Proactive Load-Shaping Strategies with Privacy-Cost Trade-offs in Residential Households based on Deep Reinforcement Learning
The University of Manchester（曼彻斯特大学）；KU Leuven（鲁汶大学）；COSIC（计算机与安全集成中心）
针对智能电表隐私泄露问题，提出基于深度强化学习的主动负荷整形算法PLS-DQN，通过制造虚假负荷特征误导攻击者，在保护隐私的同时兼顾成本，优于现有方法。
2024-05-29 cs.LG cs.SY eess.SY
Load Shaping Based Privacy Protection in Smart Grids: An Overview
由智能电表（SM）收集的细粒度能源使用数据是智能电网（SG）的关键组成部分之一。虽然收集这些数据提高了SG的效率和灵活性，但也对消费者的隐私构成了严重威胁。通过非侵入式设备负载监控（NALM）等技术，这些数据可用于识别正在使用的设备，从而披露消费者的私人生活。在文献中已经提出了各种方法来保护消费者隐私。本文重点研究负载整形（LS）方法，该方法通过家庭设施来改变消费数据，以确保隐私。概述了隐私保护技术，以及用于隐私保护的LS方法、隐私措施和家庭设施的启发式方法，以深入分析这些方法在智能电网系统中的有效性和适用性。最后，对智能电网中隐私保护的研究方向进行了展望。
2020-01-18 cs.CR cs.SY eess.SY
Privacy-Preserving Distributed Clustering for Electrical Load Profiling
电力负荷分析支持零售商和配电网络运营商更好地了解消费者的消费行为。然而，传统的用于负载分析的聚类方法是集中式的，并且需要访问所有智能电表数据，从而导致消费者和零售商的隐私问题。为了解决这个问题，我们提出了一个隐私保护的分布式集群框架的负载分析，通过开发一个隐私保护的加速平均共识（PP-AAC）算法证明收敛。使用所提出的框架，我们修改了几个常用的聚类方法，包括k-均值，模糊C-均值，高斯混合模型，提供隐私保护的分布式聚类方法。通过这种方式，可以仅通过本地计算和相邻数据所有者之间的信息共享来执行负载分析，而不会牺牲隐私。同时，与传统的集中式聚类方法相比，每个数据所有者消耗的计算时间显著减少。分析了所提出的隐私保护分布式聚类框架的隐私性和复杂性。使用真实世界的爱尔兰住宅数据集验证了所提出的框架和建议的PP-AAC算法的正确性，效率，有效性和隐私保护功能。
2020-02-26 cs.DC cs.SY eess.SP
Probabilistic Net Load Forecasting for High-Penetration RES Grids Utilizing Enhanced Conditional Diffusion Model
本文提出基于增强条件扩散模型ECDM的日前概率净负荷预测框架，通过交叉注意力融合多模态条件、非参数插补引导反向扩散、周排列捕捉周期性及自适应核密度估计，在高渗透率可再生能源电网中实现了优于现有方法的概率预测性能。
2025-06-03 cs.SY eess.SY
Privacy Protection via Joint Real and Reactive Load Shaping in Smart Grids
在智能电网中，频繁的用电计量是需求侧管理的关键。然而，计量数据可以相当容易地处理，通过采用成熟的非侵入式设备负载监测技术来推断设备使用情况，从而揭示消费者的私人生活信息。现有的隐私负载整形技术主要集中在改变计量的有功功率，而智能电表收集无功功率消耗数据以及用于各种目的。本研究通过在需求响应方案中进行负荷整形来解决消费者隐私保护问题，同时考虑有功功率和无功功率。我们建立了一个多目标优化框架，使我们能够描述隐私最大化，用户成本最小化，用户不适最小化目标之间的相互作用。我们的研究结果表明，最大限度地减少信息泄漏，由于一个单一的组成部分，实际功率将遭受由于其它组件而导致的忽略信息泄漏，例如，无功功率，导致次优决策。实际上，有功和无功功率分量的联合整形导致最佳的隐私保护性能，这导致在互信息方面隐私增加两倍以上。
2021-04-07 cs.SY eess.SY math.OC
Architecture and Algorithms for Privacy Preserving Thermal Inertial Load Management by A Load Serving Entity
Texas A&M University（德克萨斯农工大学）
本文提出一种隐私保护的热惯性负荷管理架构与算法，通过合同模型保障用户室内温度在舒适范围内，同时解决负荷服务商在不测量空调状态的情况下如何制定电价和实时控制的问题。
2016-11-29 cs.SY eess.SY math.OC
Privacy Preserving in Non-Intrusive Load Monitoring: A Differential Privacy Perspective
Tsinghua University（清华大学）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
智能电表设备可以更好地了解需求，避免私人信息泄露的潜在风险。减轻这种风险的一种有希望的解决方案是将噪声注入到仪表数据中以实现一定水平的差分隐私。在本文中，我们投一次性的非侵入式负载监测（NILM）的压缩感知框架，并弥合NILM推理的理论精度和差分隐私的参数之间的差距。然后，我们推导出有效的理论界提供见解的差分隐私参数如何影响NILM的性能。此外，我们推广了我们的结论，提出了层次框架来解决多镜头NILM问题。数值实验验证了我们的分析结果，并提供更好的物理见解的差分隐私在各种实际情况下。这也说明了我们的工作对一般隐私保护机制设计的意义。
2020-11-12 cs.CR cs.LG cs.SY
A Fundamental Bound on Performance of Non-Intrusive Load Monitoring with Application to Smart Meter Privacy
我们证明了非侵入式负载监测算法的预期估计误差是下界的轨迹的倒数的设备的负载配置文件的导数之间的互相关矩阵。我们使用这个基本约束来制定隐私保护政策。特别是，我们设计了一个负载调度策略，通过最大限度地提高非侵入式负载监控算法的预期估计误差的下限。
2019-10-05 cs.SY eess.SP eess.SY
Privacy-preserving household load forecasting based on non-intrusive load monitoring: A federated deep learning approach
Northeast Electric Power University（东北电力大学）；State Grid Jilin Electric Power Company Limited（国网吉林省电力有限公司）
负荷预测是电力系统分析和电网规划的重要内容。为此，我们首先提出了一种基于联邦深度学习和非侵入式负荷监测（NILM）的家庭负荷预测方法。这是国内首次将联邦学习应用于基于NILM的家庭负荷预测。在该方法中，通过非侵入式负载监测将综合功率分解为各个设备功率，并使用联合深度学习模型单独预测各个电器的功率。最后，各个电器的预测功率值被聚合以形成总功率预测。具体而言，通过对用电设备进行单独预测，得到预测功率，避免了单个设备的功率信号中强时间依赖性所带来的误差。并且在联邦深度学习预测模型中，拥有电量数据的住户业主共享本地模型的参数，而不是本地电量数据，保证了住户用户数据的隐私性。算例结果表明，该方法比传统的直接对聚合信号进行整体预测的方法具有更好的预测效果。此外，在不同的联邦学习环境中的实验设计和实现，以验证该方法的有效性。
2022-06-30 cs.LG cs.SY eess.SY
Consumer Privacy Protection using Flexible Thermal Loads: Theoretical Limits and Practical Considerations
越来越多的智能电表采用引入了对高分辨率计量数据引起的消费者隐私风险的日益关注。为了应对这些风险，已经进行了各种工作，使用诸如能量存储系统（ESS）和灵活的消费者负载的可控负载来积极地塑造电网可见的能量消耗简档。在本文中，我们比较了使用灵活的热为基础的消费者负载（FTL）对消费者隐私保护的ESS。通过首先假设理想条件，然后使其更接近现实，确定了使用FTL进行隐私保护的局限性。通过理论分析和现实模拟，它表明，由于在FTL的操作的限制，没有显着的过大的系统和牺牲消费者的舒适度，FTL的更高的等效能量存储容量需要提供相同的保护水平的ESS。尽管如此，鉴于它们越来越普遍，应考虑将可控FTL用于消费者隐私保护。
2020-10-28 cs.IT cs.SY eess.SY
A Differentially Private Quantum Neural Network for Probabilistic Optimal Power Flow
针对概率最优潮流求解中的隐私泄露风险，提出融合高斯噪声实现(ε,δ)-差分隐私、引入强纠缠量子态增强表达性的隐私保护量子神经网络，在参数量大减90%的同时提升了准确率与稳定性。
2024-12-15 cs.SY eess.SY
On Privacy of Dynamical Systems: An Optimal Probabilistic Mapping Approach (Extended Preprint)
我们解决的问题，最大限度地提高隐私的随机动力系统的状态信息是通过量化的传感器数据发布。特别是，我们考虑的设置，其中使用嘈杂的传感器测量获得有关系统状态的信息。该数据被量化并通过公共/不安全的通信网络传输到远程站。我们的目标是保持系统状态的私密性;然而，由于网络不安全，对手可能会访问传感器数据，这些数据可用于估计系统状态。为了防止这样的对手从获得一个准确的状态估计，在传输之前，我们随机化量化的传感器数据使用加性随机向量，并发送损坏的数据，而不是远程站。我们设计这些加性向量的联合概率分布（在一个时间窗口内），以最大限度地减少系统状态的一些线性函数（期望的私有输出）和随机化传感器数据之间的互信息（我们的隐私度量），以获得期望的失真水平-允许不同的量化传感器测量和失真数据。我们提出的问题，合成的联合概率分布的加性向量作为一个凸规划的线性约束。仿真实验来说明我们的隐私方案。
2021-01-21 cs.SY eess.SY
Control-aware Probabilistic Load Flow for Transmission Systems: An Analytical Method
概率潮流计算作为分析输电系统行为的基本工具，已经被研究了几十年。尽管有各种可用的方法，现有的PLF方法很少考虑系统控制。然而，系统控制，作为随机变量的波动和系统状态的变化之间的自动缓冲器，对最终的PLF结果有显着的影响。为了考虑控制作用的影响，本文提出了第一个分析PLF方法的输电网，考虑一次和二次频率控制。该方法基于高精度的线性潮流模型，并通过一种新颖的校正方法进一步提高了模型的精度。本文还证明了，如果随机变量的联合概率分布（JPD）用高斯混合模型（GMM）表示，则系统状态（例如，节点电压）是无限GMM。通过利用这一命题，所提出的方法可以产生整个系统的联合PLF，适用于服从任何分布的随机变量，并能够捕捉它们的相关性。在14 ~ 1354节点的测试用例上验证了该方法的高精度和令人满意的效率。
2022-02-28 cs.SY eess.SY
Non-parametric Probabilistic Load Flow using Gaussian Process Learning
School of Electrical and Electronics Engineering, Nanyang Technological University（南洋理工大学电气与电子工程学院）
在这项工作中，我们提出了一个非参数的概率潮流（NP-PLF）技术的基础上高斯过程（GP）学习，以了解电力系统的行为下的不确定性，更好的操作决策。该技术可以提供“半显式”的潮流解决方案，通过实施的学习和测试步骤，映射控制变量的输入。建议的NP-PLF利用GP置信上限（GP-UCB）采样算法。该NP-PLF方法的显著特点是：i）适用于具有未知分布的功率注入不确定性的潮流问题; ii）提供概率学习界（PLB），进一步提供对误差和收敛的控制; iii）能够处理间歇性分布式发电以及负载不确定性，和iv）适用于不同类型和大小的电力系统的平衡和不平衡潮流。IEEE 30节点和IEEE 118节点系统的仿真结果表明，该方法可以学习的电压函数的功率注入子空间使用少量的训练样本。此外，不同的输入不确定性分布的测试表明，完整的统计信息可以获得的概率潮流问题的平均百分比相对误差的顺序$10^{-3}$ \%的50000个测试点。
2020-03-18 cs.LG cs.SY eess.SY
Distributed Platoon Control Under Quantization: Stability Analysis and Privacy Preservation
本文研究量化下分布式车队控制的稳定性与隐私，对比确定性与概率量化，证明前者保证有界误差，后者实现渐近收敛并满足差分隐私，并分析性能与隐私权衡。
2025-10-07 cs.SY eess.SY
Probabilistic Load Forecasting of Distribution Power Systems based on Empirical Copulas
针对间歇资源占比提升下配电系统负荷预测的需求，本文提出基于经验Copula的非参数概率负荷预测方法，采用beta核密度估计，无需先验分布假设，经公开数据集验证，性能优于分位数回归方法。
2024-10-08 cs.SY eess.SY
Probabilistic Constraint Construction for Network-safe Load Coordination
分布式能源（DER）可以为电网提供平衡服务，但其功率变化可能会导致配电网中的电压和电流约束违反，危及网络安全。这可以通过在DER控制公式中包括网络约束来避免，但是协调DER的实体（例如，聚合器）可能不能访问网络信息，该网络信息通常仅为公用事业所知。因此，当聚合器不是公用事业时，开发网络安全的DER控制算法是具有挑战性的;它需要这些实体相互协调。在本文中，我们开发了一个聚合器，公用事业协调框架，使网络安全控制的恒温控制的负载，以提供频率调节。在我们的框架中，该实用程序发送一个网络安全的约束集的聚合器的命令，而不直接共享任何网络信息。我们提出了一个约束集构造算法，保证满足网络安全的机会约束。假设单调的网络安全的概率相对于聚合器的命令，我们利用二分法找到最大可能的约束集，提供最大的灵活性的聚合器。仿真结果表明，与两个基准算法相比，该方法提供了一个很好的服务质量和网络安全之间的平衡。
2023-01-12 cs.SY eess.SY
Probabilistic load flow calculation of AC/DC hybrid system based on cumulant method
电力系统的运行工况变得更加复杂多变。针对含有光伏并网系统的电压源换流器-高压直流（VSC-HVDC）混杂系统，提出了一种基于累积量法的概率潮流算法（PLF-CM）。首先，为变换器设置相应的控制模式，包括下垂控制和主从控制。采用统一迭代法计算常规交直流潮流。其次，在负荷和光伏出力概率模型的基础上，基于上述潮流计算结果，利用本文的相关系数矩阵将相关样本转化为独立样本，得到负荷和光伏出力的累积量;然后，在步骤S102，利用Gram-2方法得到了状态变量的概率密度函数和累积分布函数。查理级数展开法最后，在改进的IEEE 34节点和IEEE 57节点输电系统上计算了节点电压和线路功率的均值和标准差。该算法能够反映新能源固有的不确定性，并取代复杂的卷积运算，大大提高了计算速度和收敛性。
2022-02-16 cs.SY eess.SY math.PR
Holistic Privacy for Electricity, Water, and Natural Gas Metering in Next Generation Smart Homes
在智能电网中，高时间粒度（HTG）功耗数据可以通过非侵入式电器负载监测技术分解为各个电器负载特征，以暴露电器使用情况。已经提出了从负载整形到噪声添加和数据聚合的各种方法来缓解这个问题。然而，随着自然资源的日益稀缺，电力以外的公用事业（如水和天然气）也开始受到HTG计量的限制，这造成了与电力类似的隐私问题。因此，仅针对电力使用采用隐私保护对策对于利用附加/其他计量资源的电器是无效的。因此，需要重新评估现有的隐私对策和指标，不仅要解决电力问题，还要解决任何其他被计量的资源问题。此外，必须对所有计量资源采用整体隐私保护方法，因为来自任何资源的信息泄漏都有可能使所有其他资源的隐私保护对策无效。本文介绍了多HTG计量资源的隐私保护问题，并探讨其缓解的潜在解决方案。
2020-10-29 cs.SY eess.SY math.OC
Probabilistic Load-Margin Assessment using Vine Copula and Gaussian Process Emulation
随着可再生能源的日益普及和负荷的变化，电力系统状态的不确定性越来越大，威胁着电力系统规划和运行的安全性。面对这些挑战，本文提出了一种具有成本效益的，非参数的方法来量化不确定的功率注入对负载裕度的影响。首先，我们提出了一种新的藤蔓Copula，由于其模拟复杂的多变量高度依赖的模型输入的能力，产生系统的不确定输入。此外，为了减少传统的蒙特卡罗方法所需的计算时间，我们建议使用一个非参数，高斯过程仿真器为基础的降阶模型，以取代原来复杂的连续潮流模型。该仿真器允许我们以可忽略的计算成本在采样值处执行耗时的连续潮流求解器。IEEE 57节点系统，其中相关的可再生能源发电附加进行的仿真，揭示了所提出的方法的优良性能。
2020-04-13 cs.SY eess.SP eess.SY
Probabilistic assessment of the impact of flexible loads under network tariffs in low voltage distribution networks
The University of Sydney（悉尼大学）
本文提出了一种概率框架，用于设计电价以最小化分布式能源资源对网络性能的影响，稳定电网公司收入并改善网络成本分配的公平性。通过结合自动化家庭能源管理系统减少高峰需求，该框架展示了如何通过非参数贝叶斯模型、热用水统计模型和新型HEMS来调度可控设备，从而降低客户成本并缓解网络约束。
2020-07-17 cs.SY eess.SY math.OC
SecFD-FL: Frequency-Decoupled Federated Learning with Secure Aggregation for Charging Load Forecasting in Internet of Electric Vehicles
Tennessee Technological University（田纳西科技大学）；University of Ottawa（渥太华大学）
针对电动汽车互联网充电负荷预测的挑战，提出带安全聚合的SecFD-FL联邦学习框架，通过双流GRU网络和轻量级安全聚合层，实现预测精度、公平性与隐私保护的提升，且无额外每轮通信开销。
2026-10-12 cs.SY eess.SY
Encrypted Price-based Market Mechanism for Optimal Load Frequency Control
本文针对负荷频率控制中隐私与社会效用的冲突，提出一种结合混合加密与两方计算协议的加密市场架构，实现最优价格机制的安全综合与实施，并通过双区域LFC案例验证其有效性。
2023-04-11 cs.SY eess.SY
External Data-Enhanced Meta-Representation for Adaptive Probabilistic Load Forecasting
Department of Electrical, Computer and Energy Engineering, Arizona State University（电气、计算机与能源工程系，亚利桑那州立大学）；Laboratory for Information and Decision Systems, Massachusetts Institute of Technology（信息与决策系统实验室，麻省理工学院）
针对传统模型忽略外部因素异构性的问题，提出基于超网络的元表示框架M2oE2，将外部数据作为元知识动态调整深度学习模型参数，并结合混合专家机制提升效率与鲁棒性，在多个负荷数据集上显著提升了预测精度。
2025-06-29 cs.LG cs.SY eess.SY
Privacy-Preserved Aggregate Thermal Dynamic Model of Buildings
针对建筑集群热动态聚合模型参数估计中的隐私泄露问题，提出一种基于块坐标下降与变换加密安全聚合协议的隐私保护参数估计方法，使负荷聚合器在无需访问个人隐私的情况下准确获取聚合热动态模型参数。
2023-10-12 cs.SY eess.SY
Aggregating Privacy-Conscious Distributed Energy Resources for Grid Service Provision
高级计量基础设施的日益普及导致人们越来越担心高分辨率测量带来的隐私风险。这已经引起了隐私保护技术，其物理地改变消费者的能量负载简档，通过使用本地化设备（例如电池或柔性负载）来掩盖私人信息。与此同时，人们对聚集住宅消费者的分布式能源（DER）以向电网提供服务的兴趣也越来越大。在本文中，我们提出了一个在线分布式算法聚合DER的隐私意识的消费者提供服务的网格，同时保护他们的隐私。结果表明，从分布式方法的优化解决方案收敛到一个接近使用理想的集中式解决方案的方法，网格服务提供，消费者偏好和隐私保护之间的平衡计算的最佳。更重要的是，分布式方法保护了消费者的隐私，并且不需要高带宽的双向通信基础设施。
2020-10-26 cs.SY eess.SY math.OC
DER Forecast using Privacy Preserving Federated Learning
Massachusetts Institute of Technology（麻省理工学院）
随着分布式能源（DER）在电网边缘（包括可再生能源发电，灵活负荷和存储）的渗透，准确预测分布式发电和消费在消费者层面变得重要。然而，由于隐私问题，基于客户级数据的重复或大量传输的DER预测是不可行的。本文提出了一种分布式机器学习方法，即联邦学习，用于使用物联网节点网络进行DER预测，每个节点都传输消费和发电模式的模型，而不会泄露消费者数据。我们考虑了一个模拟研究，其中包括1000 DERs，并表明，我们的方法导致一个准确的预测，保护消费者隐私，同时仍然导致一个准确的预测。我们还评估了特定于电网的性能指标，如负载波动和负载削减，并表明我们的FL算法导致令人满意的性能。在Pecan street数据集上进行了仿真，验证了该方法在真实数据上的有效性。
2021-07-07 cs.DC cs.LG cs.SY
KPF-AE-LSTM: A Deep Probabilistic Model for Net-Load Forecasting in High Solar Scenarios
Quantum Energy Partners（量子能源伙伴公司）；Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室）；Pacific Northwest National Laboratory（太平洋西北国家实验室）；University of Vermont（佛蒙特大学）；Portland General Electric（波特兰通用电气公司）
随着配电网内电表后太阳能渗透率的预期上升，需要开发能够可靠预测净负荷的时间序列预测方法，准确量化其不确定性和可变性。本文提出了一种深度学习方法，用于在不同的太阳穿透水平下以15分钟的分辨率生成前一天净负荷的概率预测。我们提出的基于深度学习的架构通过卷积自动编码器（AE）从高维输入到低维潜在空间进行降维。从AE中提取的特征，然后利用通过内核嵌入的Perron-Frobenius（kPF）运算符的功能，以生成整个潜在空间的概率分布。最后，长短期记忆（LSTM）层用于从潜在空间分布合成预测净负荷的时间序列概率分布。与现有的基准模型相比，这些模型可以提供卓越的预测性能（根据几个指标），并保持卓越的训练效率。进行详细的分析，以评估在各种太阳穿透水平（高达50%），预测范围（例如，15分钟和24小时），和房屋的聚集水平，以及其对缺失测量的鲁棒性。
2022-03-05 cs.LG cs.SY eess.SP
Initialization Is Critical: Advancing Federated Short-Term Load Forecasting under Load Heterogeneity via Model Initialization
School of Electrical Engineering and Computer Science, The Pennsylvania State University（宾夕法尼亚州立大学电气工程与计算机科学学院）；Department of Electrical and Computer Engineering, Bucknell University（巴克内尔大学电气与计算机工程系）
针对联邦短期负荷预测中客户端负载数据的结构化异质性问题，该研究提出全局预训练初始化与局部SLIAvg策略，有效减少客户端漂移并提升预测性能，且兼容性强。
2026-08-31 cs.LG cs.SY eess.SY
Market Value of Differentially-Private Smart Meter Data
本文提出了一个框架，以调查国内消费者和负荷服务实体之间共享隐私保护的智能电表数据的价值。该框架包括一个折扣差分隐私模型，以确保个人无法从聚合数据中识别，基于人工神经网络的短期负荷预测，以量化数据可用性和隐私保护对预测误差的影响，以及一天前的最佳采购问题和平衡市场，以评估隐私效用权衡的市场价值。该框架表明，当消费者群体的负荷分布不同于系统平均值时，这是使用Kullback-Leibler分歧量化的，在共享智能电表数据的同时保留个人消费者隐私具有重要价值。
2021-04-20 cs.CR cs.SY eess.SY
Gaussian Process Learning-based Probabilistic Optimal Power Flow
在这封信中，我们提出了一种新的高斯过程学习的概率最优潮流（GP-POPF）解决POPF下的可再生能源和任意分布的负荷不确定性。所提出的方法依赖于一个非参数贝叶斯推理为基础的不确定性传播方法，称为高斯过程（GP）。我们还利用对GP-POPF超参数可解释性的观察，提出了一种新型灵敏度，称为子空间灵敏度。对14节点和30节点系统的仿真结果表明，与Monte-Carlo Simulations（MCS）解决方案相比，该方法在不同水平的不确定性可再生能源渗透率以及负荷不确定性下提供了合理准确的解决方案，同时需要更少的样本数量和运行时间。
2020-04-16 cs.SY eess.SY stat.ML
Privacy-Preserving Distributed Learning for Residential Short-Term Load Forecasting
University of Liverpool（利物浦大学）；KU Leuven（鲁汶大学）；EnergyVille（能源城研究院）；COSIC（计算机与安全工业密码学研究中心）；The University of Manchester（曼彻斯特大学）
针对居民负荷预测中的数据隐私问题及联邦学习模型易受梯度泄露、投毒攻击且安全聚合方案鲁棒性不足的缺陷，提出基于马尔可夫切换的分布式训练框架，兼具隐私性、鲁棒性与可扩展性。
2024-02-02 cs.AI cs.CR cs.DC
Privacy-Preserving Obfuscation for Distributed Power Systems
研究了分布式电力系统中隐私保护负荷数据的发布问题。本文的重点是用于解决最优潮流（OPF）问题的数据，并提出了一种分布式算法，符合差分隐私的概念，一个强大的隐私框架，用于约束重新识别的风险。这个问题是具有挑战性的，因为传统的差分隐私机制的应用程序的负载数据从根本上改变了基本的最优化问题的性质，往往会导致严重的可行性问题。该算法基于乘法器的交替方向法（ADMM），保证了所发布的隐私保护数据保持高保真度，并满足交流潮流约束。在多种OPF基准上的实验结果证明了该方法的有效性。
2019-10-07 cs.CR cs.MA cs.SY
Probabilistic duck curve in high PV penetration power system: Concept, modeling, and empirical analysis in China
光伏发电的高渗透率正在重塑电力净负荷曲线，并对电力系统的运行和规划产生重大影响。鸭子曲线的概念被广泛用于描述峰值需求和光伏发电之间的时间不平衡。传统的鸭子曲线是确定性的，在一天中只显示一个极端或典型的情况。因此，它不能同时捕捉到这种情况的概率和光伏发电和负载的不确定性。这些缺点限制了鸭子曲线在光伏高渗透率下的电力系统规划中的应用。针对这一问题，提出了概率鸭子曲线（PDC）和概率斜坡曲线（PRC）的新概念，以准确地模拟高光伏渗透率下电网负荷和斜坡的不确定性和可变性。提出了一种基于核密度估计、Copula函数和相关离散卷积的PDC和PRC建模方法。设计了几个指标来量化PDC和PRC的特征。对于应用程序，我们演示了PDC和PRC将如何有利于灵活的资源规划。最后，通过对青海省电力系统的实证研究，验证了该方法的有效性。PDC和PRC的结果直观地表明，在高光伏渗透率下，斜坡需求和净负荷谷值面临相当大的不确定性。柔性资源规划的结果表明，燃煤机组改造对提高青海电力系统柔性具有显著的效果。平均而言，将燃煤机组的最低输出减少1兆瓦，每天将增加超过4兆瓦时的光伏容量。
2019-09-25 cs.SY eess.SY stat.AP
Exploring Lightweight Federated Learning for Distributed Load Forecasting
Trinity College Dublin（都柏林圣三一学院）
本文提出用于分布式负荷预测的轻量级联邦学习方法，以全连接DNN在保护电表数据隐私的同时达到可比精度，并在Arduino Uno上实现低资源与低能耗部署。
2024-04-04 cs.LG cs.SY eess.SY
