Konsep Inti
中央集権的なDLモデルに代わる、プライバシー保護を重視した効率的なリアルタイムの瞬時安定性評価手法を提案。
Abstrak
電力システムデータのプライバシー保護が重要であり、中央集権的DL TSAフレームワークはリスクをもたらす。この論文では、各地域のユーティリティがそれぞれのデータセットを使用して独自のTSAモデルをトレーニングし、そのパラメータを中央サーバーに送信するフェデレーテッドDLベースのTSAフレームワークが紹介されている。この手法は地元ユーティリティデータの完全性を保ち、サイバー攻撃から守りつつ、地元TSAモデルトレーニングに必要な計算資源を削減する。提案手法はIEEE 39バステストシステムを持つ4つの地元クライアントでテストされている。
Statistik
電力グリッド全体で利用可能な豊富なデータはDLモデルの精度向上に貢献する。
中央集権的なDLモデルは計算資源が必要であり、サイバー攻撃や通信障害に脆弱である。
フェデレーテッド学習は分散されたデータソース間でMLモデルトレーニングを容易にし、プライバシーとセキュリティを確保する。
Kutipan
"The proposed approach not only preserves the integrity of local utility data, making it resilient against cyber threats but also reduces the computational demands for local TSA model training."
"Federated learning (FL) is a DL technique that is utilized to tackle the above-mentioned challenges in centralized DL models."
"In response to these emerging challenges, there is a growing need for an efficient, computationally feasible, and well-protected real-time TSA platform capable of effectively assessing the operational state of the power system."