用于智能电网负荷预测的隐私保护协作分割学习框架
机器学习
2025-07-08 v3
摘要
准确的负荷预测对于能源管理、基础设施规划以及供需平衡至关重要。智能电表数据的可用性引发了对基于传感器的负荷预测的需求。传统机器学习允许利用来自多个智能电表的数据训练单一全局模型，但这需要将数据传输至中央服务器，从而引发对网络需求、隐私和安全的担忧。我们提出了一种基于分割学习的负荷预测框架以缓解此问题。我们将深度神经网络模型分为两部分：一部分用于负责整个社区智能电表的各个电网站点（GS），另一部分用于服务提供商（SP）。客户端智能电表无需共享其数据，而是使用各自 GS 的模型分割进行前向传播，并仅与 GS 共享其激活值。在此框架下，每个 GS 负责为其各自社区训练个性化的模型分割，而 SP 可以为每个 GS 训练单一的全局模型或个性化模型。实验表明，所提出的模型匹配或超越了集中式训练模型的性能，并具有良好的泛化能力。通过评估数据与 GS 模型分割的共享激活值之间的信息泄露来分析隐私。此外，采用差分隐私增强了本地数据隐私，同时考察了其对性能的影响。我们使用 Transformer 模型作为基础学习器。
引用
@article{arxiv.2403.01438,
title = {Privacy-Preserving Collaborative Split Learning Framework for Smart Grid Load Forecasting},
author = {Asif Iqbal and Prosanta Gope and Biplab Sikdar},
journal= {arXiv preprint arXiv:2403.01438},
year = {2025}
}