Federated Learning Forecasting for Strengthening Grid Reliability and Enabling Markets for Resilience

我们提出了一种综合方法，以提高未来分布式能源资源丰富的电力网络的可靠性和韧性。我们的分布式方案将联邦学习为基础的攻击检测与基于本地电力市场的攻击缓解方法相结合。我们通过将其应用于富含太阳能光伏的真实配电网来验证该方案。模拟结果表明，该方法是可行的，并且可以成功缓解网络物理攻击的影响。

本论文旨在提出一种综合方法，以增加未来充满分布式能源资源的电网的可靠性和韧性。该方法结合联邦学习为基础的攻击检测和基于本地电力市场的攻击缓解方法。论文旨在验证该方案是否可行并能成功缓解网络攻击的影响。

本论文提出了一种分布式方案，将联邦学习的攻击检测与基于本地电力市场的攻击缓解方法相结合，以提高电网的可靠性和韧性。

本论文使用了一个真实的分布式电网作为案例研究，并进行了模拟实验以验证该方法的可行性和有效性。同时，论文还探讨了该方法的局限性和未来的研究方向。

最近在这个领域中，还有一些相关研究，如《Distributed Control and Optimization for Renewable Energy Integration in Microgrids: A Survey》、《A Review on Distributed Energy Resources Integration and Demand Side Management in Modern Power Systems》等。