面向居民短期负荷预测的隐私保护联邦学习
机器学习
2022-09-20 v4 人工智能
系统与控制
系统与控制
摘要
随着高比例间歇性发电和动态需求模式的出现，居民负荷的准确预测已变得至关重要。智能电表在作出这些预测时可发挥重要作用，因为它们提供详细的负荷数据。然而，由于数据隐私要求，使用智能电表数据进行负荷预测具有挑战性。本文研究了如何通过结合联邦学习以及差分隐私和安全聚合等隐私保护技术来满足这些要求。在我们的分析中，我们采用大量居民负荷数据并模拟不同联邦学习模型和隐私保护技术如何影响性能与隐私。我们的仿真表明，结合联邦学习与隐私保护技术可同时确保高预测准确率和近乎完全的隐私。具体而言，我们发现此类组合在实现高水平信息共享的同时，确保了处理后的负荷数据与预测模型的隐私。此外，我们识别并讨论了将联邦学习、差分隐私和安全聚合应用于居民短期负荷预测时所面临的挑战。
引用
@article{arxiv.2111.09248,
title = {Privacy-preserving Federated Learning for Residential Short Term Load Forecasting},
author = {Joaquin Delgado Fernandez and Sergio Potenciano Menci and Charles Lee and Gilbert Fridgen},
journal= {arXiv preprint arXiv:2111.09248},
year = {2022}
}