基于动态差分隐私的联邦学习配电台区数据异常识别

陆俊; 肖琦; 龚钢军; 王路遥; 杨超

doi:10.13335/j.1000-3673.pst.2024.1221

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

基于动态差分隐私的联邦学习配电台区数据异常识别

自动化 | 更新时间：2025-12-18

- 基于动态差分隐私的联邦学习配电台区数据异常识别
- 基于动态差分隐私的联邦学习配电台区数据异常识别
- 电网技术 2025年49卷第8期页码：3512-3521
- 作者机构：
  
  1. 北京市能源电力信息安全工程技术研究中心(华北电力大学)
  2. 国网辽宁省电力有限公司信息通信分公司
- 作者简介：
- 基金信息：
  
  国家重点研发计划项目(2022YFB3105101)~~
- DOI：10.13335/j.1000-3673.pst.2024.1221
  中图分类号： M73
- 纸质出版：2025
- 稿件说明：
移动端阅览
陆俊, 肖琦, 龚钢军, 等. 基于动态差分隐私的联邦学习配电台区数据异常识别[J]. 电网技术, 2025,49(8):3512-3521.

陆俊, 肖琦, 龚钢军, et al. 基于动态差分隐私的联邦学习配电台区数据异常识别[J]. 2025, 49(8): 3512-3521.
陆俊, 肖琦, 龚钢军, 等. 基于动态差分隐私的联邦学习配电台区数据异常识别[J]. 电网技术, 2025,49(8):3512-3521. DOI： 10.13335/j.1000-3673.pst.2024.1221.

陆俊, 肖琦, 龚钢军, et al. 基于动态差分隐私的联邦学习配电台区数据异常识别[J]. 2025, 49(8): 3512-3521. DOI： 10.13335/j.1000-3673.pst.2024.1221.

摘要

电力配电网安全保护背景下，针对配电台区“数据孤岛”现象导致模型泛化能力不足、联邦学习系统可能遭受梯度反演攻击的问题，文章提出一种基于动态差分隐私的联邦学习配电台区数据异常识别方法。首先，构建基于差分隐私联邦学习的配电台区数据异常识别方法，联合不同配电台区开展不直接交换数据的模型分布式训练，训练过程中引入差分隐私梯度扰动机制，提升数据隐私保护强度；然后，设计考虑全局收敛贡献的隐私预算动态分配机制与考虑本地模型收敛的裁剪阈值动态调整机制，对各客户端的梯度扰动实行个性化的动态调整，在满足全局隐私预算的前提下减少隐私预算浪费，提升全局模型收敛效率和辨识性能；最后，在某地区配电台区用电用户能耗数据集上开展实例分析，结合FedAvg、FedProx和FedDP方法进行对比实验，验证了所提方法的有效性。

Abstract

关键词

Keywords

references

Sathish Kumar G.,Premalatha K.,Uma Maheshwari G.,Rajesh Kanna P.,Vijaya G.,Nivaashini M..Differential privacy scheme using Laplace mechanism and statistical method computation in deep neural network for privacy preservation[J].Engineering Applications of Artificial Intelligence,2024.

Niu Dongxiao,Sun Lijie,Yu Min,Wang Keke.Point and interval forecasting of ultra-short-term wind power based on a data-driven method and hybrid deep learning model[J].Energy,2022.

Wang Teng,Hu Zhi.Local differential privacy-based frequent sequence mining[J].Journal of King Saud University - Computer and Information Sciences,2022.

Wang Weikang,Yin He,Chen Chang,Till Abigail,Yao Wenxuan,Deng Xianda,Liu Yilu.Frequency Disturbance Event Detection Based on Synchrophasors and Deep Learning[J].IEEE Transactions on Smart Grid,2020.

Mayo Maldonado J.C.,Valdez Resendiz J.E.,Guillen D.,Bariya M.,Von Meier A.,Salas Esquivel E.A.,Ostfeld A..Data-driven framework to model identification, event detection and topology change location using D-PMUs[J].IEEE Transactions on Instrumentation and Measurement,2020.

Li He,Ota Kaoru,Dong Mianxiong.Learning IoT in Edge: Deep Learning for the Internet of Things with Edge Computing[J].IEEE Network,2018.

Lin Jie,Yu Wei,Zhang Nan,Yang Xinyu,Zhang Hanlin,Zhao Wei.A Survey on Internet of Things: Architecture, Enabling Technologies, Security and Privacy, and Applications[J].IEEE Internet of Things Journal,2017.

Martín Abadi,Andy Chu,Ian J. Goodfellow,H. Brendan McMahan,Ilya Mironov,Kunal Talwar,Li Zhang 0001.Deep Learning with Differential Privacy.[J].CoRR,2016.

刘礼,杨佳轩,强仁,龚钢军,陆俊,武昕.基于DAE和改进RFKM的负荷数据精准特征提取与标签定义[J].电力信息与通信技术,2024(07).

王继东,于俊源,孔祥玉.基于双重分解和双向长短时记忆网络的中长期负荷预测模型[J].电网技术,2024(08).

陆俊,刘博涵,丁慧霞,龚钢军,高凯强,汪莞乔.适应新型电力负荷管理系统的通信安全防护技术架构研究[J].电力信息与通信技术,2024(06).

刘博涵,陆俊,丁慧霞,龚钢军,高凯强,汪莞乔.基于分布式协同免疫的电力负荷管理终端安全防护策略[J].电力信息与通信技术,2024(05).

吴俊仪,李晓会.基于差分隐私的分段裁剪联邦学习算法[J].计算机应用研究,2024(05).

张少波,张激勇,朱更明,龙赛琴,李哲涛.基于Bregman散度和差分隐私的个性化联邦学习方法[J].软件学报,2024(11).

黄建德,何秋,宗悦,王斌,罗远林,吴鹏浩,于尧,郭磊.面向抽水蓄能电站智能巡检系统的联邦学习隐私保护方法[J].重庆邮电大学学报(自然科学版),2023(06).

袁郁,杨超,郑伟铭,林俊鹏,陈新.基于Bi-SRNN的联邦学习区域电力短期负荷预测模型[J].电网与清洁能源,2023(10).

王蓓蓓,朱竞,王嘉乐,马琎劼.电表数据隐私保护下的联邦学习行业电力负荷预测框架[J].电力系统自动化,2023(13).

杨会峰,陈连栋,程凯,王乃玉,李轩,关志涛.支持个性化隐私保护的异步联邦窃电检测方法[J].电力信息与通信技术,2023(06).

李洪裕,董骁翀,王新迎,蒲天骄,孙英云.考虑数据隐私保护的可再生能源场景生成框架[J].电网技术,2023(09).

郭方洪,刘师硕,吴祥,陈博,张文安,葛其运.基于联邦学习的含不平衡样本数据电力变压器故障诊断[J].电力系统自动化,2023(10).

尹春勇,屈锐.基于个性化差分隐私的联邦学习算法[J].计算机应用,2023(04).

王腾,霍峥,黄亚鑫,范艺琳.联邦学习中的隐私保护技术研究综述[J].计算机应用,2023(02).

梁天恺,曾碧,陈光.联邦学习综述：概念、技术、应用与挑战[J].计算机应用,2022(12).

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

晶闸管投切电容器动态无功补偿技术及其应用