Deep Reinforcement Learning-Assisted Federated Learning for Robust Short-term Utility Demand Forecasting in Electricity Wholesale Markets

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ます。
データ プライバシーに対する懸念の高まりを考慮して、最近の研究では、公益事業会社 (UC) の STLF モデルをトレーニングするためにフェデレーテッド ラーニング (FL) を採用することが増えています。
感動的なことに、卸売市場では、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、FL は間違いなく PP の正確な STLF モデルを取得する実現可能なソリューションです。
しかし、FL の分散型の性質と UC 間の激しい競争により、欠陥がますます発生し、STLF モデルのパフォーマンス低下につながり、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ます。
この論文では、PP 向けの正確な STLF モデルを堅牢にトレーニングして、正確な短期公共事業電力需要を予測するための、DRL 支援 FL アプローチである DEfect-AwaRe フェデレーテッド ソフト アクター クリティック (DearFSAC) を提案します。
まず最初に。
過去の負荷データと時間データのみを使用して、長期短期記憶 (LSTM) に基づいて STLF モデルを設計します。
さらに、欠陥発生の不確実性を考慮し、深層強化学習（DRL）アルゴリズムを採用し、欠陥によるモデルの劣化を軽減することでFLを支援します。
さらに、FL トレーニングの収束を高速化するために、アップロードされたモデルの次元削減と品質評価の両方のために自動エンコーダーが設計されています。
シミュレーションでは、2019 年のヘルシンキの UC の実データでアプローチを検証しました。結果は、欠陥が発生するかどうかに関係なく、DearFSAC が他のすべてのアプローチよりも優れていることを示しています。

要約(オリジナル)

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.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google