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

【作者团队】Chenghao Huang, Weilong Chen, Xiaoyi Wang, Feng Hong, Shunji Yang, Yuxi Chen, Shengrong Bu, Changkun Jiang, Yingjie Zhou, Yanru Zhang

【发表日期】2022.6.23

【论文链接】https://arxiv.org/pdf/2206.11715.pdf

【推荐理由】短期负荷预测（STLF）在电力交易市场的运行中发挥着重要作用。考虑到对数据隐私的日益关注，最近研究中，联合学习（FL）越来越多地被用于为公用事业公司（UCs）训练STLF模型。在批发市场，由于发电厂（PPs）直接访问UCs的数据是不现实的，FL绝对是获得PPs准确STLF模型的可行解决方案。然而，由于FL的分布性和UCs之间的激烈竞争，缺陷越来越多，导致STLF模型的性能较差，这表明仅仅采用FL是不够的。本文提出了一种DRL辅助的FL方法，即缺陷感知联合软演员-评论家 （DearFSAC），用于为PPs稳健地训练精确的STLF模型，以预测精确的短期公用事业电力需求。首先。仅使用历史负载数据和时间数据设计了基于长-短期记忆（LSTM）的STLF模型。此外，考虑到缺陷发生的不确定性，采用深度强化学习（DRL）算法，通过减轻缺陷导致的模型退化来辅助FL。此外，为了更快地收敛FL训练，设计了一个自动编码器，用于降维和上传模型的质量评估。在模拟中，通过2019年赫尔辛基UCs的真实数据上验证了该方法。结果表明，无论是否出现缺陷，DearFSAC都优于所有其他方法。

内容中包含的图片若涉及版权问题，请及时与我们联系删除