基于联邦学习的非侵入式电力负荷分解OA
针对传统的电力负荷分解时用户上传用户数据可能存在的隐私泄露问题,提出利用条件生成对抗网络(cGAN)模型,通过联邦学习的方式,进行电力负荷模型训练的方案。利用本地每个用户少量的数据集对模型进行训练,用户上传训练后模型的相关参数到服务端,服务端将收集到的参数进行整理和聚合后,将模型参数下放给用户。确保本地用户数据没有外泄的情况下,对模型进行了训练。利用公开数据集UK_DALE,实验验证了该方法的有效性。
唐雄峰;王俊年;唐佳林
湖南科技大学物理与电子科学学院,湖南湘潭411201 智能传感器与新型传感材料湖南省重点实验室,湖南湘潭411201湖南科技大学物理与电子科学学院,湖南湘潭411201 智能传感器与新型传感材料湖南省重点实验室,湖南湘潭411201湖南科技大学物理与电子科学学院,湖南湘潭411201 智能传感器与新型传感材料湖南省重点实验室,湖南湘潭411201
动力与电气工程
非侵入式电力负荷监测数据外泄隐私保护联邦学习cGAN网络
《湖南工业大学学报》 2025 (3)
P.31-38,8
评论