表示该时刻输入的单元状态。ZHENG Jie,NIU Zhewen,HAN Xiaoqing,et al.Distributed multi-wind farm short-term power prediction for data privacy-preserving[J].Journal of Taiyuan University of Technology,2024,55(1):102-110.
风能虽然是世界上主要的电力来源之一,但却存在随机性和不稳定性。因此,实现风功率精准预测对电力行业的发展具有重要的促进作用[1]。
依靠数据驱动[2]的风功率预测主要采用深度学习等人工智能算法,如长短期记忆网络[3]、时间卷积神经网络[4]和高斯混合模型聚类[5]等方法,由于这些算法善于构建非线性预测模型,且具有优秀的泛化性能,得到了研究者的喜爱。对于风功率预测过程受到地理、气象等因素的影响,需要改变气象特征输入组合,降低预测模型复杂度[6]。因此,利用特征工程[7]对数据集进行特征筛选,排除与目标特征相关性较低的特征成为提高预测精度的主要方式,常见的单一预测模型无法充分提取风电数据特征[8],可以结合注意力机制[9]、支持向量机[10]或离散小波变换[11]等算法构成组合模型[12-13]。文献[14]采用主成分分析法(principal component analysis,PCA)对时间序列数据进行筛选,再用LSTM算法进行建模,分析序列之间的非线性关系。文献[15]首先采用集合经验模态分解(ensemble empirical mode decomposition,EEMD)风机原始功率信号,再利用TPA机制从不同时间步选择相关信息,降低各模态的预测误差。
而风功率预测研究面临两方面的难题:1) 风电场配备环境监测设备成本较高,普遍存在环境数据不完善、数据短缺问题,数据驱动方法难以利用自身数据进行气象特征的提取与融合;2) 风电数据涉及到风电场的核心技术和商业利益等敏感信息,区域内多风电场的数据整合成集中式数据库[16]会泄露数据隐私,引发风电场对自身数据安全的担忧。因此,联邦学习[17]通过采用分布式训练,不需整合数据的特点可以解决数据质量问题,并有效保护数据隐私[18-19]。文献[20]将联邦学习应用到含不平衡样本数据电力变压器故障诊断机制中,提高了诊断机制的准确性;文献[21]用联邦学习框架实现负荷预测,保护用户用电隐私,并支撑主动配电网运营商相关业务开展;文献[22]分析了联邦学习的应用场景。文献[23]利用联邦学习实现微电网群协同优化运行,各微电网通过分布式联合训练纵向联邦神经网络学习新策略。文献[24]提出一种基于纵向联邦学习技术的综合能源系统协同训练方式,通过聚合模型的梯度可以缩减模型的训练时间。文献[25]从模型训练效果和训练成本等角度来确定联邦学习数据参与方的贡献度,并根据贡献度来对参与方进行奖励,实现对数据参与方的可靠性评估。以上研究证明了将联邦学习方法应用在电力系统领域具有实用性和可行性。
本文将联邦学习应用到风功率预测领域,基于联邦学习的框架,风电场利用TPA-LSTM作为本地模型,在数据隐私保护的前提下联合其余风电场完成对多个风电场的共享模型分布式训练,并能对模型参数聚合方式优化改进。该方法既能解决各风电场数据隐私泄露问题,又能有效提高预测模型的精度。
长短期记忆(LSTM)网络适用于时间序列数据的建模和预测,通过遗忘门、输入门和输出门有效地捕捉长时依赖关系。这些门控机制使得LSTM算法可以选择性地遗忘或保存之前的信息,并将其应用到当前的状态中。LSTM网络结构如图1所示,xt表示当前时刻的输入数据;ct-1、ct分别表示上一时刻和当前时刻内部状态;ht-1、ht分别表示上一时刻和当前时刻隐藏层状态;⊙表示矩阵元素相乘,⊕表示矩阵元素相加;σ、tanh分别表示sigmoid、tanh激活函数;tf、ti和to分别表示当前时刻的遗忘门、输入门和输出门计算变量,表示该时刻输入的单元状态。
图1 LSTM的单元结构
Fig.1 Unit structure of LSTM
tf=σ(Wf·[ht-1,xt]+bf) .
(1)
ti=σ(Wi·[ht-1,xt]+bi) .
(2)
(3)
(4)
to=σ(Wo·[ht-1,xt]+bo) .
(5)
ht=to*tanh(ct) .
(6)
式中:Wf、Wi、Wo分别为遗忘门、输入门、输出门的权重矩阵:bf、bi、bo分别为遗忘门、输入门、输出门的输出偏置项;*表示矩阵的Hadamard积。
在联邦框架之下,本地模型的结构如图2所示,时序模式注意力机制对历史输入序列的每个时间步骤进行加权,将重要元素的权重赋值增高,不重要元素的权重赋值降低,使LSTM模型更加关注与目标预测相关的数据特征。
图2 本地模型TPA-LSTM结构
Fig.2 Structure of the local model TPA-LSTM
LSTM迭代过程中,前向单元隐层状态为ht,单元状态信息为st,当前时刻对应各历史时刻的时间注意力权重向量lt为:
lt=relu(Wdht+bd) .
(7)
式中:lt=[l1,t,l2,t,…,lk,t],k为输入序列的时间窗口长度;Wd为可训练权重矩阵;bd为计算时间注意力权重的偏置向量。
利用Softmax函数进行归一化处理,得到时间注意力权重βt:
βt=[β1,t,β2,t,…,βτ,t,…,βk,t] .
(7)
式中:βτ,t为第τ个时刻的注意力权重值,进一步得到综合时序信息状态ct:
(9)
(10)
最后将综合时序状态输入到预测模型获得预测结果。
风电预测包含的历史风速数据和其他气象特征具有时序性,将多个气象数据作为预测模型输入,通过LSTM模型前向传播计算输出预测值。
各风电场的数据质量存在差异,时序模式注意力机制不需要具体分析单个风电场的数据特点,能迅速根据数据样本实现重要信息的提取,极大缩短了训练时间并且能明显减小预测误差,增强鲁棒性。
联邦学习是一种分布式机器学习方法,其原理是将参与者的数据集分散存储于不同的设备中,各设备独立执行本地模型训练,再通过联邦平台将本地模型的参数聚合,进而更新全局模型。联邦学习的结构如图3所示。
① 本地模型训练;② 本地参数上传;③ 本局参数下发
图3 联邦学习的结构
Fig.3 Structure of the Federated Learning
在风功率预测领域,联邦学习可用于解决风电场管理中的数据共享隐私问题。基于联邦学习框架,将不同风电场的数据集在本地进行训练,再上传至联邦中央服务器聚合参数来更新全局的风功率预测模型。通过这种方式,风电场的数据集不需要离开本地设备就可以完成模型更新迭代,还能学习到自身模型单独训练时不具备的数据特点,不仅充分保护了各个风电场的数据隐私,而且提高了本地模型的学习效率,避免了过拟合和欠拟合情况的发生。
联邦学习根据客户端数据分布的情况,可以分为横向联邦学习、纵向联邦学习和联邦迁移学习。横向联邦学习的客户端重叠较少而数据集特征重叠较多,本文选用不同地区的风电场,每个风电场参与训练的数据集特征高度重叠,都包含风速、温度等气象特征,数据采样间隔相同。因此,本文采用横向联邦学习框架实现短期风功率预测。
本文方法的整体流程如算法1所示,主要包括风电场本地模型训练、模型参数上传与下发和参数聚合更新过程。为方便理解,对算法1中的符号进行说明,如表1所示。
表1 算法1的符号说明
Table 1 Symbolic description of Algorithm 1
符号说明D风电场私有数据集di风电场本地模型E本地模型的迭代次数T参数交互次数W0本地模型初始参数Wi本地模型训练后的参数W聚合后的参数
算法1 横向联邦学习算法输入:参与训练的客户端风电场数据D,参数交互次数T;输出:更新完善的短期风功率预测模型。 1) 确定风电场采用的本地预测模型TPA-LSTM2) 使用随机参数开始本地模型预训练,得到初始模型权重参数W03) for t=1,2,…,T do:4) for e∈E do:5) di接收中央服务器下发的参数W6) di进行参数更新Wi=W7) di用本地的风功率数据Di训练TPA-LSTM模型,得到Wi8) di上传Wi至中央服务器9) end for10) 根据参数聚合策略更新全局参数11) end for
算法1的具体流程如下:
1) 将风电场自身数据进行预处理,确定TPA-LSTM作为本地模型,初始化模型参数,开始进行本地模型的训练;
2) 本地模型训练达到收敛后,将参数进行封装上传;
3) 所有本地模型的参数上传到中央服务器之后,根据风电场数据特点进行参数聚合策略;
4) 全局参数更新完成,下发到本地模型进行加载训练,重复上传下发的交互过程,最终实现全局模型的良好预测性能。
在模型参数聚合的过程中,常采用横向联邦平均的方式进行全局模型参数的更新。
假设客户端数量为N,客户端i的样本数量为Di,数据分布为pi,模型参数对客户端数据的损失预测为fi,定义为:
(11)
设所有客户端的数据之和为S,横向联邦学习模型的总损失函数为f(w):
(12)
(13)
客户端i的损失梯度为gi:
(14)
学习率设为R,则经过全局参数交互t次后,每个客户端的本地模型参数更新方式为Wt+1:
(15)
横向联邦平均算法容易实现,但这种方式存在严重缺陷,忽略了风电场自身的特点,例如各风电场所处的地理位置不同以及气象环境的差异导致发电效率不同;各风电场的建造规模不同,在相同时间内的发电量不同。这些复杂因素都通过最终的风电出力情况反映出来,数据不足、发电量少的风电场训练出来的模型可能无法收敛,损失函数达不到最小值,进行横向联邦参数聚合时,由式(12)和式(15)可知,误差会分散到其余风电场的本地模型训练中,影响横向联邦模型的整体下一次迭代速度。
风电场在采样间隔内收集到的功率数据不完整,为了弱化风电场数据不完善带来的风险,突显各本地模型在参数聚合优化中的实际贡献,根据风电场在设定时间跨度内的发电量设置权重,既反映出数据量的多少,又反映出风电场实际出力情况,从而保证数据充足、发电量多的风电场对横向联邦学习的贡献较大,故而在模型参数聚合时进行加权求和,发电量权重值βi,如式(16)所示。
(16)
式中:Pi是第i个风电场的总发电量,代表数据集的历史功率总和;本地模型参数上传后,全局模型参数更新方式为:
(17)
式中:Wi是第i个本地模型上传的模型参数;W是最终的全局模型参数。
RMSE(root mean squared error)和MAE(mean absolute error)常被用来作为衡量回归模型性能的指标。RMSE表示预测值与真实值之间的均方根误差,可以反映出预测值偏离真实值的大小;MAE表示预测值与真实值之间的平均绝对误差,可以反映出预测值偏离真实值的平均程度。
本文采用RMSE、MAE作为模型的评价指标。计算公式如下:
(18)
(19)
采用一台个人计算机作为模型训练设备,配置为Intel i5 CPU,8 GB内存,NVIDIA GeForce GTX 1050 Ti显卡。实验环境为Windows 10系统,编程平台为Pytorch 3.6.
本文采用美国国家可再生能源实验室官网数据,利用5个地区的风电场作为横向联邦学习的客户端,这些风电场数据集包含历史功率P、风向Dw、风速vw、空气温度ta、大气压强pa和空气密度ρa等气象特征。每5 min记录一次数据,利用第1-第12时刻的输入特征序列对第13时刻的风电出力进行建模。
5个风电场的数据具体设置如表2所示。风电场1和2的数据为2012年1月1日至6月30日,风电场3的数据为2012年4月1日至9月30日,风电场4的数据为2012年7月1日至12月31日,风电场5设置为小样本,采集到的历史气象数据量少,对应的时间跨度残缺,数据集不完整。
表2 风电场训练数据设置
Table 2 Training data setting of wind farms
风电场时间跨度气象特征完整装机容量/MW12012-01-01-2012-06-30是1622012-01-01-2012-06-30是1632012-04-01-2012-09-30是1642012-07-01-2012-12-31是165残缺否16
设置预测模型输入特征维度为6,目标特征为预测下一时刻的风电功率。输入数据的时间窗口长度为12;LSTM网络的隐藏层维度为64,层数为1,模型学习率为0.01,训练批次为64,迭代次数为100,优化器为Adam;全局参数聚合次数为10.
第一,为验证TPA-LSTM作为本地模型的优越性,对常见的深度学习算法进行对比。设置相同的模型参数,利用风电场1的数据进行实验。实验结果如图4所示,评价指标和训练时间记录在表3中。
表3 多种深度学习算法的预测结果
Table 3 Forecast results of multiple deep learning algorithms
模型RMSEMAE训练时间/minTPA-LSTM0.3010.11023TPA-GRU0.3270.18025LSTM0.4120.25754GRU0.4790.27757RNN0.6340.36462
图4 TPA-LSTM模型的预测结果
Fig.4 Forecast results of TPA-LSTM model
由表3可知,TPA-LSTM和TPA-GRU的训练时间远低于LSTM和GRU,说明TPA机制提高了模型对关键信息的提取,可以减少训练时间。TPA-LSTM的RMSE为0.301,MAE为0.110,预测误差低于其他深度学习算法。证明TPA-LSTM作为本地模型可以完成基础预测任务。
第二,为验证横向联邦学习模型的预测准确度和泛化能力,设置3个算例进行实验。
1) 模拟风电场在相同时间跨度内,利用横向联邦学习进行模型训练,验证横向联邦学习的可靠性;
2) 模拟风电场在不同时间跨度内,训练数据差异较大的情况下完成协同训练,验证横向联邦学习的灵活性;
3) 模拟风电场在自身数据不足、无法进行高精度功率预测的情况下,利用全局参数优化自己的模型,验证横向联邦学习的安全性。
算例1用风电场1、2的数据集进行仿真实验,2个风电场分别利用自身数据完成本地模型的训练,将模型参数进行加权求和后,更新本地模型参数,进行下一轮的训练。将2个风电场采用本文横向联邦模型FL-TPA-LSTM协同训练得到的预测结果与风电场采用TPA-LSTM模型独自训练得到的结果进行对比,并对参数聚合方式改进的性能进行验证,预测结果如表4所示。
表4 参数聚合方式改进后的预测结果
Table 4 Forecast results of improved parameter aggregation
评价指标风电场平均聚合FL-TPA-LSTMTPA-LSTM权重聚合FL-TPA-LSTMTPA-LSTMRMSE10.2650.3010.2360.30120.3230.4470.2890.447MAE10.0980.1100.0910.11020.2170.2680.1890.268
由表4可知,模型参数聚合方式的改进提高了风电场1和风电场2的预测精度,说明根据发电量设置参数聚合权重的方式优于平均聚合方式。两个风电场使用本文改进后的模型进行协同训练后,相比于风电场单独训练降低了预测误差,风电场1的RMSE和MAE分别降低了21.59%和17.27%,风电场2的RMSE和MAE分别降低了35.35%和29.48%,如图5所示。这两个风电场的时间跨度一样,保证了气象数据变化趋势相似。根据两个风电场历史发电量确定参数聚合权重,聚合方式的改进能够有效提高风电场的预测精度,证明了本文横向联邦学习的可靠性,去中心化的训练方式可以提高预测精度。
图5 横向联邦学习的预测结果
Fig.5 Forecast results of Federated Learning
算例2利用风电场1、3、4的数据集进行仿真实验,将3个风电场单独训练和协同训练的结果进行对比,如图6所示。
图6 风电场1、3、4的预测结果
Fig.6 Forecast results of wind farms 1,3,4
图7 风电场5的预测结果
Fig.7 Forecast results of wind farm 5
由表5和表6可知,3个风电场进行横向联邦学习后,误差有了不同程度的降低,风电场1的RMSE和MAE分别降低了25.58%和29.41%,风电场3的RMSE和MAE分别降低了12.98%和29.48%,风电场4的RMSE和MAE分别降低了23.57%和20.61%. 3个风电场的时间跨度不同,发电量受到季节因素的影响,而客户端数量的增加能够补充单个风电场未采集到的日期特征,并通过设置参数聚合权重的方式补充此日期特征对风电出力的影响,减少了预测误差,证明了横向联邦学习的灵活性,可以通过客户端的不同时间跨度数据,提升全局模型的预测性能。
表5 风电场的预测指标RMSE
Table 5 Forecast indicator RMSE of wind farms
风电场FL-TPA-LSTMTPA-LSTM10.2240.30130.3890.44740.2970.367
表6 风电场的预测指标MAE
Table 6 Forecast indicator MAE of wind farms
风电场FL-TPA-LSTMTPA-LSTM10.0850.11030.1890.26840.1540.194
算例3利用风电场1、2、3、4的数据集进行横向联邦学习,保存最后的全局模型。将全局模型应用到风电场5的风功率预测,与风电场5单独使用TPA-LSTM模型训练进行对比,结果如表7所示。
表7 风电场5的预测结果
Table 7 Forecast results of wind farm 5
评估指标FL-TPA-LSTMTPA-LSTMRMSE0.3660.634MAE0.3040.526
风电场5由于数据不完善,缺乏历史功率或气象特征,训练出来的模型误差较高,通过引入其余风电场的高精度预测模型参数,利用自己的数据训练使RMSE和MAE降低了42.27%和40.21%,对风电场5的预测模型起到了优化作用,而在这个过程中,不需要收集其余风电场的数据,证明了横向联邦学习的安全性,既快速解决了自身数据不足无法进行模型训练的难题,又避免了数据源对自身敏感数据的担忧,保护了风电场客户端的数据隐私。
本文针对传统深度学习无法保护风电场数据隐私的问题,引入横向联邦学习方法,不仅可以规避数据泄露风险,又能获得良好的风功率短期预测模型。根据风电场的历史发电量设置权重,改进参数聚合方式,利用各个风电场之间的数据差异性,补充自身训练过程中缺少的数据特征和日期特征,提高全局模型的预测精度,并以此解决小型、新建风电场数据质量差、无法有效完成风功率预测的问题。因此,本文方法不仅可以提高风功率预测的精度,还能够实现数据隐私保护和解决一些传统方法所面临的局限性问题,通过设置3个算例,完成了在不同时间跨度、不同数据量场景下的预测任务,充分验证了本文所提出方法良好的泛化能力,其可靠性、灵活性和安全性对基于数据驱动的风功率研究方法具有促进作用。
[1] 曹有为,闫双红,刘海涛,等.基于降噪时序深度学习网络的风电功率短期预测方法[J].电力系统及其自动化学报,2020,32(1):145-150.
CAO Y W,YAN S H,LIU H T.Short-term wind power forecasting method based on noise-reduction time-series deep learning network[J].Proceedings of the CSU-EPSA,2020,32(1):145-150.
[2] 杨茂,张罗宾.基于数据驱动的超短期风电功率预测综述[J].电力系统保护与控制,2019,47(13):171-186.
YANG M,ZHANG L B.Review on ultra-short term wind power forecasting based on data-driven approach[J].Power System Protection and Control,2019,47(13):171-186.
[3] 吉锌格,李慧,刘思嘉,等.基于MIE-LSTM的短期光伏功率预测[J].电力系统保护与控制,2020,48(7):50-70.
JI X G,LI H,LIU S J,et al.Short-term photovoltaic power forecasting based on MIE-LSTM[J].Power System Protection and Control,2020,48(7):50-70.
[4] 符杨,任子旭,魏书荣,等.基于改进LSTM-TCN模型的海上风电超短期功率预测[J].中国电机工程学报,2022,42(12):4292-4303.
FU Y,REN Z X,WEI S R,et al.Ultra-short-term power prediction of offshore wind power based on improved LSTM-TCN model[J].Proceedings of the CSEE,2022,42(12):4292-4303.
[5] 李坤奇,孟润泉,李凤莲.融合聚类-卷积-门循环的居民用电短期负荷预测方法[J].太原理工大学学报,2023,54(1):203-210.
LI K Q,MENG R Q,LI F L.Short-term load forecasting method based on BIRCH-CNN-GRU model[J].Taiyuan University of Technology,2023,54(1):203-210.
[6] 程凯,彭小圣,徐其友,等.基于特征选择与多层级深度迁移学习的风电场短期功率预测[J].高电压技术,2022,48(2):497-503.
CHENG K,PENG X S,XU Q Y.Short-term wind power prediction based on feature selection and multi-level deep transfer learning[J].High Voltage Engineering,2022,48(2):497-503.
[7] 叶林,陈小雨,靳晶新,等.考虑风功率密度和风向特征的风能资源MCP评估方法[J].电力系统自动化,2019,43(3):24-32.
YE L,CHEN X Y,JIN J X,et al.Measure-correlate-predict assessment method of wind energy rseource considering wind power density and wind direction[J].Automation of Electric Power Systems,2019,43(3):24-32.
[8] 陈海鹏,李赫,阚天洋,等.考虑风电时序特性的深度小波-时序卷积网络超短期风功率预测[J].电网技术,2023,47(4):1653-1665.
CHEN H P,LI H,KAN T Y,et al.DWT-DTCNA ultra-short-term wind power prediction considering wind power timing characteristics[J].Power System Technology,2023,47(4):1653-1665.
[9] 汪欣,蔡旭,李征.结合交叉局部异常因子和注意力机制的超短期风电功率预测方法[J].电力系统保护与控制,2020,48(23):92-99.
WANG X,CAI X,LI Z.Ultra-short-term wind power forecasting method based on a cross LOF preprocessing algorithm and an attention mechanism[J].Power System Protection and Control,2020,48(23):92-99.
[10] 杨茂,刘慧宇,孙勇,等.基于原子稀疏分解和支持向量机的风电功率实时预测研究[J].东北电力大学学报,2020,40(3):1-7.
YANG M,LIU H Y,SUN Y,et al.A study on real-time prediction of wind power based on atomic sparse decomposition and support vector machine[J].Journal Of Northeast Electric Power University,2020,40(3):1-7.
[11] 王佶宣,邓斌,王江.基于经验模态分解与RBF神经网络的短期风功率预测[J].电力系统及其自动化学报,2020,32(11):109-115.
WANG J X,DENG B,WANG J.Short-term wind power prediction based on empirical mode decomposition and RBF neural network[J].Proceedings of the CSU-EPSA,2020,32(11):109-115.
[12] 杨茂,张罗宾.基于数据驱动的超短期风电功率预测综述[J].电力系统保护与控制,2019,47(13):171-186.
YANG M,ZHANG L B.Review on ultra-short term wind power forecasting based on data-driven approach[J].Power System Protection and Control,2019,47(13):171-186.
[13] 曹有为,闫双红,刘海涛,等.基于降噪时序深度学习网络的风电功率短期预测方法[J].电力系统及其自动化学报,2020,32(1):145-150.
CAO Y W,YAN S H,LIU H T,et al.Short-term wind power forecasting method based on noise-reduction time-series deep learning network[J].Proceedings of the CSU-EPSA,2020,32(1):145-150.
[14] 王依宁,解大,王西田.基于PCA-LSTM模型的风电机网相互作用预测[J].中国电机工程学报,2019,39(14):4070-4081.
WANG Y N,XIE D,WANG X T,et al.Prediction of interaction between grid and wind farms based on PCA-LSTM model[J].Proceedings of the CSEE,2019,39(14):4070-4081.
[15] 王渝红,史云翔,周旭,等.基于时间模式注意力机制的BiLSTM多风电机组超短期功率预测[J].高电压技术,2022,48(5):1884-1892.
WANG Y H,SHI Y X,ZHOU X,et al.Ultra-short-term power prediction for BiLSTM multi wind turbines based on temporal pattern attention[J].High Voltage Engineering,2022,48(5):1884-1892.
[16] 刘祥雄,胡德聪,吴磊.基于大数据平台的智慧风电集控建设解决方案[J].能源科技,2021,19(6):41-43,75.
LIU X X,HU D C,WU L.Centralized control construction solution for smart wind power based on big data platform[J].Energy Science and Technology,2021,19(6):41-43,75.
[17] BLANCO-JUSTICIA A,DOMINGO-FERRER J,MART
NEZ S,et al. Achieving security and privacy in federated learning systems:survey,research challenges and future directions[J].Engineering Applications of Artificial Intelligence,2021,106:104468.
[18] ZHEN K,CHEN C Y.Research on smart city data encryption and communication efficiency improvement under federated learning framework[J].Egyptian Informatics Journal,2023,24(2):217-227.
[19] YANG Q,LIU Y,CHEN T J,et al. Federated machine learning:concept and applications[J].ACM Transactions on Intelligent Systems and Technology,2019,10(2):1-19.
[20] 郭方洪,刘师硕,吴祥,等.基于联邦学习的含不平衡样本数据电力变压器故障诊断[J].电力系统自动化,2023,47(10):145-152.
GUO F H,LIU S S,WU X,et al.Federated learning based fault diagnosis of power transformer with unbalanced sample data[J].Automation of Electric Power Systems,2023,47(10):145-152.
[21] 王蓓蓓,朱竞,王嘉乐,等.电表数据隐私保护下的行业电力负荷联邦学习预测框架[J].电力系统自动化,2023,47(13):86-93.
WANG B B,ZHU J,WANG J L,et al.Federated learning forecasting framework of industry power load under privacy protection of meter data[J].Automation of Electric Power Systems,2023,47(13):86-93.
[22] 郑楷洪,肖勇,王鑫,等.一个面向电力计量系统的联邦学习框架[J].中国电机工程学报,2020,40(S1):122-133.
ZHENG K H,XIAO Y,WANG X,et al.A federated learning framework for power grid metering system[J].Proceedings of the CSEE,2020,40(S1):122-133.
[23] 周毅斌,肖浩,裴玮,等.基于纵向联邦学习的微电网群协同优化运行与策略进化[J].电力系统自动化,2023,47(11):121-132.
ZHOU Y B,XIAO H,PEI W,et al.Collaborative optimization operation and strategy evolution of microgrid cluster based on vertical federated learning[J].Automation of Electric Power Systems,2023,47(11):121-132.
[24] 陈明昊,孙毅,胡亚杰,等.基于纵向联邦强化学习的居民社区综合能源系统协同训练与优化管理方法[J].中国电机工程学报,2022,42(15):5535-5550.
CHEN M H,SUN Y,HU Y J,et al.The collaborative training and management-optimized method for residential integrated energy system based on vertical federated reinforcement learning[J].Proceedings of the CSEE,2022,42(15):5535-5550.
[25] 王鑫,周泽宝,余芸,等.一种面向电能量数据的联邦学习可靠性激励机制[J].计算机科学,2022,49(3):31-38.
WANG X,ZHOU Z B,YU Y,et al.Reliable incentive mechanism for federated learning of electric metering data[J].Computer Science,2022,49(3):31-38.