电表数据隐私保护下的联邦学习行业电力负荷预测框架

王蓓蓓; 朱竞; 王嘉乐; 马琎劼

doi:10.7500/AEPS20220321016

您当前的位置：

首页 >

文章列表页 >

电表数据隐私保护下的联邦学习行业电力负荷预测框架

面向多元用户的负荷特性建模与预测关键技术 | 更新时间：2025-06-16

- 电表数据隐私保护下的联邦学习行业电力负荷预测框架
- Federated-learning Based Industry Load Forecasting Framework Under Privacy Protection of Meter Data
- 电力系统自动化 2023年47卷第13期页码：86-93
- 作者机构：
  
  1.东南大学电气工程学院,江苏省南京市 210096
  2.东南大学网络空间安全学院,江苏省南京市 211189
  3.国网江苏省电力有限公司营销部,江苏省南京市 210000
- 作者简介：
  
  王蓓蓓(1979—)，女，通信作者，博士，副教授，主要研究方向：电力市场、需求侧管理等。E-mail：wangbeibei@seu.edu.cn
  朱竞(1999—)，男，硕士研究生，主要研究方向：电力市场、需求侧管理等。E-mail：zhujing@seu.edu.cn
  王嘉乐(1995—)，男，硕士研究生，主要研究方向：区块链、隐私保护等。E-mail：gavinv0701@gmail.com
- 基金信息：
  
  教育部人文社科一般项目资助(21YJAZH083)
- DOI：10.7500/AEPS20220321016
  中图分类号：
- 收稿：2022-03-21，
  
  修回：2022-09-20，
  
  网络出版：2022-12-15，
  
  纸质出版：2023-07-10
- 稿件说明：
移动端阅览
王蓓蓓,朱竞,王嘉乐等.电表数据隐私保护下的联邦学习行业电力负荷预测框架[J].电力系统自动化,2023,47(13):86-93.

WANG Beibei,ZHU Jing,WANG Jiale,et al.Federated-learning Based Industry Load Forecasting Framework Under Privacy Protection of Meter Data[J].Automation of Electric Power Systems,2023,47(13):86-93.
王蓓蓓,朱竞,王嘉乐等.电表数据隐私保护下的联邦学习行业电力负荷预测框架[J].电力系统自动化,2023,47(13):86-93. DOI： 10.7500/AEPS20220321016.

WANG Beibei,ZHU Jing,WANG Jiale,et al.Federated-learning Based Industry Load Forecasting Framework Under Privacy Protection of Meter Data[J].Automation of Electric Power Systems,2023,47(13):86-93. DOI： 10.7500/AEPS20220321016.

摘要

电力市场化改革背景下，供电公司的用电采集系统不对主动配电网运营商开放，同时，未来终端用户更倾向于将用户信息保存在本地以保护自己的隐私，主动配电网运营商需要在无读表权的条件下开展负荷预测等电力业务。为此，选择天气和时间因素作为负荷的关联因素，提出一种面向行业用户读表数据保护的联邦学习负荷预测框架。在此基础上，构建了行业用户数据集，基于长短期时间序列网络（LSTNet）建立负荷预测模型，同时利用FedML框架建立基于联邦学习的分行业负荷预测框架。算例分析表明，所述方法能使同行业的用户在不共享负荷数据的前提下进行联邦训练，在保护用户用电隐私的前提下支撑主动配电网运营商相关业务开展，具有较优的预测性能、较少的模型数量和较短的耗时。

Abstract

On the background of electricity market reform

the electricity consumption acquisition system of power supply companies is not open to the active distribution network operators. Meanwhile

end users prefer to keep user information locally to protect their privacy in the future

and active distribution network operators need to carry out power business such as load forecasting without meter reading right. Therefore

by selecting the weather and time factors as the correlation factors of load

a federated-learning based load forecasting framework for the protection of meter reading data of industrial users is proposed. On this basis

the industrial user data set is constructed; the load forecasting model is established based on the long- and short-term time-series network (LSTNet); and the sub-industry load forecasting framework based on the federated learning is established by using FedML framework. The case analysis shows that the proposed method can enable users in the same industry to conduct federated training without sharing load data

and support active distribution network operators to carry out relevant business on the premise of protecting users’ electricity privacy. It has better prediction performance

fewer models and shorter time consumption.

关键词

Keywords

references

肖江， AUGER F ，荆朝霞，等 . 基于贝叶斯信息准则的非侵入式负荷事件检测算法［J］. 电力系统保护与控制， 2018 ， 46 （ 22 ）： 8 - 14 .

XIAO Jiang ， AUGER F ， JING Zhaoxia ， et al . Non-intrusive load event detection algorithm based on Bayesian information criterion ［J］. Power System Protection and Control ， 2018 ， 46 （ 22 ）： 8 - 14 .

李妮，江岳春，黄珊，等 . 基于累积式自回归动平均传递函数模型的短期负荷预测［J］. 电网技术， 2009 ， 33 （ 8 ）： 93 - 97 .

LI Ni ， JIANG Yuechun ， HUANG Shan ， et al . Short-term load forecasting based on ARIMA transfer function model ［J］. Power System Technology ， 2009 ， 33 （ 8 ）： 93 - 97 .

TAVEEAPIRADEECHAROEN P ， AUNSRI N . A large dimensional VAR model with time-varying parameters for daily forex forecasting ［J］. Wireless Personal Communications ， 2020 ， 115 （ 4 ）： 3051 - 3072 .

ZHU F Y ， WU G Q . Load forecasting of the power system： an investigation based on the method of random forest regression ［J］. Energy Engineering ， 2021 ， 118 （ 6 ）： 1703 - 1712 .

FAN C ， WANG J Y ， GANG W J ， et al . Assessment of deep recurrent neural network-based strategies for short-term building energy predictions ［J］. Applied Energy ， 2019 ， 236 ： 700 - 710 .

SONG G ， DAI Q . A novel double deep ELMs ensemble system for time series forecasting ［J］. Knowledge-Based Systems ， 2017 ， 134 ： 31 - 49 .

JIN X B ， YU X H ， WANG X Y ， et al . Prediction for time series with CNN and LSTM ［C］// Proceedings of the 11th International Conference on Modelling， Identification and Control （ICMIC2019）， July 13-15 ， 2019 ， Tianjin， China ： 631 - 641 .

杨强 . AI与数据隐私保护：联邦学习的破解之道［J］. 信息安全研究， 2019 ， 5 （ 11 ）： 961 - 965 .

YANG Qiang . AI and data privacy protection： the way to federated learning ［J］. Journal of Information Security Research ， 2019 ， 5 （ 11 ）： 961 - 965 .

SAPUTRA Y M ， HOANG D T ， NGUYEN D N ， et al . Energy demand prediction with federated learning for electric vehicle networks ［C］// 2019 IEEE Global Communications Conference （GLOBECOM）， December 9-13 ， 2019 ， Waikoloa， USA ： 1 - 6 .

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 （增刊1 ）： 122 - 133 .

ZHENG Kaihong ， XIAO Yong ， WANG Xin ， et al . A federated learning framework for power grid metering system ［J］. Proceedings of the CSEE ， 2020 ， 40 （ Supplement 1 ）： 122 - 133 .

ZHANG X N ， FANG F ， WANG J Q . Probabilistic solar irradiation forecasting based on variational Bayesian inference with secure federated learning ［J］. IEEE Transactions on Industrial Informatics ， 2021 ， 17 （ 11 ）： 7849 - 7859 .

谭嘉，李知艺，杨欢，等 . 基于分布式优化思想的配电网用电负荷多层协同预测方法［J］. 上海交通大学学报， 2021 ， 55 （ 12 ）： 1544 - 1553 .

TAN Jia ， LI Zhiyi ， YANG Huan ， et al . A multi-level collaborative load forecasting method for distribution networks based on distributed optimization ［J］. Journal of Shanghai Jiao Tong University ， 2021 ， 55 （ 12 ）： 1544 - 1553 .

HE Y ， LUO F J ， RANZI G ， et al . Short-term residential load forecasting based on federated learning and load clustering ［C］// 2021 IEEE International Conference on Communications， Control， and Computing Technologies for Smart Grids （SmartGridComm）， October 25-28 ， 2021 ， Aachen， Germany ： 77 - 82 .

LAI G K ， CHANG W C ， YANG Y M ， et al . Modeling long- and short-term temporal patterns with deep neural networks ［C］// The 41st International ACM SIGIR Conference on Research & Development in Information Retrieval ， July 8-12 ， 2018 ， Ann Arbor， USA ： 95 - 104 .

MCMAHAN B ， MOORE E ， RAMAGE D ， et al . Communication-efficient learning of deep networks from decentralized data ［C］// 20th International Conference on Artificial Intelligence and Statistics ， April 20-22 ， 2017 ， Fort Lauderdale， USA ： 1273 - 1282 .

SHI H ， XU M H ， LI R . Deep learning for household load forecasting—a novel pooling deep RNN ［J］. IEEE Transactions on Smart Grid ， 2018 ， 9 （ 5 ）： 5271 - 5280 .

YANG Q ， LIU Y ， CHENG Y ， et al . Federated learning ［J］. Synthesis Lectures on Artificial Intelligence and Machine Learning ， 2019 ， 13 （ 3 ）： 1 - 207 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

计及异常场景数据缺失的负荷超短期预测

结合负荷多步预测的氢能船舶双层能量调度策略

考虑屋顶光伏热效应的短期净负荷预测