基于Transformer联邦学习的智能电网安全短期负荷预测
机器学习
2023-10-27 v1
摘要
电力负荷预测是智能电网中协助供需平衡的一项基本任务。尽管先进的深度学习模型需要大量高分辨率数据以实现准确的短期负荷预测，但细粒度负荷曲线会暴露用户的用电行为，从而引发隐私与安全问题。提升数据隐私的一种解决方案是联邦学习，其中模型在私有数据上本地训练，仅将训练后的模型参数在全局服务器上聚合与更新。因此，本文提出了一种基于Transformer的联邦学习深度学习新方法用于短期电力负荷预测。为评估我们的结果，我们将联邦学习架构与集中式及本地学习进行基准对比，并将我们的模型性能与长短期记忆模型及卷积神经网络进行比较。我们的仿真基于某德国大学校园的 dataset，表明基于Transformer的预测是联邦学习中替代最先进模型的一种有前景的方案。
引用
@article{arxiv.2310.17477,
title = {Secure short-term load forecasting for smart grids with transformer-based federated learning},
author = {Jonas Sievers and Thomas Blank},
journal= {arXiv preprint arXiv:2310.17477},
year = {2023}
}