Secure and scalable power system event identification with renewable integration via federated LSTM and adaptive privacy mechanisms
Notice bibliographique
Résumé
The power system event detection process must accelerate and become more precise with increasing penetration of renewable energy systems into the grid. The authors discuss a federated learning LSTM (FL-LSTM) that serves as a secure detection system for distributed grid operations, keeping user data private. The federated model achieves better cross-grid generalization through the integration of system physical constraints, which operate under a physics-guided loss function that unites swing-equation consistency with ROCOF limits and frequency nadir bounds. To address privacy and noise sensitivity, we implement an adaptive differential privacy mechanism that modulates Gaussian noise per event stream based on event frequency, maintaining a global ( ɛ , δ )-DP budget while preserving rare-event sensitivity. This facilitates improved event detection without compromising data privacy. Simulations on the modified IEEE 39-bus system with varying renewable levels show that, compared to benchmark LSTM using central SCADA/DC data, the federated model converges faster, identifies events more accurately, and requires less communication. It preserves its distributed nature, stays robust to unseen events, and proves to be a strong candidate for privacy-preserving event detection in renewable-rich power systems. • FL-LSTM enables secure event detection across distributed power grids. • Physics-guided regularization boosts cross-grid model compatibility. • Adaptive DP balances privacy and accuracy based on event frequency. • Outperforms centralized LSTM in accuracy and communication efficiency. • Robust to unknown events in renewable-rich power systems.
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 ».