联邦学习在电力数据分析中的应用及隐私保护方法

    公开(公告)号:CN118468986A

    公开(公告)日:2024-08-09

    申请号:CN202410610641.2

    申请日:2024-05-16

    Abstract: 联邦学习在电力数据分析中的应用及隐私保护方法,是客户端在中央服务器的协调下共同训练模型,客户端接收服务器下发的初始化模型,根据本地数据训练出一个本地模型并上传给服务器,服务器对客户端上传的模型参数进行安全聚合并反馈给客户端,客户端根据更新的模型进行下一次迭代,如此进行多次迭代直至模型收敛;采用了将同态加密和差分隐私结合的方法,使用差分隐私对参与方上传的模型参数δi添加噪声,使其满足ε‑差分隐私,然后再对添加噪声后的参数使用同态加密进行加密。联邦学习方法能够有效保证客户端敏感数据的隐私性,应用利用主成分分析提取特征,识别模型获得了更好的性能,同时联邦识别模型具有与集中式方法相当的性能。

    提高风电消纳能力的方法及装置

    公开(公告)号:CN107069830B

    公开(公告)日:2020-03-31

    申请号:CN201710055630.2

    申请日:2017-01-25

    Abstract: 本发明涉及一种提高风电消纳能力的方法,其中,所述方法包括:获取根据历史数据预先建立的次日风电出力的分布模型;获取风电系统的运行参数,并利用次日风电出力的分布模型建立运行参数的约束条件;获取预先建立的考虑风电系统风险的目标函数,并利用约束条件对目标函数进行约束,得到考虑风电带来的系统风险的火电机组出力日前计划、风电场运行出力日前计划、自备电厂出力调节的日前计划、可平移负荷的日前计划;将获得的优化后的上述日前计划对应发送给火电厂、风电场、参与需求响应的自备电厂和可平移负荷的企业。本发明还涉及一种提高风电消纳能力的装置。该方法和装置能够提高风电消纳能力。

Patent Agency Ranking