論文の概要: Deep Reinforcement Learning-Assisted Federated Learning for Robust
Short-term Utility Demand Forecasting in Electricity Wholesale Markets
- arxiv url: http://arxiv.org/abs/2206.11715v1
- Date: Thu, 23 Jun 2022 14:07:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-24 14:35:15.961948
- Title: Deep Reinforcement Learning-Assisted Federated Learning for Robust
Short-term Utility Demand Forecasting in Electricity Wholesale Markets
- Title（参考訳）: 電力市場におけるロバストな短期事業需要予測のための深層強化学習支援フェデレーションラーニング
- Authors: Chenghao Huang, Weilong Chen, Xiaoyi Wang, Feng Hong, Shunji Yang,
Yuxi Chen, Shengrong Bu, Changkun Jiang, Yingjie Zhou, Yanru Zhang
- Abstract要約: 短期負荷予測(STLF)は、電力取引市場の運営において重要な役割を果たしている。
販売市場では、発電所(PP)がUCのデータに直接アクセスするのは現実的ではないため、フェデレートラーニング(FL)は間違いなく実現可能なソリューションである。
本稿ではDRL支援FLアプローチであるDefect-AwaReフェデレーション・ソフトアクター・クリティック(DearFSAC)を提案する。
- 参考スコア（独自算出の注目度）: 5.452928612242391
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Short-term load forecasting (STLF) plays a significant role in the operation
of electricity trading markets. Considering the growing concern of data
privacy, federated learning (FL) is increasingly adopted to train STLF models
for utility companies (UCs) in recent research. Inspiringly, in wholesale
markets, as it is not realistic for power plants (PPs) to access UCs' data
directly, FL is definitely a feasible solution of obtaining an accurate STLF
model for PPs. However, due to FL's distributed nature and intense competition
among UCs, defects increasingly occur and lead to poor performance of the STLF
model, indicating that simply adopting FL is not enough. In this paper, we
propose a DRL-assisted FL approach, DEfect-AwaRe federated soft actor-critic
(DearFSAC), to robustly train an accurate STLF model for PPs to forecast
precise short-term utility electricity demand. Firstly. we design a STLF model
based on long short-term memory (LSTM) using just historical load data and time
data. Furthermore, considering the uncertainty of defects occurrence, a deep
reinforcement learning (DRL) algorithm is adopted to assist FL by alleviating
model degradation caused by defects. In addition, for faster convergence of FL
training, an auto-encoder is designed for both dimension reduction and quality
evaluation of uploaded models. In the simulations, we validate our approach on
real data of Helsinki's UCs in 2019. The results show that DearFSAC outperforms
all the other approaches no matter if defects occur or not.
- Abstract（参考訳）: 短期負荷予測(STLF)は電気取引市場の運営において重要な役割を果たしている。
データプライバシの懸念が高まる中、近年の研究では、federated learning (fl) がユーティリティ企業(ucs)向けのstlfモデルのトレーニングに採用されている。
問屋市場では、電力プラント(PP)がUCのデータに直接アクセスするのは現実的ではないので、FLは確実にPPの正確なSTLFモデルを得るための実現可能なソリューションである。
しかし、FLの分散性とUC間の激しい競争により、欠陥がますます発生し、STLFモデルの性能が低下し、単にFLを採用するだけでは不十分であることが示されている。
本稿では,ppsのstlモデルを正確に学習し,短時間の電力需要を高精度に予測するための,drl支援型フェデレート・ソフト・アクタ・クリティック(dearfsac)を提案する。
まず第一に
従来の負荷データと時間データのみを用いて,長期記憶(LSTM)に基づくSTLFモデルを設計する。
さらに、欠陥発生の不確実性を考慮すると、欠陥によるモデル劣化を緩和してFLを支援するディープ強化学習(DRL)アルゴリズムを採用する。
さらに,FLトレーニングの高速化のために,アップロードしたモデルの次元の縮小と品質評価のために自動エンコーダを設計した。
シミュレーションでは,2019年のヘルシンキのUCの実データに対するアプローチを検証する。
その結果,DearFSACは欠陥の発生の有無に関わらず,他のアプローチよりも優れていることがわかった。
関連論文リスト
- Unlocking the Potential of Model Calibration in Federated Learning [15.93119575317457]
モデルキャリブレーションの概念とFLを統合した汎用フレームワークであるNon-Uniform for Federated Learning (NUCFL)を提案する。
OurFLは、各クライアントのローカルモデルとFLのグローバルモデルの関係に基づいてモデルキャリブレーションを動的に調整することで、この問題に対処する。
これにより、FLは精度を犠牲にすることなく、グローバルモデルのキャリブレーション要求を効果的に調整する。
論文 参考訳（メタデータ） (2024-09-07T20:11:11Z) - Addressing Heterogeneity in Federated Load Forecasting with Personalization Layers [3.933147844455233]
PL-FLと呼ばれる一般的なフレームワークにおいて,負荷予測のためのパーソナライズレイヤを提案する。
PL-FLはFLよりも通信帯域幅が小さいため、FLと純粋に局所訓練に優れることを示す。
論文 参考訳（メタデータ） (2024-04-01T22:53:09Z) - Semi-Federated Learning: Convergence Analysis and Optimization of A
Hybrid Learning Framework [70.83511997272457]
本稿では,ベースステーション(BS)とデバイスの両方を活用するセミフェデレーション学習(SemiFL)パラダイムを提案し,中央集権学習(CL)とFLのハイブリッド実装を提案する。
我々はこの難解な問題を解くための2段階のアルゴリズムを提案し、ビームフォーマに閉形式解を提供する。
論文 参考訳（メタデータ） (2023-10-04T03:32:39Z) - Adaptive Model Pruning and Personalization for Federated Learning over
Wireless Networks [72.59891661768177]
フェデレーション学習(FL)は、データプライバシを保護しながら、エッジデバイス間での分散学習を可能にする。
これらの課題を克服するために、部分的なモデルプルーニングとパーソナライズを備えたFLフレームワークを検討する。
このフレームワークは、学習モデルを、データ表現を学ぶためにすべてのデバイスと共有されるモデルプルーニングと、特定のデバイスのために微調整されるパーソナライズされた部分とで、グローバルな部分に分割する。
論文 参考訳（メタデータ） (2023-09-04T21:10:45Z) - Communication Resources Constrained Hierarchical Federated Learning for
End-to-End Autonomous Driving [67.78611905156808]
本稿では,最適化に基づくコミュニケーションリソース制約付き階層型学習フレームワークを提案する。
その結果,提案したCRCHFLは収束速度を加速し,フェデレーション学習自律運転モデルの一般化を促進することがわかった。
論文 参考訳（メタデータ） (2023-06-28T12:44:59Z) - Automated Federated Learning in Mobile Edge Networks -- Fast Adaptation
and Convergence [83.58839320635956]
フェデレートラーニング(FL)は、モバイルエッジネットワークで機械学習モデルを分散的にトレーニングするために使用することができる。
最近のFLは、モデルに依存しないメタラーニング(MAML)フレームワークで解釈されている。
本稿は,MAMLがFLにもたらすメリットと,モバイルエッジネットワーク上でのメリットの最大化について論じる。
論文 参考訳（メタデータ） (2023-03-23T02:42:10Z) - A comparative assessment of deep learning models for day-ahead load
forecasting: Investigating key accuracy drivers [2.572906392867547]
短期負荷予測(STLF)は電力グリッドとエネルギー市場の効果的かつ経済的な運用に不可欠である。
STLFの文献ではいくつかのディープラーニングモデルが提案されており、有望な結果を報告している。
論文 参考訳（メタデータ） (2023-02-23T17:11:04Z) - Performance Optimization for Variable Bitwidth Federated Learning in
Wireless Networks [103.22651843174471]
本稿では,モデル量子化による統合学習(FL)における無線通信と計算効率の向上について考察する。
提案したビット幅FL方式では,エッジデバイスは局所FLモデルパラメータの量子化バージョンを調整し,コーディネートサーバに送信し,それらを量子化されたグローバルモデルに集約し,デバイスを同期させる。
FLトレーニングプロセスはマルコフ決定プロセスとして記述でき、反復よりも行動選択を最適化するためのモデルベース強化学習(RL)手法を提案する。
論文 参考訳（メタデータ） (2022-09-21T08:52:51Z) - DearFSAC: An Approach to Optimizing Unreliable Federated Learning via
Deep Reinforcement Learning [3.516494777812123]
本稿では,DearFSAC (Defect-AwaRe Federated soft actor-critic) を提案する。
DearFSACは、独立および同一分散(IID)と非IID設定の2つのデータセットに対して、既存の3つのアプローチより優れている。
論文 参考訳（メタデータ） (2022-01-30T01:47:43Z) - Federated Unlearning [24.60965999954735]
Federated Learning(FL)は、有望な分散機械学習(ML)パラダイムとして登場した。
忘れられる権利」とデータ中毒攻撃に対抗するための実用的なニーズは、訓練されたFLモデルから特定のトレーニングデータを削除または解読できる効率的な技術を必要とします。
FedEraser は、フェデレーション クライアントのデータがグローバル FL モデルに与える影響を排除することができる最初のフェデレーション未学習方法論です。
論文 参考訳（メタデータ） (2020-12-27T08:54:37Z) - Delay Minimization for Federated Learning Over Wireless Communication
Networks [172.42768672943365]
無線通信ネットワーク上でのフェデレーション学習(FL)における遅延計算の問題について検討した。
最適解を得るために,二項探索アルゴリズムを提案する。
シミュレーションの結果,提案アルゴリズムは従来のFL法と比較して最大27.3%遅延を低減できることがわかった。
論文 参考訳（メタデータ） (2020-07-05T19:00:07Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。