Key points are not available for this paper at this time.
A previsão de energia é importante porque permite o planejamento da infraestrutura e o despacho de energia, ao mesmo tempo que reduz falhas de energia e quebras de equipamentos. É bem conhecido que o aprendizado federado (FL) pode ser usado para construir um preditor global de energia para redes elétricas inteligentes sem revelar os dados brutos dos clientes para preservar a privacidade. No entanto, ainda revela os parâmetros dos modelos locais durante o processo de treinamento, o que pode vazar a privacidade dos dados dos clientes. Além disso, para que o modelo global converja, requer múltiplas rodadas de treinamento, que devem ser realizadas de maneira eficiente em comunicação. Além disso, a maioria dos trabalhos existentes foca apenas na previsão de carga, negligenciando a previsão de energia em sistemas de medição líquida. Para abordar essas limitações, neste artigo, propomos um preditor de energia baseado em FL que preserva a privacidade e é eficiente em comunicação para sistemas de medição líquida. Com base em um conjunto de dados para leituras de consumo/geração de energia real, primeiro propomos um preditor híbrido baseado em aprendizado profundo (DL) com múltiplas fontes de dados para prever com precisão as leituras futuras. Em seguida, adaptamos um esquema eficiente de criptografia funcional de produto interno (IPFE) para implementar a agregação segura de dados, preservando a privacidade dos clientes ao criptografar os parâmetros dos seus modelos durante o treinamento FL. Para abordar a eficiência de comunicação, usamos uma abordagem de mudança e transmissão (CAT) para atualizar os parâmetros do modelo local, onde apenas os parâmetros com mudanças suficientes são atualizados. Nossos estudos extensivos demonstram que nossa abordagem prevê com precisão as leituras futuras, ao mesmo tempo que fornece proteção à privacidade e alta eficiência de comunicação.
Badr et al. (Terça,) estudaram essa questão.