张璇、沈欣炜团队在联邦学习及其在智慧城市中的应用取得系列成果

2023-05-08

图片


随着世界能源形势的日益严峻,全球积极探索高效能源利用的可行路径,智慧城市这一理念也得到了学界和业界的重视。智慧城市旨在充分收集不同地区的多元异构数据,并深入挖掘其中的潜在价值与内生关系,从而为城市的规划建设与综合运营提供数据基础和数字化保障。然而,智慧城市在构建多地区联合数据模型(如联合能源负荷预测)时,通常直接将所有数据上传至中央云端进行统一学习,这不利于保护各主体的数据隐私,也会带来较高的通信和计算开销。


近日,张璇、沈欣炜团队在充分研究智慧城市发展现状的基础上,提出了两套基于联邦学习的新型合作框架并应用在能源负荷预测领域,有效解决了上述问题。针对同质、异质能源主体共存的现状,团队开发了一套横纵向结合的联邦学习框架,以打破数据在样本和特征两个维度上的信息壁垒,实现了高效、分布式、隐私保护的多地区联合负荷预测。针对不同地区能源主体具有不同用能特征的情形,团队进一步开发了一套基于梯度提升树的多任务联邦学习框架,通过将联邦学习与多任务学习有机结合,高效地学习不同地区用能的共性特征和个性特征,且满足隐私保护需求。


图片

图1 横纵向结合的联邦学习框架,可打破多主体能源数据的信息壁垒


图片

图2 横纵向结合联邦学习框架的模型训练过程


图片

图3 基于梯度提升树的多任务联邦学习框架


图片

图4 多任务联邦学习框架的模型训练过程


相关成果分别以“基于横纵向结合联邦学习和动态任务分配机制的多方分布式负荷预测”(A Hybrid Federated Learning Framework with Dynamic Task Allocation for Multi-Party Distributed Load Prediction)和“基于多任务梯度提升树的多地区联合负荷预测”(Boosted Multi-Task Learning for Inter-District Collaborative Load Forecasting)为题,发表于期刊《智能电网》(IEEE Transactions on Smart Grid),并在广东珠海供电局相关项目中实现部署,该项目也成为珠海首个应用联邦学习的电网项目。


TBSI2022级博士生刘海舟为论文的第一作者,TBSI张璇助理教授、清华大学深圳国际研究生院沈欣炜助理教授为论文的通讯作者。论文作者还包括清华大学电机工程与应用电子技术系孙宏斌教授,以及美国伊利诺伊理工大学Mohammad Shahidehpour教授。该研究由国家自然科学基金和深圳市科技项目联合支持,并得到了微众银行杨强院士和康焱博士的指导。


论文链接:

https://doi.org/10.1109/TSG.2022.3215742

https://doi.org/10.1109/TSG.2023.3266342




文:刘海舟、张璇、沈欣炜

封面设计:吴宇涛

编辑陈羽菲

审核:宋岩