数据孤岛下基于联邦学习的用户电价响应刻画及其应用

电价型需求响应离不开对用户价格响应的精准刻画,然而用户对价格的响应大多发生在与聚合商的交互中。并且出于隐私保护需求,这些交互数据往往不被公开,呈现为数据孤岛。针对现阶段用户数据隐私需求和电网调度需求相互冲突的问题,提出了基于联邦学习的用户电价响应行为刻画及其应用方法。首先,构建基于联邦学习的用户电价响应行为刻画的分布式交互框架,将原始数据信息交互转变为特征信息交互。然后,利用差分隐私-联邦近端算法实现不同聚合商电价响应模型的参数聚合,获得区域用户电价响应模型。最后,提出嵌入响应模型的配电网优化运行应用方法,利用改进的策略近端优化算法求解系统实时电价和储能出力。算例表明,所提方法在保障用户用能信息隐私下,能准确刻画区域用户电价响应行为,并改善配电网综合效益。     

基于联邦深度强化学习的车联网资源分配

车辆通信(V2X)能够有效地提高交通安全性和移动性,是车辆部署场景中的关键技术之一.V2X通信链路需要满足不同应用的服务质量(QoS)要求,如车对车(V2V)链路的延迟和可靠性要求.面向车辆高速移动性导致的无线信道快速变化,为保证不同车辆链路的QoS约束和车辆动态网络的鲁棒性,提出一种基于联邦深度强化学习(FDRL)的...     

基于Bi-SRNN的联邦学习区域电力短期负荷预测模型

随着配电网终端需求多样化和清洁能源的大规模接入,对区域电力负荷的准确预测变得至关重要。在电力市场化改革背景下,客户端倾向于用电信息保存在本地以确保隐私安全。利用天气数据和历史负荷数据,提出面向区域客户端隐私保护的联邦学习双向叠加循环神经网络负荷预测框架。根据短期电力负荷长序列数据之间的强关联性建立基于双向叠加循环神经网络的负荷预测模型。利用联邦平均算法构建基于联邦学习的区域负荷预测框架,将多个利用不同区域客户端负荷数据训练得到的双向叠加循环神经网络的模型进行融合,反复迭代获得全局模型。采用某市96组实时区域电力负荷公开的数据集,对该模型在区域客户端不共享负荷数据条件下的训练效果进行测试,结果表明,所构建模型具有较低的训练耗时和较高的预测精度。     

一个面向电力计量系统的联邦学习框架

大数据时代背景下,不同的数据拥有者之间存在信息孤岛的问题,要想得到性能较好的模型,数据必须整合在一起,这经常带来信息安全和数据隐私保护问题。考虑到电力计量系统中各个数据拥有者之间也存在信息安全等问题而无法整合在一起的情况,为了充分利用这些数据完成针对电力计量系统业务应用模型的训练,提出一种基于联邦学习(federated learning,FL)的分布式训练框架,并利用该框架对电力计量数据进行分析。所提出框架旨在保证各个本地电力数据信息安全的前提下,构建去中心化数据的集合以及联合多方数据,进而利用加密后的中间参数,完成多数据源对于联合模型的共同训练。最后通过对联邦学习框架在电力计量领域3项实验结果的分析,证明了该框架的实用性和可行性。     

融合电网运行场景聚类的多任务深度强化学习优化调度

“双碳”目标和新型电力系统建设背景下,新能源的高渗透率接入导致电力系统随机性显著增大、运行方式的分布复杂多样,传统单任务深度强化学习难以自适应源荷两侧的高随机性,调度决策难以满足新型电力系统对风光消纳、功率平衡需求。为此,该文提出融合电网运行场景聚类的多任务深度强化学习优化调度方法。该方法离线训练时利用空间聚类和决策树辨识海量调度运行数据的典型运行场景与重要特征,并构建甄别场景类别的多层感知机分类器;再依据场景类别建立和划分融合聚类多任务深度强化学习模型,从数据源到状态动作设计差异化训练各子任务学习器与模型;在线决策时利用分类器辨识有限运行数据的场景类别,调用模型快速求解实时调度任务,实现高随机场景下的多任务快速迁移学习,保证电力系统优化调度决策的最优性。该文通过算例验证了该方法的解的可行性与经济性。实验结果表明,融合电网运行场景聚类的多任务深度强化学习优化调度算法较单任务算法能够明显提升调度决策经济效益。     

基于数据驱动的网络安全数据分类方法

为了快速准确完成网络安全数据分类,提出了基于数据驱动的网络安全数据分类方法.利用基于数据驱动的K-means聚类算法通过初始中心选取和K值的确定聚类分析网络安全数据,采用随机森林算法完成聚类数据预处理,剔除网络数据的不相关特征属性,并利用领域粗糙集算法提取特征,去除冗余数据后,建立基于XGBoost算法的分类模型,通过...     

多小波系数增强动态聚合联邦深度网络的多工况故障诊断

针对分布式场景下单节点样本有限、多节点间工况分布不平衡等导致的深度学习故障诊断精度低的问题,提出一种多小波系数增强动态聚合联邦深度网络用于分布式小样本下的多工况机械故障诊断。提出多小波系数增强动态聚合联邦深度网络的诊断框架,单终端节点从本地样本中提取小波系数特征,提出多小波系数深度网络融合的特征增强方法,局部模型从多样性小波系数集合中提取更具判别性故障特征;聚合节点通过对多终端节点局部模型的聚合以构建全局联邦深度网络模型,并用于多工况故障诊断;为降低多节点间数据非独立同分布的影响,提出平衡模型贡献度的联邦动态加权聚合算法。轴承振动数据分析结果表明,所提方法能在分布式小样本条件下实现高精度的多工况故障诊断。     

基于二次聚类弱监督学习的图像语义分割

针对在给定大量用户标注图像基础上,将图像分割成一系列具有单一语义的完整区域,并同时对各区域实现语义标注的问题,提出了一种基于弱监督学习的二次聚类的图像语义分割算法。将谱聚类和判别式聚类相结合,用谱聚类学到的类标指示函数来指导判别式聚类,学习特征的潜在数据结构,利用弱监督信息对聚类分配标签。该方法能够充分利用区域上下文信息,为每个类别选择判别式特征,并且输出鲁棒的多类分类器,对外来没有标签的图像也可以进行有效的区域标注。通过在公用数据集上的充分实验,证明了本方法的有效性。     

基于Dirichlet分布的贝叶斯分类算法的手写数字字符识别

贝叶斯分类器是一种基于概率统计的常用分类器.本文在原有的贝叶斯分类的基础上进行了改进,提出了一种基于Dirichlet分布的贝叶斯分类模型,对手写数字字符进行识别的算法.该算法用模板法进行提取特征,这种方法更易操作,提取特征的效果也好.实验表明,用贝叶斯分类方法比传统的Fisher分类算法能更好地对手写数字字符进行分类识别,且在众多领域中有较大的应用价值.     

基于生成对抗网络和联邦学习的非侵入式负荷分解方法

非侵入式负荷分解是对终端用户用电需求的重要感知手段,传统负荷分解方法存在电器识别和功率分解准确度低等问题。为此提出一种基于生成对抗网络的负荷分解模型,生成网络通过构建卷积自编码器对总功率信号去噪,生成指定电器的功率分解序列,而判别网络被用来辨别生成序列的真伪,两者相互对抗,得到更为真实的分解序列。针对集中式模型训练方法的不足,采用深度可分离卷积代替传统卷积来实现模型轻量化,使之能应用于智能电表等终端设备,并提出一种基于联邦学习的网络模型实施方案,以云边协同的方式对模型进行训练,降低了通信传输压力,保护用户隐私和数据安全。基于公开数据集验证了方法的有效性。     

基于自适应滚动匹配预测修正模式的光伏区间预测

为解决传统点预测方式难以量化光伏发电功率不确定性的问题以及提高预测精度,提出一种基于自适应滚动匹配预测修正模式的光伏区间预测方法.通过结合小波能量的谱聚类方法对历史光伏数据集进行聚类,构建不同类别的模型输入和区间输出并采用宽度学习系统进行训练;建立不同类别、不同置信区间、不同预测功率区间的stable误差分布,并结合优...     

基于集成学习的高压直流输电系统故障诊断

以某西南电网变电站出现的4种故障的实测数据作为数据集,针对高压直流输电(high voltage direct-current, HVDC)系统的故障诊断设计出一种基于集成学习(ensemble learning, EM)的故障诊断方法,显著提升了故障诊断的速度、精度和鲁棒性。首先,对4类故障数据进行数据预处理,同时对故障数据的特征进行提取并完成训练,使用故障数据标签对故障数据集进行均分权重。然后,计算当前弱分类器对带权重数据集的分类误差,并计算当前分类器在强分类器中的权重。最后,更新训练样本权值的分布得到强分类器,根据训练好的模型对不同数据集下的故障类型进行辨识实验。通过与BP神经网络故障诊断模型对比,所提出的方法在多组测试中可以达到89%以上的诊断准确率,错误率较低并且鲁棒性强,有利于HVDC系统的故障识别和快速诊断。     

基于免疫学习算法的Web数据挖掘方法

在研究免疫识别机制的基础上,探讨基于免疫学习算法的Web数据挖掘方法。并将该方法应用到用户信息搜索中,挖掘用户的个性化行为,更加高效准确地获取信息。仿真结果表明,该方法能够有效地对获得的数据进行分类,具有一定的可行性和实用性。     

基于联邦学习的综合能源系统集成需求响应机制

随着能源集成技术的发展,需求响应已经逐渐进化到集成需求响应(IDR),同时用户对于隐私保护的关注也日益增长。针对拥有冷热电设备和负荷的配电网侧综合能源系统,建立了多能源耦合交互模型,以反映不同能源消费行为之间的相互影响,并以运行成本最低为目标,以设备出力特性和多能源负荷特性为约束,设计了IDR优化模型。为了保护用户隐私,提出了联邦学习(FL)架构,重写IDR模型并将其置于该FL架构中进行迭代计算。仿真结果表明所提计算方法与不考虑耦合的传统需求响应方案相比,具有较好的成本优势;与其他分布式需求响应算法相比,计算效率也有所提升。