面向住宅短期负荷预测的隐私保护分布式学习

在电力系统领域，住宅用户在负荷预测应用中日益增加的参与度加剧了人们对数据隐私的担忧。具体来说，负荷数据可能无意中揭示住宅用户的日常生活规律，从而对其财产安全构成风险。虽然联邦学习（FL）已被用于通过在不交换原始数据的情况下进行模型训练来保护用户隐私，但这些 FL 模型已显示出对新兴攻击技术（如梯度深度泄露和投毒攻击）的脆弱性。为了应对这些攻击，我们首先采用了一种安全聚合（SecAgg）算法，该算法利用多方计算密码技术来降低梯度泄露的风险。然而，SecAgg 的引入需要部署额外的子中心服务器来执行多方计算协议，从而增加了计算复杂性并降低了系统的鲁棒性，尤其是在一个或多个子中心不可用的场景中。为了应对这些挑战，我们引入了一种基于马尔可夫切换的分布式训练框架，并通过严格的理论分析证实了其收敛性。分布式马尔可夫切换（DMS）拓扑结构也显示出对投毒攻击的强大鲁棒性。使用真实世界电力系统负荷数据的案例研究验证了我们所提算法的有效性。它不仅显著降低了通信复杂性，而且保持了与传统 FL 方法相当的准确度水平，从而增强了我们负荷预测算法的可扩展性。