面向多主體隱私保護的聯邦式電力預測

東南大學，吳在軍/胡秦然教授團隊團隊概況長期從事分布式資源聚合管控、主配網聯合仿真與運行控制、電力電子裝備與系統(tǒng)等方面研究，擁有教授4名，副教授3名、講師3名；國家級青年人才計劃入選者2名，江蘇省重大人才計劃入選者5名；45歲以下占比80%項目與獲獎項目：國家重點研發(fā)計劃7項、NSFC重點項目6項、NSFC面上/青年項目14項、重大科技支撐項目4項、獲獎：省部級獎勵8項、牽頭獲江蘇省科學技術獎一等獎2項學術成果在Nat.Commun.,IEEETrans.等高水平學術期刊上發(fā)表SCl論文150余篇，E論文200余篇，授權國家發(fā)明專利80項。2024年8月以講師身份加入團隊，此前在多主體負荷預測、多能系統(tǒng)優(yōu)化調度發(fā)表高質量SCI論文6篇，其中Nat.Commun.1篇。2.1電力系統(tǒng)分布式主體數量增多，形成“數據孤島”發(fā)電側-分布式新能源發(fā)電企業(yè)用電側-分布式用能企業(yè)和地區(qū)儲能側-電動汽車等分布式電池產業(yè)數據共享：推動電力數據社會化共享應用，利用電力數據為企業(yè)、政府等各類需求方提供增值服務，是南網響應國家大數據戰(zhàn)略的有力舉措?！度嗣袢請蟆窋祿[私：個人對其個人信息的處理享有知情權、決定權，有權限制或者拒絕他人對其個人信息進行處理。一《個人信息保護法》2.研究背景滿殘送2.2打造更適配電力數據特性的聯邦預測框架■2016年谷歌提出聯邦學習，用于多設備協同建模計算■各主體獨立建模+中央模型聚合，“數據不動而模型動”滿殘送2.2打造更適配電力數據特性的聯邦預測框架■2016年谷歌提出聯邦學習，用于多設備協同建模計算■各主體獨立建模+中央模型聚合，“數據不動而模型動”④用電側：多源大數據下的智慧城市聯邦負荷預測圓圓樣本維度儲能側：獨立于歷史數據的廢舊電池快速分類回收■保護多主體隱私的前提下實現聯合建模儲能側：獨立于歷史數據的廢舊電池快速分類回收Fone■改進并應用基于梯度提升樹的聯邦式電力預測框架Fone■改進并應用基于梯度提升樹的聯邦式電力預測框架3.多源大數據下的智慧城市聯邦負荷預測3.多源大數據下的智慧城市聯邦負荷預測Trans.SmartGrid,vol.14,no.3,pp.2460-2472.2023.■扎根于珠海市多源大數據智慧城市項日，需要對多個■扎根于珠海市多源大數據智慧城市項日，需要對多個毗鄰地區(qū)開展數據驅動的負荷預測I.負荷相關電力數據在樣本(地區(qū))和特征(企業(yè))維度上都存在數據孤島2.涉及地區(qū)間耦合了共性特征與個性特征針對問題I:開發(fā)橫縱向聯合的二維聯邦學習框架橫向聯邦學習結合縱向聯邦學習二維聯邦學習動態(tài)任務分配機制(可選)橫向聯邦縱向聯邦地區(qū)2地區(qū)3移動公司--信息流二維聯邦執(zhí)行5.1~5.4。[2]H.Liu,X.Zhang,H.Sun,andM.Shahidehpour,"Boostedmulti-taskleamingforintIEEETrans.SmartGrid,vol.15,no.1.pp.973-986,2024.迭代#迭代#2t1迭代#迭代#2t1ri'Iz2區(qū)2.涉及地區(qū)間耦合了共性特征與個性特征針對問題2:開發(fā)聯邦多任務學習框架地區(qū)合作式訓練(共性)地區(qū)合作式訓練(共性)MAcordinnis1cpochofFederBooFaeewodt)fordidiesinlunlilqverfila相N+梯度提升多任務學習二維聯邦學習聯邦多任務學習率、合作激勵度CS-)(Unen,Dn)<min{CS-+1)(UneC(ym,Dn,on)=-Inf(yn|迭代#K各地區(qū)本地訓練(個性)各地區(qū)本地訓練(個性)FrmewckD)trdisviswn!b.arheN3.多源大數據下的智慧城市聯邦負荷預測■理論分析二維聯邦框架1.收斂性：無視主體異質性，訓練必收斂。2.無損性：訓練結果與中心化模型相同。3.隱私保護：橫/縱向聯邦學習分別保障了隱私性，只要跨區(qū)跨主體傳輸梯度統(tǒng)計值G,u,m,H,u,m是安全的。5.計算效率：可提升倍。聯邦多任務學習框架進一步降至0。二維聯邦>橫向聯邦>縱向聯邦>單地區(qū)模型訓練效率：01-2301-2401-2501-2601-27同步多任務多任務一[3]S.Tao°,H.Liu*etal.,"Cmachinelearning.",vol.14,Art.no.8032,2023.(*共同一作).■基于正極材料進行電池分類顯著提升回收效益■問題：生態(tài)上下游存在大量的電池數據主體，難以建立有效電池共享模型■方案：基于聯邦學習的廢舊電池回收模型一基于隨機森林和Wasserstein■方案：基于聯邦學習的廢舊電池回收模型一基于隨機森林和Wasserstein投票機制構建聯邦學習一無需借助歷史數據，只根據最新測得的充放電曲線進行電池分類—各主體間獨立建模，無需模型/數據的直接交換，保護隱私Federatedlearningframeworkforbatteryre[3]S.Tao*,H.Liu*etal,"Collaborativmachinelearning",vol.14,Art.no.8032,2023.(*共同一作).221.各電池充放電曲線測量及特征提取■充/放電曲線-Q和V的四分位值2.各主體基于RandomForest進行獨立的分類模型訓練3.分類結果加密傳遞及基于Wasserstein距離Pruddiknpctabiydenib8聯邦學習法各類性能打分Operatio