联邦电力

为了实现兼具模型个性化和隐私保护个性化的电力负荷预测方案，文章提出了基于差分隐私的个性化联邦电力负荷预测方案。方案基于数据的缺失情况和时序特征进行集群式训练，得到适用于局部数据的本地个性化模型。在此基础上提出了个性化差分隐私保护方案，根据客户端到当前集群中心的距离调整隐私预算的分配，确保数据安全并实现客户端级别的隐私保护个性化。实验表明，算法在保证数据安全的同时，能训练得到效用较好的个性化模型。

针对现有多主体综合能源微网群协同运行中，集中式优化面临的主体隐私保护、参数难以共享问题，以及分布式优化面临的优化模型须大量简化近似、全局最优性难以保障的问题，提出了一种基于联邦学习的多主体综合能源微网群协调优化运行方法，以兼顾主体隐私性与全局最优性。首先，基于循环门控单元（gated recurrent unit，GRU）深度学习网络构建各综合能源微网的等值互动特性封装模型并上传至云端；其次，在不侵入各微网内部隐私数据的基础上，将各微网等效模型加密后于云端汇总并进行联邦学习；然后，依据云端联邦学习的结果对边端各综合能源微网互动特性封装模型进行修正和更新，迭代直至损失函数收敛，进而实现隐私保护下综合能源微网群的全局协同优化运行；最后，通过典型的综合能源微网群仿真算例验证了所提方法的可行性和有效性，结果表明，所提方法能实现综合能源微网群的快速高效优化运行，并有效保护各参与方的数据隐私。