面向智能电网的中继协助联邦学习收益优化研究.pdfVIP

摘要

随着电网数字化技术在我国电力系统的普及和应用，人工智能技术在电力

行业的发展过程中逐渐获得广泛应用。基于深度学习的电力数据分析技术为供

电精准化、能源绿色化提供了重要的技术支撑，可以极大节约发电和储能成本。

针对深度学习存在的数据的传输、存储和隐私问题，联邦学习的方案应运而生。

然而，现有的联邦学习研究缺乏与配电侧小区实际场景的结合，对小区内用户

设计一种高收益的参与方式是联邦学习应用于电力数据分析的面临的一大难

题。本文应对这一挑战引入了中继协助联邦学习的架构，针对中继协助联邦学

习系统的资源优化问题和收益分配问题进行研究。

本文基于配电侧电力数据分析场景，根据智能电表分布问题首先提出中继

联邦学习的机器学习架构，利用部分智能电表作为中继设备，对其他电表数据

进行设备间传输。在研究设备中继关系的问题时，对小区用户（智能电表）建

立收益模型，按照最大化用户整体收益的原则提出了关于中继选择，时延开销

和能耗开销的联合优化问题，提出了一种贪心策略的中继选择算法完成中继网

络规划，该算法在保证次优的同时极大程度上降低了复杂度，在电表设备较多

的场景下相对遍历的中继选择算法有较高的优越性。之后提出了一种迭代优化

算法对联合优化问题进行求解，理论推导了本地迭代次数、时延开销、能耗开

销子问题的闭式解，在保证训练精度的同时有效降低了系统的总开销。

对于收益分配问题，本文根据课题场景，建立了一个关于智能中台、中继

设备与被中继设备的综合Stackelberg博弈模型，分别提出了云-端Stackelberg博

弈问题和中继双层Stackelberg博弈问题，通过求解这两个博弈问题得到用户参

与博弈的最佳数据量和最优的收益分配系数，包括智能中台对用户数据的全局

收益分配和中继设备对被中继设备的收益再分配。基于最优响应算法设计了上

述两个问题对应的算法对博弈均衡求解。通过对给定小区场景和随机场景的仿

真验证了算法可以求解得到博弈均衡策略，并证明我们的中继双层Stackelberg

博弈算法具有较强的泛用性。对比分析了中继双层Stackelberg博弈算法相对云-

端Stackelberg博弈算法的优势，在保证各方收益的同时达到博弈的均衡，对于

模型的落地具有参考意义。

关键词:联邦学习；智能电网；中继；联合优化；博弈论

Abstract

Withthepopularizationandapplicationofdigitalpowergridtechnologyin

Chinaspowersystem,artificialintelligencetechnologyhasgraduallygained

widespreadapplicationinthedevelopmentprocessofthepowerindustry.Thepower

dataanalysistechnologybasedondeeplearningprovidesimportanttechnical

supportforprecisepowersupplyandgreenenergy,whichcangreatlysavecostsof

powergenerationandenergystorage.Federatedlearningsolutionsemergedto

addresstheissuesofdatatransmission,storage,andprivacyprotectionindeep

learning.However,existingresearchonfederatedlearninglacksintegrationwith

practicalscenariosindistributionsidecommunities,anddesigninga