面向电网中分布式能源资源预测应用的联邦学习边缘计算方法精度与收敛性提升
机器学习
2024-10-15 v1 人工智能
分布式、并行与集群计算
系统与控制
系统与控制
摘要
本提案旨在开发更精确的联邦学习(FL)方法，具备更快的收敛性能和更低的通信需求，专为预测现代低碳电网中的分布式能源资源(DER)而设计，包括可再生能源、储能设施和负荷。通过 (i) 利用最近发展的 FL 扩展技术（如分层和迭代聚类）以提高非独立同分布数据下的性能， (ii) 实验不同类型的 FL 全局模型以适应时序数据，以及 (iii) 融合电力系统中的领域特定知识，以构建更通用的 FL 框架和架构，可应用于除负荷预测之外的多种 DER 类型，并且能够处理异构客户端。
引用
@article{arxiv.2410.10018,
title = {Improving accuracy and convergence of federated learning edge computing methods for generalized DER forecasting applications in power grid},
author = {Vineet Jagadeesan Nair and Lucas Pereira},
journal= {arXiv preprint arXiv:2410.10018},
year = {2024}
}
备注
Presented at the NeurIPS 2022 Tackling Climate Change with Machine Learning workshop