电表数据隐私保护下的联邦学习行业电力负荷预测框架.pdfVIP

第 47 卷 第 13 期 2023 年 7 月 10 日 Vol . 47 No . 13 Jul . 10 ,2023 DOI ： 10. 7500/AEPS20220321016 电表数据隐私保护下的联邦学习行业电力负荷预测框架 1 1 2 3 王蓓蓓 ，朱 竞 ，王嘉乐 ，马琎劼 （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 ） 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。 关键词 ：长短期时间序列网络；负荷预测；联邦学习；FedML 框架；隐私保护 0 引言 传统负荷预测根据读表数据基于历史相似日类推等 常规预测方法进行预测，如果用户选择将信息保存 随着电力市场化改革的逐步深入，主动配电网 在本地来保护隐私，则主动配电网运营商无法获取 运营商进入市场代理用户进行批发市场购电，但用 其历史读表数据，负荷预测的精度将大大降低。如 户历史用电曲线数据往往保存在供电公司的用电采 何在不掌握用户读表数据的情况下，依然能对用户 集系统中，出于保护用户隐私的需要，供电公司会拒 用电水平进行准确预测就显得尤其重要，而联邦学 绝向主动配电网运营商共享用电采集数据。此外， 习（federated learning ，FL ）为实现考虑隐私保护的 未来大量分布式新能源发电和储能等设备接入配电 负荷预测提供了可能。联邦学习是一种分布式的训 网中，传统配电网正逐步转变为主动配电网。由于 练方式，响应用户将负荷数据保留在本地进行训练， 攻击者可以借助非侵入式负荷检测算法将用户的总 只需将训练后的负荷特性参数上传到主动配电网运 负荷信息分解到具体的用电设备上来掌握用户的生 ［1 ］ 营商的中央服务器，中央服务器收集多个响应用户 活规律 。因此，在未来的主动配电网中，用户会更 的负荷特性模型参数，基于联邦优化算法得到全局 倾向于将读表数据保存在本地，主动配电网运营商 模型参数并将其下发给响应用户进行更新，再进行 需要在无读表权的条件下开展负荷预测等业务。