面向多主体隐私保护的联邦式电力预测-刘海舟

面向多主体隐私保护的联邦式电力预测刘海舟团队概况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SCI论文150余篇，E2.1电力系统分布式主体数量增多，形成“数据孤岛”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2.研究背景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”钱然巽钱然巽按照数据割裂场景，分为——横向联邦学习(按样本割裂)——纵向联邦学习(按特征割裂)联邦学习、可信计算正在快速崛起，未来将成为电力数据安全共享应用的关键技术。——南方电网《数字电网调度领域新技术成熟度报告(2022年)》用电侧：多源大数据下的智慧城市联邦负荷预测样本维度样本维度地区1地区2[地区2地区3(横)地区3[储能侧：储能侧：独立于历史数据的废旧电池快速分类回收Clasoftedplatbarm■改进并应用基于梯度提升树的联邦式电力预测框架[1]H.Liu,X.Zhang,X.Shen,H.Sun,andM.ShahidTrans.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，需要对多个毗邻地区开展数据驱动的负荷预测1.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—底层算法—底层算法—二维联邦学习提升公平性、效率纵向联邦学习动态任务分配机制(可选)横向联邦学习纵向联邦移动公司…*信息壁垒横向联邦执行5.1~5.4。[2]H.Liu,X.Zhang,H.Sun,andIEEETrans.SmartGrid,vol.15,no.1.pp.973-986,2024.基值迭代#基值迭代#树L地区合作式训练(共性)针对问题2:开发联邦多任务学习框架针对问题2:开发联邦多任务学习框架圆—底层算法—阶段2:设计梯度提升多任务学习地区合作与退提升准确性、计算效二维联邦学习/阶段1:十率、合作激励度C-(Unen,Da)<min{CS-e+1)(UneN,Dn),…,C(Unen,Dn)}+各地区本地训练(个性)各地区本地训练(个性)ForP1.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5.计算效率：可提升倍。联邦多任务学习框架进一步降至0。2.计算效率：理论效率可提升2倍。二维联邦>横向联邦>纵向联邦>单地区模型■算例分析珠海市10地区的多源负荷数据集珠海市5地区地区新地区同步多任务多任务一一作)■退役电池的正极材料■退役电池的正极材料(NMC、LFP)是最有回收价值的部分—基于随机森林和Wasserstein—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Federatedlearmingframewo—各主体间独立建模，无需模型/数据的直接交换，保护隐私machinelearning",vol.14,Art.no.8032,2023.(*共同一1.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距离不同电池类型的分类准确度(左：传统投票，右：WD投票)联邦学习法各类性能打分联邦学习法各类性能打分51