Privacy-preserving, Lightweight, and Decentralized Load Forecasting in Smart Grid AMI Networks
Notice bibliographique
Résumé
Load forecasting (LF) in smart grids is beneficial not only in mitigating equipment failures and power outages but also in facilitating effective power dispatching and infrastructure planning. To predict future loads accurately, the consumers' fine-grained energy consumption readings are fed into machine-learning (ML) models. However, revealing these readings enables adversaries to deduce confidential information about consumers, including details about their lifestyle, and hence their privacy is violated. To address this privacy issue, the existing works only focus on using federated learning (FL)-based approaches to train and obtain an accurate global LF model. Nevertheless, addressing the privacy violation problem during the LF process (in the deployment phase) after obtaining the global model for AMI networks has not been well investigated yet. Therefore, this paper proposes a novel, efficient, and decentralized approach that enhances the precision of LF while safeguarding the privacy of consumers. The proposed scheme incorporates inner product functional encryption (IPFE) to allow smart meters (SMs) to encrypt their readings with no need for a trusted key distribution center (KDC) while allowing LF without divulging or acquiring knowledge of the consumers' readings to protect their privacy. In addition, a hybrid deep learning approach is developed to construct an LF model that can yield precise forecasts. To show the feasibility of the proposed scheme, the performance of our scheme was assessed on a real energy consumption readings dataset, and the results demonstrate proficiency in LF while providing robustness and privacy preservation with reasonable communication efficiency.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».