面向多能源系统的隐私保护决策导向学习
机器学习
2025-10-28 v1 人工智能
密码学与安全
摘要
多能源系统（MES）调度的决策依赖于准确的负荷预测。传统上，MES的负荷预测与决策是分开实现的。预测模型通常最小化预测误差，忽略了其对下游决策的影响。为此，有人研究了决策导向学习（DFL），以最小化决策成本。然而，DFL在MES中的实际应用面临着显著挑战：该过程需要在多个部门之间共享敏感负荷数据和模型参数，引发严重的隐私问题。为此，我们提出了针对MES的隐私保护DFL框架。该方法引入信息遮蔽，以保护私有数据，同时恢复决策变量和训练所需的梯度。为进一步提高DFL的安全性，我们设计了一种结合矩阵分解和同态加密的安全协议，有效防止了串通和未授权的数据访问。此外，我们开发了一个隐私保护的负荷模式识别算法，使能够为异构负荷模式训练专门的DFL模型。理论分析和全面的案例研究，包括真实世界的MES数据，表明该框架不仅保护了隐私，而且始终比现有方法实现更低的平均日调度成本。
引用
@article{arxiv.2510.21858,
title = {Privacy-preserving Decision-focused Learning for Multi-energy Systems},
author = {Yangze Zhou and Ruiyang Yao and Dalin Qin and Yixiong Jia and Yi Wang},
journal= {arXiv preprint arXiv:2510.21858},
year = {2025}
}
备注
10 pages, 7 figures