模型。所提出的方案在本地模型的搜索空间中识别最优权重向量以构建全局共享模型，随后将其传回本地节点以提升产消者现场的预测质量，同时针对非独立同分布数据处理采用 K-Means 对具有相似能源数据规模的产消者进行聚类。基于产消者能源数据的评估结果表明，与 FedAVG 相比，FedWOA 能有效将能源预测模型的精度提升 25%（MSE）和 16%（MAE），并展现出良好的收敛性与更低的损失。
引用
@article{arxiv.2309.10337,
title = {FedWOA: A Federated Learning Model that uses the Whale Optimization Algorithm for Renewable Energy Prediction},
author = {Viorica Chifu and Tudor Cioara and Cristian Anitiei and Cristina Pop and Ionut Anghel},
journal= {arXiv preprint arXiv:2309.10337},
year = {2023}
}