基于历史贡献的联邦学习防御方法

周长玉; 张美煜; 焦润海; 于宜清

doi:10.16543/j.2095-641x.electric.power.ict.2026.02.07

欢迎来到能源电力期刊网！

English Version 期刊登录

您当前的位置：

首页 >

文章列表页 >

基于历史贡献的联邦学习防御方法

网络安全 | 更新时间：2026-10-17

- 基于历史贡献的联邦学习防御方法
- 基于历史贡献的联邦学习防御方法
- 电力信息与通信技术 2026年24卷第2期页码：50-56
- 作者机构：
  
  华北电力大学控制与计算机工程学院
- 作者简介：
- 基金信息：
  
  国家自然科学基金项目（62373150）
- DOI：10.16543/j.2095-641x.electric.power.ict.2026.02.07
  中图分类号： TP181;TM715
- 纸质出版：2026
- 稿件说明：
移动端阅览
周长玉, 张美煜, 焦润海, 等. 基于历史贡献的联邦学习防御方法[J]. 电力信息与通信技术, 2026,24(2):50-56.

周长玉, 张美煜, 焦润海, et al. 基于历史贡献的联邦学习防御方法[J]. 2026, 24(2): 50-56.
周长玉, 张美煜, 焦润海, 等. 基于历史贡献的联邦学习防御方法[J]. 电力信息与通信技术, 2026,24(2):50-56. DOI： 10.16543/j.2095-641x.electric.power.ict.2026.02.07.

周长玉, 张美煜, 焦润海, et al. 基于历史贡献的联邦学习防御方法[J]. 2026, 24(2): 50-56. DOI： 10.16543/j.2095-641x.electric.power.ict.2026.02.07.

摘要

为了应对因数据量不足导致的预测精度下降问题，同时保护数据隐私，联邦学习被广泛应用于负荷预测领域。然而，联邦学习在模型参数传输过程中可能遭受恶意攻击，威胁全局模型的可靠性。为此，文章提出了一种基于历史贡献的联邦学习鲁棒聚合(federated learning method based on historical contributions

Fed Bcs)方法。通过综合分析客户端在历史轮次中的贡献，计算其信用分数，并基于信用分数动态调整客户端的学习率，限制可疑客户端对全局模型的影响。Fed Bcs根据信用分数动态调整客户端的选中概率，从而减少恶意客户端的聚合机会。实验结果表明，与现有防御算法相比，Fed Bcs显著提升了模型的鲁棒性，其准确率较其他方法平均提高了6.5%，最高提高了14.2%。

Abstract

关键词

Keywords

references

孙晓燕,李家钊,曾博,巩敦卫,廉智勇.基于特征迁移学习的综合能源系统小样本日前电力负荷预测[J].控制理论与应用,2021(01).

成晓明,王磊,张鹏超,闫群民,石晗弘.区域级电力负荷数据特性研究与短期预测[J].电网技术,2022(03).

韩富佳,王晓辉,乔骥,史梦洁,蒲天骄.基于人工智能技术的新型电力系统负荷预测研究综述[J].中国电机工程学报,2023(22).

车亮,徐茂盛,崔秋实.基于联邦学习的短期负荷预测模型协同训练方法[J].湖南大学学报(自然科学版),2022(08).

谭智文,徐茹枝,关志涛.基于差分隐私的个性化联邦电力负荷预测方案[J].电力信息与通信技术,2024(07).

罗凯鸿,徐茹枝,夏迪娅,杨鑫.基于匿名性差分隐私联邦学习的负荷预测模型训练方法[J].电力信息与通信技术,2024(11).

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

基于匿名性差分隐私联邦学习的负荷预测模型训练方法

基于联邦Dueling DQN的基站微电网能量与计算资源联合调度

基于DPC-KWS算法和混合分解方法的短期电力负荷预测

基于联邦强化学习的配电网分布式电压控制策略

基于LSTM的居民负荷预测及其可调节潜力分析