ترجمه فارسی مقاله برآورد توزیع شده از نظر ارتباطات قوی و ایمن برای تولید برق خورشیدی پشت سر هم در سطح جامعه ناهمگن

چکیده

The rapid growth of behind-the-meter (BTM) solar power generation systems presents challenges for distribution system planning and scheduling due to invisible solar power generation. To address the data leakage problem of centralized machine-learning methods in BTM solar power generation estimation, the federated learning (FL) method has been investigated for its distributed learning capability. However, the conventional FL method has encountered various challenges, including heterogeneity, communication failures, and malicious privacy attacks. To overcome these challenges, this study proposes a communication-robust and privacy-safe distributed estimation method for heterogeneous community-level BTM solar power generation. Specifically, this study adopts multi-task FL as the main structure and learns the common and unique features of all communities. Simultaneously, it embeds an updated parameters estimation method into the multi-task FL, automatically identifies similarities between any two clients, and estimates the updated parameters for unavailable clients to mitigate the negative effects of communication failures. Finally, this study adopts a differential privacy mechanism under the dynamic privacy budget allocation strategy to combat malicious privacy attacks and improve model training efficiency. Case studies show that in the presence of heterogeneity and communication failures, the proposed method exhibits better estimation accuracy and convergence performance as compared with traditional FL and localized learning methods, while providing stronger privacy protection.

چکیده به فارسی (ترجمه ماشینی)

رشد سریع سیستم های تولید انرژی خورشیدی در پشت متر (BTM) چالش هایی را برای برنامه ریزی و برنامه ریزی سیستم توزیع به دلیل تولید انرژی خورشیدی نامرئی ایجاد می کند.برای پرداختن به مشکل نشت داده از روشهای یادگیری ماشین متمرکز در برآورد تولید انرژی خورشیدی BTM ، روش یادگیری فدرال (FL) برای توانایی یادگیری توزیع شده آن مورد بررسی قرار گرفته است.با این حال ، روش FL معمولی با چالش های مختلفی از جمله ناهمگونی ، خرابی ارتباطات و حملات حریم خصوصی مخرب روبرو شده است.برای غلبه بر این چالش ها ، این مطالعه یک روش تخمین توزیع شده از حریم خصوصی و حفظ حریم خصوصی را برای تولید انرژی خورشیدی در سطح ناهمگن در سطح جامعه ارائه می دهد.به طور خاص ، این مطالعه FL چند کاره را به عنوان ساختار اصلی اتخاذ می کند و ویژگی های مشترک و منحصر به فرد همه جوامع را می آموزد.به طور همزمان ، یک روش تخمین پارامترهای به روز شده را در FL چند وظیفه ای تعبیه می کند ، به طور خودکار شباهت هایی را بین هر دو مشتری مشخص می کند و پارامترهای به روز شده را برای مشتریان در دسترس برای کاهش اثرات منفی خرابی های ارتباطی تخمین می زند.سرانجام ، این مطالعه یک مکانیسم حفظ حریم خصوصی دیفرانسیل را تحت استراتژی تخصیص بودجه حریم خصوصی پویا برای مقابله با حملات حریم خصوصی مخرب و بهبود کارآیی آموزش مدل اتخاذ می کند.مطالعات موردی نشان می دهد که در صورت عدم وجود ناهمگونی و خرابی های ارتباطی ، روش پیشنهادی در مقایسه با روشهای یادگیری سنتی و یادگیری بومی شده ، دقت تخمین بهتر و عملکرد همگرایی را نشان می دهد ، در حالی که محافظت از حریم خصوصی قوی تر است.