面向多主体隐私保护的联邦式电力预测

东南大学，吴在军/胡秦然教授团队团队概况长期从事分布式资源聚合管控、主配网联合仿真与运行控制、电力电子装备与系统等方面研究，拥有教授4名，副教授3名、讲师3名；国家级青年人才计划入选者2名，江苏省重大人才计划入选者5名；45岁以下占比80%项目与获奖项目：国家重点研发计划7项、NSFC重点项目6项、NSFC面上/青年项目14项、重大科技支撑项目4项、获奖：省部级奖励8项、牵头获江苏省科学技术奖一等奖2项学术成果在Nat.Commun.,IEEETrans.等高水平学术期刊上发表SCl论文150余篇，E论文200余篇，授权国家发明专利80项。2024年8月以讲师身份加入团队，此前在多主体负荷预测、多能系统优化调度发表高质量SCI论文6篇，其中Nat.Commun.1篇。2.1电力系统分布式主体数量增多，形成“数据孤岛”发电侧-分布式新能源发电企业用电侧-分布式用能企业和地区储能侧-电动汽车等分布式电池产业数据共享：推动电力数据社会化共享应用，利用电力数据为企业、政府等各类需求方提供增值服务，是南网响应国家大数据战略的有力举措。—《人民日报》数据隐私：个人对其个人信息的处理享有知情权、决定权，有权限制或者拒绝他人对其个人信息进行处理。一《个人信息保护法》2.研究背景满残送2.2打造更适配电力数据特性的联邦预测框架■2016年谷歌提出联邦学习，用于多设备协同建模计算■各主体独立建模+中央模型聚合，“数据不动而模型动”满残送2.2打造更适配电力数据特性的联邦预测框架■2016年谷歌提出联邦学习，用于多设备协同建模计算■各主体独立建模+中央模型聚合，“数据不动而模型动”④用电侧：多源大数据下的智慧城市联邦负荷预测圆圆样本维度储能侧：独立于历史数据的废旧电池快速分类回收■保护多主体隐私的前提下实现联合建模储能侧：独立于历史数据的废旧电池快速分类回收Fone■改进并应用基于梯度提升树的联邦式电力预测框架Fone■改进并应用基于梯度提升树的联邦式电力预测框架3.多源大数据下的智慧城市联邦负荷预测3.多源大数据下的智慧城市联邦负荷预测Trans.SmartGrid,vol.14,no.3,pp.2460-2472.2023.■扎根于珠海市多源大数据智慧城市项日，需要对多个■扎根于珠海市多源大数据智慧城市项日，需要对多个毗邻地区开展数据驱动的负荷预测I.负荷相关电力数据在样本(地区)和特征(企业)维度上都存在数据孤岛2.涉及地区间耦合了共性特征与个性特征针对问题I:开发横纵向联合的二维联邦学习框架横向联邦学习结合纵向联邦学习二维联邦学习动态任务分配机制(可选)横向联邦纵向联邦地区2地区3移动公司--信息流二维联邦执行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区2.涉及地区间耦合了共性特征与个性特征针对问题2:开发联邦多任务学习框架地区合作式训练(共性)地区合作式训练(共性)MAcordinnis1cpochofFederBooFaeewodt)fordidiesinlunlilqverfila相N+梯度提升多任务学习二维联邦学习联邦多任务学习率、合作激励度CS-)(Unen,Dn)<min{CS-+1)(UneC(ym,Dn,on)=-Inf(yn|迭代#K各地区本地训练(个性)各地区本地训练(个性)FrmewckD)trdisviswn!b.arheN3.多源大数据下的智慧城市联邦负荷预测■理论分析二维联邦框架1.收敛性：无视主体异质性，训练必收敛。2.无损性：训练结果与中心化模型相同。3.隐私保护：横/纵向联邦学习分别保障了隐私性，只要跨区跨主体传输梯度统计值G,u,m,H,u,m是安全的。5.计算效率：可提升倍。联邦多任务学习框架进一步降至0。二维联邦>横向联邦>纵向联邦>单地区模型训练效率：01-2301-2401-2501-2601-27同步多任务多任务一[3]S.Tao°,H.Liu*etal.,"Cmachinelearning.",vol.14,Art.no.8032,2023.(*共同一作).■基于正极材料进行电池分类显著提升回收效益■问题：生态上下游存在大量的电池数据主体，难以建立有效电池共享模型■方案：基于联邦学习的废旧电池回收模型一基于随机森林和Wasserstein■方案：基于联邦学习的废旧电池回收模型一基于随机森林和Wasserstein投票机制构建联邦学习一无需借助历史数据，只根据最新测得的充放电曲线进行电池分类—各主体间独立建模，无需模型/数据的直接交换，保护隐私Federatedlearningframeworkforbatteryre[3]S.Tao*,H.Liu*etal,"Collaborativmachinelearning",vol.14,Art.no.8032,2023.(*共同一作).221.各电池充放电曲线测量及特征提取■充/放电曲线-Q和V的四分位值2.各主体基于RandomForest进行独立的分类模型训练3.分类结果加密传递及基于Wasserstein距离Pruddiknpctabiydenib8联邦学习法各类性能打分Operatio