新型电力系统下联邦学习的应用与展望研究综述OA

在新型电力系统建设背景下,海量数据拥有者具有多源异构的数据资源,但是出于对数据资产与隐私安全的担忧,数据拥有者之间通常存在“数据孤岛”问题。作为一种新型的分布式机器学习技术,联邦学习能够有效帮助多个数据拥有者在满足隐私保护、数据安全和政府法规的前提下,进行数据共享和机器学习建模,因此,对于新型电力系统相关业务场景的人工智能模型构建与数据价值挖掘具有重大意义。在此背景下,本文针对近年来联邦学习在新型电力系统中的应用现状、存在的问题与挑战,以及未来的技术研究方向进行了系统综述。首先,对联邦学习的基本概念、分类、适用场景进行了简要概述。根据数据样本在不同参与方之间的数据特征空间和样本空间的分布情况,联邦学习通常可被划分为横向联邦学习、纵向联邦学习、联邦迁移学习。然后,针对新型电力系统背景下数据拥有者面临的数据安全共享问题,详细阐述了当前联邦学习在新型电力系统各业务场景中的应用现状。其中:横向联邦学习的应用场景主要包含源荷预测、用户用电行为分析、电力系统网络安全防护、电网调度优化、电网安全稳定评估等;纵向联邦学习的应用场景主要包含配电网/微电网运行控制、车网互动与电动汽车等;联邦迁移学习的应用场景主要包含负荷预测、电力设备故障诊断、建筑楼宇调节能力评估、电力安全防护装备检测等。进一步地,深入分析了目前联邦学习在新型电力系统应用中存在的问题与不足。其中:在通信方面,联邦学习面临计算资源的异构性、模型的参数规模巨大、客户端数量庞大等挑战,易造成其通信效率下降;在隐私与安全方面,联邦学习面临信息泄露、恶意攻击等问题,从而影响其可信性与可靠性;在模型方面,联邦学习存在模型训练效果不佳、模型泛化能力不足等问题,会使其模型性能降低,难以满足不同参与方的差异化需求。最后,针对当前联邦学习面临的挑战与问题,对基于模型压缩与异步更新机制的分层联邦学习、基于区块链和个性化差分隐私的联邦学习、基于客户端选择的个性化联邦学习3个未来联邦学习的研究方向进行了展望,以期为“双碳”目标下新型电力系统的数据价值挖掘提供建设性参考。