考虑数据隐私保护的风电功率预测：一种联邦深度强化学习方法
机器学习
2022-11-18 v1 系统与控制
系统与控制
摘要
在可再生能源占比日益增加的现代电力系统中，由于风电的波动性，风电功率预测对电网调度计划的安排至关重要。然而，传统集中式预测方法引发了数据隐私保护与企业数据孤岛问题的担忧。为应对数据隐私与开放，我们提出一种结合联邦学习与深度强化学习（DRL）的超高短期风电功率预测方案，称为联邦深度强化学习（FedDRL）。首先，本文使用深度确定性策略梯度（DDPG）算法作为基础预测模型以提高预测精度。其次，我们将 DDPG 预测模型集成到联邦学习框架中。所设计的 FedDRL 通过共享模型参数而非共享私有数据，以去中心化方式获得准确预测模型，从而避免敏感隐私问题。仿真结果表明，所提 FedDRL 在预测精度上优于传统预测方法。更重要的是，在确保预测性能的同时，与传统集中式预测方法相比，FedDRL 能有效保护数据隐私并缓解通信压力。此外，开展了不同联邦学习参数的仿真以确认所提方案的鲁棒性。
引用
@article{arxiv.2211.02674,
title = {Wind Power Forecasting Considering Data Privacy Protection: A Federated Deep Reinforcement Learning Approach},
author = {Yang Li and Ruinong Wang and Yuanzheng Li and Meng Zhang and Chao Long},
journal= {arXiv preprint arXiv:2211.02674},
year = {2022}
}
备注
Accepted by Applied Energy