基于联邦学习的 prosumer 能源管理隐私保护
机器学习
2025-03-11 v1
摘要
随着 prosumer 开发的蓬勃发展，迫切需要构建能源管理系统，以充分发挥 prosumer 灵活性的潜力，并考虑其他各方的利益。然而，构建此类系统无疑会暴露用户的隐私。本文通过解决联邦学习中数据非独立同分布（Non-IID）问题，提出了基于联邦聚类平均（FedClusAvg）算法的能源管理隐私保护方法，使 prosumer 能够在不泄露隐私信息的前提下高效参与系统的智能决策。在提出的FedClusAvg算法中，每个客户端执行聚类分层抽样和多次迭代。然后，根据参数与平均参数偏离程度，确定子服务器参数加权平均值。最后，子服务器进行多次本地迭代和更新，然后上传至主服务器。FedClusAvg算法的优势体现在两个方面：首先，通过聚类和参数加权平均方法，在Non-IID情况下提高模型准确率；其次，局部多次迭代和三层框架可有效减少通信轮数。
引用
@article{arxiv.2503.06455,
title = {Privacy Protection in Prosumer Energy Management Based on Federated Learning},
author = {Yunfeng Li and Xiaolin Li Zhitao Li and Gangqiang Li},
journal= {arXiv preprint arXiv:2503.06455},
year = {2025}
}
备注
9 pages, 8 figures