論文の概要: Wind Power Forecasting Considering Data Privacy Protection: A Federated
Deep Reinforcement Learning Approach
- arxiv url: http://arxiv.org/abs/2211.02674v1
- Date: Wed, 2 Nov 2022 08:36:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-13 23:40:05.716515
- Title: Wind Power Forecasting Considering Data Privacy Protection: A Federated
Deep Reinforcement Learning Approach
- Title（参考訳）: データプライバシー保護を考慮した風力発電予測--連合型深層強化学習アプローチ
- Authors: Yang Li, Ruinong Wang, Yuanzheng Li, Meng Zhang, Chao Long
- Abstract要約: 超短時間の風力発電予測において,連合学習と深部強化学習(DRL)を組み合わせた予測手法を提案する。
本稿では,予測精度向上のための基本的な予測モデルとして,Deep Deterministic Policy gradient (DDPG)アルゴリズムを用いる。
提案したFedDRLは、プライベートデータを共有するのではなく、モデルパラメータを共有することによって、分散的に正確な予測モデルを得ることができる。
- 参考スコア（独自算出の注目度）: 5.718294641082287
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In a modern power system with an increasing proportion of renewable energy,
wind power prediction is crucial to the arrangement of power grid dispatching
plans due to the volatility of wind power. However, traditional centralized
forecasting methods raise concerns regarding data privacy-preserving and data
islands problem. To handle the data privacy and openness, we propose a
forecasting scheme that combines federated learning and deep reinforcement
learning (DRL) for ultra-short-term wind power forecasting, called federated
deep reinforcement learning (FedDRL). Firstly, this paper uses the deep
deterministic policy gradient (DDPG) algorithm as the basic forecasting model
to improve prediction accuracy. Secondly, we integrate the DDPG forecasting
model into the framework of federated learning. The designed FedDRL can obtain
an accurate prediction model in a decentralized way by sharing model parameters
instead of sharing private data which can avoid sensitive privacy issues. The
simulation results show that the proposed FedDRL outperforms the traditional
prediction methods in terms of forecasting accuracy. More importantly, while
ensuring the forecasting performance, FedDRL can effectively protect the data
privacy and relieve the communication pressure compared with the traditional
centralized forecasting method. In addition, a simulation with different
federated learning parameters is conducted to confirm the robustness of the
proposed scheme.
- Abstract（参考訳）: 再生可能エネルギーの割合が増加する現代の電力システムでは、風力発電のボラティリティによる配電計画の配置には、風力発電予測が不可欠である。
しかし、従来の集中型予測手法は、データプライバシ保護とデータアイランドの問題に関する懸念を引き起こす。
データのプライバシとオープン性に対処するために,federated deep reinforcement learning (feddrl) と呼ばれる超短期風力予測のための連合学習と深層強化学習(drl)を組み合わせた予測手法を提案する。
まず,予測精度向上のための基本的な予測モデルとして,Deep Deterministic Policy gradient (DDPG)アルゴリズムを用いる。
次に,DDPG予測モデルをフェデレート学習の枠組みに統合する。
設計されたFedDRLは、機密性の高いプライバシー問題を回避するために、プライベートデータを共有する代わりにモデルパラメータを共有することによって、正確な予測モデルを得ることができる。
シミュレーションの結果,提案したFedDRLは予測精度において従来の予測手法よりも優れていた。
さらに重要なのは、予測性能を確保しながら、FedDRLは従来の集中型予測手法と比較して、データプライバシを効果的に保護し、通信圧力を軽減できることだ。
また,提案手法の堅牢性を確認するために,異なるフェデレート学習パラメータを用いたシミュレーションを行った。
関連論文リスト
- Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
気象予報に拡散モデル(DM)を適用した新しい手法を提案する。
提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。
我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
論文 参考訳（メタデータ） (2024-02-06T21:28:42Z) - Prediction-Oriented Bayesian Active Learning [51.426960808684655]
予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。
EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
論文 参考訳（メタデータ） (2023-04-17T10:59:57Z) - Privacy-preserving household load forecasting based on non-intrusive
load monitoring: A federated deep learning approach [3.0584272247900577]
まず,フェデレーション深層学習と非侵入負荷モニタリング(NILM)に基づく世帯負荷予測手法を提案する。
非侵入的負荷監視により統合電力を個別のデバイスパワーに分解し、連合ディープラーニングモデルを用いて個別のアプライアンスのパワーを別々に予測する。
論文 参考訳（メタデータ） (2022-06-30T11:13:26Z) - Short-Term Density Forecasting of Low-Voltage Load using
Bernstein-Polynomial Normalizing Flows [0.0]
高いゆらぎと電化の増大は、従来の点推定に反映されない、大きな予測変動を引き起こす。
本稿では,正規化フローに基づく短期負荷のフレキシブルな条件密度予測手法を提案する。
論文 参考訳（メタデータ） (2022-04-29T08:32:02Z) - DER Forecast using Privacy Preserving Federated Learning [0.0]
分散機械学習アプローチであるFederated Learningを提案し、IoTノードのネットワークを使用してDER予測を実行する。
提案手法が消費者プライバシ保護の正確な予測に繋がることを示すため,1000 DER を含むシミュレーション研究を考察する。
論文 参考訳（メタデータ） (2021-07-07T14:25:43Z) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳（メタデータ） (2021-01-31T06:49:33Z) - Probabilistic electric load forecasting through Bayesian Mixture Density
Networks [70.50488907591463]
確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。
ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。
後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
論文 参考訳（メタデータ） (2020-12-23T16:21:34Z) - Energy Forecasting in Smart Grid Systems: A Review of the
State-of-the-art Techniques [2.3436632098950456]
本稿では,スマートグリッド(SG)システムの最先端予測手法について概説する。
統計学,機械学習(ML),深層学習(DL)などの従来の点予測手法について検討した。
ヴィクトリア朝の電力消費とアメリカの電力(AEP)の比較ケーススタディを行った。
論文 参考訳（メタデータ） (2020-11-25T09:17:07Z) - Physics-Informed Gaussian Process Regression for Probabilistic States
Estimation and Forecasting in Power Grids [67.72249211312723]
電力グリッドの効率的な運転にはリアルタイム状態推定と予測が不可欠である。
PhI-GPRは3世代電力系統の位相角,角速度,風力の予測と推定に使用される。
提案手法は観測された状態と観測されていない状態の両方を正確に予測し,推定することができることを示す。
論文 参考訳（メタデータ） (2020-10-09T14:18:31Z) - Privacy-preserving Traffic Flow Prediction: A Federated Learning
Approach [61.64006416975458]
本稿では,フェデレート学習に基づくGated Recurrent Unit Neural Network Algorithm (FedGRU) というプライバシ保護機械学習手法を提案する。
FedGRUは、現在の集中学習方法と異なり、安全なパラメータアグリゲーション機構を通じて、普遍的な学習モデルを更新する。
FedGRUの予測精度は、先進的なディープラーニングモデルよりも90.96%高い。
論文 参考訳（メタデータ） (2020-03-19T13:07:49Z)
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。