新型电力系统下联邦学习的应用与展望研究综述

Review on Applications and Prospects of Federated Learning in New Power Systems

摘要

在新型电力系统建设背景下，海量数据拥有者具有多源异构的数据资源，但是出于对数据资产与隐私安全的担忧，数据拥有者之间通常存在“数据孤岛”问题。作为一种新型的分布式机器学习技术，联邦学习能够有效帮助多个数据拥有者在满足隐私保护、数据安全和政府法规的前提下，进行数据共享和机器学习建模，因此，对于新型电力系统相关业务场景的人工智能模型构建与数据价值挖掘具有重大意义。在此背景下，本文针对近年来联邦学习在新型电力系统中的应用现状、存在的问题与挑战，以及未来的技术研究方向进行了系统综述。首先，对联邦学习的基本概念、分类、适用场景进行了简要概述。根据数据样本在不同参与方之间的数据特征空间和样本空间的分布情况，联邦学习通常可被划分为横向联邦学习、纵向联邦学习、联邦迁移学习。然后，针对新型电力系统背景下数据拥有者面临的数据安全共享问题，详细阐述了当前联邦学习在新型电力系统各业务场景中的应用现状。其中：横向联邦学习的应用场景主要包含源荷预测、用户用电行为分析、电力系统网络安全防护、电网调度优化、电网安全稳定评估等；纵向联邦学习的应用场景主要包含配电网/微电网运行控制、车网互动与电动汽车等；联邦迁移学习的应用场景主要包含负荷预测、电力设备故障诊断、建筑楼宇调节能力评估、电力安全防护装备检测等。进一步地，深入分析了目前联邦学习在新型电力系统应用中存在的问题与不足。其中：在通信方面，联邦学习面临计算资源的异构性、模型的参数规模巨大、客户端数量庞大等挑战，易造成其通信效率下降；在隐私与安全方面，联邦学习面临信息泄露、恶意攻击等问题，从而影响其可信性与可靠性；在模型方面，联邦学习存在模型训练效果不佳、模型泛化能力不足等问题，会使其模型性能降低，难以满足不同参与方的差异化需求。最后，针对当前联邦学习面临的挑战与问题，对基于模型压缩与异步更新机制的分层联邦学习、基于区块链和个性化差分隐私的联邦学习、基于客户端选择的个性化联邦学习3个未来联邦学习的研究方向进行了展望，以期为“双碳”目标下新型电力系统的数据价值挖掘提供建设性参考。

Abstract

Significance Against the background of new power system development, massive amounts of multi-source heterogeneous data are distributed across multiple data owners. However, concerns regarding data ownership and privacy protection often lead to the formation of "data silos" among these owners. Meanwhile, electric power data, as critical information closely related to national security and economic development, has become a key production factor supporting the development of new power systems. As a distributed machine learning paradigm, federated learning enables multiple data owners to perform collaborative model training and data sharing while preserving data privacy, ensuring data security, and complying with regulatory requirements. Therefore, federated learning is of great significance for artificial intelligence modeling and data value mining in various application scenarios of new power systems. Progress In this context, this study conducted a systematic review of the recent applications of federated learning in new power systems, as well as the existing challenges and future research directions. First, the basic concepts, classifications, and application scenarios of federated learning were briefly introduced. According to the distribution of feature and sample spaces among different participants, federated learning can generally be categorized into horizontal federated learning, vertical federated learning, and federated transfer learning. Horizontal federated learning is applicable to scenarios in which participants share the same feature space but have different sample spaces. Vertical federated learning is suitable for scenarios in which participants share the same sample space but have different feature spaces. Federated transfer learning is applicable to scenarios with limited overlap in both the feature and sample spaces among participants. Subsequently, to address the secure data-sharing challenges faced by data owners in new power systems, the current applications of federated learning in various business scenarios were reviewed in detail. Specifically, the main application scenarios of horizontal federated learning include renewable energy generation and load forecasting, electricity consumption behavior analysis, power system cybersecurity, power network dispatch and optimization, and power network security and stability assessment. The primary application scenarios of vertical federated learning include the operation and control of distribution networks and microgrids, as well as vehicle-to-grid interaction and electric vehicles. Federated transfer learning has been mainly applied to load forecasting, power equipment fault diagnosis, regulation capability assessment of buildings, and power safety equipment inspection. At present, federated learning has been applied across nearly all fundamental components of new power systems. The review further indicates that, with increasing diversity of stakeholders in new power systems, selecting an appropriate federated learning framework requires comprehensive consideration of data characteristics, computational resources, privacy protection requirements, and application-specific demands. Consequently, customized federated learning solutions should be developed for different application scenarios. Furthermore, considering the characteristics of new power systems, including stringent real-time requirements, high standards for data privacy and security, and increasing demands for personalized services for business models, this study analyzed the major challenges facing federated learning applications. From the perspective of communication, practical large-scale deployment is hindered by heterogeneous computing resources, large model sizes, and numerous participating clients, resulting in reduced communication efficiency. From the perspective of privacy and security, although various encryption techniques have been adopted to protect data privacy, federated learning remains vulnerable to information leakage and malicious attacks, which affect its credibility and reliability. From the perspective of model training, the non-independent and identically distributed nature of data across participants, together with the emphasis of conventional federated learning on learning a single global model, often leads to poor training performance, limited model generalization, and difficulty in satisfying the personalized requirements of individual participants. Conclusions and Prospects Finally, in view of the challenges facing federated learning, this study outlined three promising future research directions: hierarchical federated learning based on model compression and asynchronous update mechanisms, federated learning integrating blockchain and personalized differential privacy, and personalized federated learning based on client selection. These directions provide valuable references for data value mining in new power systems under the goals of "dual carbon". Although federated learning has great potential to promote the digital transformation of new power systems, its practical implementation and large-scale deployment still require effective solutions to challenges such as ensuring the stability of power communication networks, establishing a universal federated learning platform for power systems, and developing technical standards and specifications for federated learning in order to achieve its widespread application.

Graphical abstract

关键词

新型电力系统 / 数据孤岛 / 联邦学习 / 隐私保护 / 数据价值挖掘

Key words

new power system / data silo / federated learning / privacy protection / data value mining

本刊网刊

随着“双碳”政策的实施，推进能源行业数字化转型与构建以新能源为主体的新型电力系统势在必行，并且对“双碳”目标的实现具有至关重要的意义^[1‒2]。与此同时，在新型电力系统的数智化发展建设过程中，由于智能量测设备的广泛部署和通信水平的快速提升，海量多源异构的电力数据在电网公司、电力设备制造商、聚合商、微电网运营商、电力用户等多元主体（即数据拥有者）中迅速积累，为人工智能应用与数据价值挖掘提供了丰富的数据基础^[3‒4]。

在当前的数据流通使用和数据资产化的过程中，很多国家逐渐重视数据的安全性和经济性，数据的隐私保护问题日益受到关注^[5]。例如：欧盟于2018年提出了《通用数据保护条例》（GDPR），旨在保护用户个人隐私数据，并规范数据使用方式；中华人民共和国全国人民代表大会常务委员会在2020年审议通过了《中华人民共和国数据安全法（草案）》，鼓励数据依法、合理、有效利用，保障数据依法有序自由流动，促进以数据为关键要素的数字经济发展，增进人民福祉；中共中央、国务院在2022年发布了《关于构建数据基础制度更好发挥数据要素作用的意见》，强调建立安全可控、弹性包容的数据要素治理制度。由于电力数据是一种与国家安全和经济发展密切相关的重要数据，所以，在流通使用方面具有更加苛刻的数据安全限制与约束，以确保不会发生信息泄露等威胁国家安全的重大事件。并且，保障新型电力系统的数据安全是新型电力系统网络安全防护的重要环节，如果按照传统的电力数据挖掘方式（即直接将电力数据共享）开展应用分析，不可避免地将会造成数据滥用。虽然，上述法律法规的相关要求能够保证数据安全，但是，在很大程度上也限制了数据交互和信息挖掘，从而造成了数据拥有者之间的“数据孤岛”问题。

作为一种面向隐私保护的机器学习范式，联邦学习能够实现数据可用而不可见，其通过数据加密处理，可以在挖掘数据本身信息的同时不泄露数据隐私，从而有效保护数据拥有者的数据安全^[5]。近年来，联邦学习在医疗、金融、广告推荐、智能制造等领域已经得到了广泛应用，并取得了良好成效^[6‒9]。当前，联邦学习作为一种涉及密码学、信息与通信工程、计算机科学等多学科交叉融合的新兴技术，其在电力领域尚处于研究与探索应用的初步阶段。

因此，在此背景下，本文首先对联邦学习进行简要介绍；然后，针对新型电力系统发展与建设背景下数据拥有者面临的数据安全共享问题，着重阐述当前联邦学习在新型电力系统各业务场景中的应用现状；继而，深入分析目前联邦学习在新型电力系统应用中存在的问题与不足；最后，针对联邦学习面临的多重挑战，对未来联邦学习研究的发展方向进行展望，旨在促进“双碳”目标下新型电力系统的数据安全共享与信息挖掘。图1为联邦学习在新型电力系统中应用的研究框架。

1 联邦学习

1.1 基本概念与分类

联邦学习是利用分散在不同参与方（即数据拥有者）的数据集，通过隐私保护技术融合多方数据信息，协同构建全局模型的一种分布式机器学习技术，最早由Google公司的McMahan提出^[10]。联邦学习的核心理念是“数据不动而模型动，数据可用而不可见”，在能够保证数据不出本地的前提下，实现各参与方之间协同构建训练模型的目的，即：在联邦学习中数据不出本地可以很好地保护各参与方的隐私和数据安全；并且，可以充分利用各参与方的数据协同训练模型。

联邦学习包括两个过程，分别是模型训练和模型推理。在模型训练过程中，每个参与方在本地使用各自的数据集进行模型训练，模型参数在所有参与方之间进行交换，从而使各参与方可以进行模型更新并继续模型训练，最终获得能够多方共享的联邦学习模型。在此过程中，模型参数将以加密形式在所有参与方之间进行交换，但本地训练数据不会离开本地（或者参与方），从而降低数据泄露的风险；并且，各参与方的模型参数将依据不同应用场景以相应的模型聚合算法进行聚合计算。在模型推理过程中，各参与方将训练良好的联邦学习模型应用于新的数据实例。

目前，经典的联邦学习模型参数安全加密算法主要包括差分隐私、同态加密等。其中，差分隐私的核心思想是针对隐私数据添加噪声，从而保护用户的隐私。假设A是一个随机算法，对于任意两个相邻数据集D₁和D₂，若算法A满足式（1）则称算法A是\epsilon‒差分隐私^[11]。

\mathrm{P}\mathrm{r}[A(D_{\mathrm{1}})\in S]\le {\mathrm{e}}^{\epsilon }\cdot \mathrm{P}\mathrm{r}[A(D_{\mathrm{2}})\in S]（1）

式中，\epsilon为隐私预算，S为算法A的任意可能的输出结果集合，\mathrm{P}\mathrm{r}[\cdot ]表示概率，e为自然常数。然而，同态加密的核心思想在于不用直接访问被加密数据的原文，对密文的操作结果解密后即得到明文的操作结果。假设m₁和m₂分别是加密之前的明文，\mathrm{E}\mathrm{n}(\cdot )和\mathrm{D}\mathrm{e}\mathrm{c}(\cdot )分别表示加密和解密操作，对m₁和m₂分别加密得到c_{\mathrm{1}}=\mathrm{E}\mathrm{n}(m_{\mathrm{1}})和c_{\mathrm{2}}=\mathrm{E}\mathrm{n}(m_{\mathrm{2}})，再对密文进行解密得到^[11]：

\mathrm{D}\mathrm{e}\mathrm{c}(c_{\mathrm{1}}\oplus c_{\mathrm{2}})=m_{\mathrm{1}}\oplus m_{\mathrm{2}}（2）

式中，\oplus表示某种特定运算。

一般而言，经典的联邦学习模型聚合算法主要包括联邦平均聚合、加权联邦平均聚合等。其中，联邦平均聚合是最常用的模型聚合算法，其核心思想是中央服务器对客户端模型进行平均聚合，以形成全局模型，具体数学式为^[11]：

{\omega }_t={\displaystyle \sum _{k=\mathrm{1}}^K}\frac{\mathrm{1}}{K}{\omega }_t^k（3）

式中，{\omega }_t为在第t轮次的全局模型参数，{\omega }_t^k为客户端k在第t轮次的模型参数，K为客户端数量。加权联邦平均聚合是联邦平均聚合的一种改进形式，其核心思想是中央服务器根据客户端的样本数量在模型聚合时赋予客户端模型不同权重，具体数学式为^[11]：

{\omega }_t={\displaystyle \sum _{k=\mathrm{1}}^K}\frac{n_k}{N}{\omega }_t^k（4）

式中：n_k 为客户端k的本地样本数量；N为所有客户端的本地样本数量之和，N={\displaystyle \sum _{k=\mathrm{1}}^K}{n}_k。

此外，根据数据样本在不同参与方之间的数据特征空间和样本空间的分布情况，联邦学习通常可以划分为横向联邦学习（HFL）、纵向联邦学习（VFL）、联邦迁移学习（FTL）3大类^[12]。其中，横向联邦学习、纵向联邦学习、联邦迁移学习适用条件的具体数学式分别为：

\left\{\begin{array}{l}{X}_i=X_j,\\ Y_i=Y_j,\\ I_i\ne I_j\end{array}\right.\forall D_i,D_j,i\ne j（5）

\left\{\begin{array}{l}{X}_i\ne X_j,\\ Y_i\ne Y_j,\\ I_i=I_j\end{array}\right.\forall D_i,D_j,i\ne j（6）

\left\{\begin{array}{l}{X}_i\ne X_j,\\ Y_i\ne Y_j,\\ I_i\ne I_j\end{array}\right.\forall D_i,D_j,i\ne j（7）

式（5）～（7）中，X_i 和X_j 分别为参与方i、j的特征空间，Y_i 和Y_j 分别为参与方i、j的标签空间，I_i 和I_j 分别为参与方i、j的样本空间，D_i 和D_j 分别为参与方i、j的数据集。

1.2 适用场景

在新型电力系统应用场景中，横向联邦学习适用于各参与方的数据集有相同的特征空间和不同的样本空间的应用场景。例如，基于横向联邦学习，不同新能源场站运营商使用各自的新能源功率数据和气象数据，协同训练新能源功率预测模型。纵向联邦学习适用于各参与方的数据集有不同的特征空间和相同的样本空间的应用场景。例如，电网公司协同热力公司与燃气公司分别使用各自的电力数据、热力数据、燃气数据，通过纵向联邦学习，联合构建综合能源系统协同优化管理模型。联邦迁移学习适用于各参与方的特征空间和样本空间均有较少重叠的应用场景。值得注意的是，联邦迁移学习在本质上是联邦学习与迁移学习的有机融合，其将传统的迁移学习扩展到面向隐私保护的分布式机器学习范式中，旨在处理超出现有横向联邦学习与纵向联邦学习能力范围的应用场景。例如，源域多个电网公司使用各自的安全防护装备监控视频数据，基于联邦迁移学习，结合目标域电网公司的安全防护装备监控视频数据，共同建立面向目标域电网公司的电力安全防护装备检测模型。

2 联邦学习在新型电力系统中的应用现状

2.1 横向联邦学习

横向联邦学习在新型电力系统中的应用场景主要为源荷（负荷）预测、用户用电行为分析、电力系统网络安全防护、电网调度优化、电网安全稳定评估等。

表1为横向联邦学习在新型电力系统中的应用现状。图2为横向联邦学习在源荷预测场景中的应用示意图。

1）源荷预测应用场景

源荷预测应用场景具体包括新能源功率预测、负荷预测等细分场景^[13‒21]。在新能源功率预测方面，Ahmadi等^[13]利用横向联邦学习，基于风电功率数据和气象数据，采用长短期记忆神经网络，实现超短期风电功率预测。Gupta等^[14]提出一种面向隐私保护的新能源功率预测安全框架，该框架利用横向联邦学习，应用长短期记忆神经网络，分别预测太阳辐射和风速，继而使用传统机理预测模型，实现光伏与风力发电功率预测。

在负荷预测方面，Shi等^[15]提出一种基于横向联邦学习的短期区域负荷预测框架，该框架使用改进的猎食者优化算法提升小波神经网络的泛化能力与预测精度，并通过差分隐私算法防止模型参数遭受潜在的网络攻击，从而保护电网公司数据安全。为避免横向联邦学习过程中全局模型过拟合与无法收敛，Park等^[19]采用长短期记忆神经网络构建各参与方的居民负荷预测模型，并基于模型性能评估筛选训练良好的本地模型，进而实现全局模型参数更新，以提升全局模型的收敛速度与预测精度。此外，焦润海等^[21]提出一种基于数据分解的多区域个性化联邦负荷预测方法，该方法通过数据分解、分量选择和个性化联邦学习，构建考虑共性特征的全局模型和个性特征的本地模型，在保护各区域数据隐私的前提下，提高区域负荷预测的准确度；其实验结果表明，相比于传统联邦学习，该方法的平均绝对百分比误差平均降低1.67%。

2）用户用电行为分析应用场景

用户用电行为分析应用场景具体包括非侵入式负荷监测、需求响应基线负荷估计、窃电检测、用户特性辨识等细分场景^[22‒28]。例如：Lin等^[22]提出一种基于横向联邦学习的社区表后光伏发电分解方法，该方法使用贝叶斯神经网络构建能源分解概率模型，以捕捉光伏发电的不确定性，并在联邦学习模型更新过程中，使浅层网络参数在中央服务器上共享与聚合，而深层网络参数保留在各参与方本地，从而达到兼顾社区之间共性特征与个性特征的目的。同样地，Wang等^[23]利用横向联邦学习，应用卷积神经网络，实现面向居民用户与工业用户的非侵入式负荷监测。针对不同条件下居民负荷基线难以准确估计的问题，Wang等^[24]提出一种基于横向联邦学习的需求响应基线负荷估计方法，通过自适应调节学习率，以稳定全局模型聚合过程并改善模型泛化性，从而提升居民基线负荷估计的精度。Wen等^[25]提出一种面向窃电检测的横向联邦学习框架，在保护数据隐私的前提下能够提升模型训练速度与检测准确率；该框架使用轻量化的本地差分隐私算法，保护各参与方原始数据安全，并融合使用改进的同态加密与C-L签名，确保各参与方模型参数安全；其实验结果表明，相比于集中式方法，该框架的检测准确率平均提升0.5%。此外，Wang等^[28]提出一种基于横向联邦学习的分布式用户特性辨识方法，在各参与方联邦协同训练中，先采用联邦化的主成分分析方法来提取原始负荷数据的重要特征，再进一步使用人工神经网络，结合加权联邦平均聚合算法，挖掘负荷数据特征与用户特性之间的复杂非线性关系，进而实现电力用户特性辨识。

3）电力系统网络安全防护应用场景

电力系统网络安全防护应用场景具体包括虚假数据注入攻击检测、投毒攻击检测等细分场景^[29‒31]。例如：Zhao等^[29]针对多种网络攻击类型，提出一种基于横向联邦学习的光伏场站虚假数据注入攻击检测方法；其实验结果表明，该方法的检测准确率为97%，本地模型更新的执行时间为秒级，每轮通信成本为集中式方法的0.35%，在检测准确性、计算效率、通信开销方面具有显著的优越性。Taheri等^[31]利用电压、频率等电网运行数据构建输入特征，通过横向联邦学习协同训练本地的人工神经网络模型，实现投毒攻击检测，以确保虚拟电厂运行的稳定性与安全性。

4）电网调度优化应用场景

电网调度优化应用场景具体包括场景生成、分布式电源协同优化等细分场景^[32‒33]。Li等^[32]提出一种面向可再生能源场景生成的横向联邦学习框架，在保证数据隐私安全的前提下，通过最小二乘生成对抗网络来捕捉可再生能源的时空特性，使所生成的场景遵循历史数据分布，从而提升模型训练稳定性与场景生成质量。另外，针对分布式电源优化调度面临的隐私保护和实时决策问题，蒲天骄等^[33]提出一种基于联邦强化学习的多智能体分布式协同优化方法，其实验结果表明，相比于传统的近端策略优化方法，该方法的成本减少2.46%，且在离线训练时各智能体仅利用局部信息即可实现在线全局优化，并能够保证实时决策和调度策略的安全性。

5）电网安全稳定评估应用场景

电网安全稳定评估应用场景具体包括电网动态安全评估、惯量估计等细分场景^[34‒37]。例如：为解决传统集中式机器学习架构可扩展性有限、数据隐私容易暴露的难题，Ren等^[34]提出一种基于横向联邦学习与差分隐私的分布式动态安全评估方法，实现精准的电网稳定性状态预测与估计；该方法采用基于高斯机制的差分隐私保护数据安全，并使用一种自适应的通信轮次控制机制，以减少联邦学习计算负担；其实验结果表明，相比于未采用差分隐私的横向联邦学习，该方法的评估准确度平均提升1%、计算负担降低66%。类似地，Ren等^[35‒36]基于电网运行数据，采用横向联邦学习，结合量子密钥分发、差分隐私等安全加密算法，通过深度神经网络构建电网动态安全评估模型，进而预测与估计电网稳定性状态。此外，Poudyal等^[37]提出一种面向区域惯量估计的横向联邦学习框架，基于本地的频率数据，采用卷积神经网络进行惯量估计建模，从而实现各区域的惯量估计。

6）其他应用场景

除上述应用场景之外，横向联邦学习在电动汽车充电管理、微电网能量管理、电力设备故障诊断、综合能源系统需求响应等场景也有所应用^[38‒42]。其中：Chu等^[38]提出一种面向居民社区电动汽车充电管理的联邦强化学习框架，该框架考虑用户充电焦虑、电池退化等多重因素来构建电动汽车充电偏好模型，采用柔性动作评价算法求解获得电动汽车充电协同调度方案，并通过横向联邦学习分布式优化训练柔性动作评价算法，从而确保整个框架的可扩展性及参与方的隐私安全。Li等^[39]基于微电网能量运行数据建立微电网能量管理模型，并结合近端策略优化算法与横向联邦学习进行模型快速优化求解，最终实现微电网经济成本最小化与自身能量充足。考虑到各参与方拥有的非独立同分布不平衡数据会导致模型性能严重下降，郭方洪等^[40]提出一种基于横向联邦学习的含不平衡样本数据电力变压器故障诊断方法，以提高联邦学习故障诊断模型性能；该方法采用LeNet-5深度神经网络进行本地训练，中央服务器将本地模型进行聚合，同时引入改进的数据共享策略对云端共享数据进行选择性下发，以降低非独立同分布数据的不平衡性。另外，针对拥有冷热电设备和负荷的配网侧综合能源系统，郭光华等^[42]提出一种基于横向联邦学习的综合能源系统集成需求响应机制，实现需求响应成本的优化；其实验结果表明，相比于分布式摄动原对偶梯度法，该机制的收敛误差减少0.68%，迭代时间缩短24.8%，具有较好的成本优势与较高的计算效率。

综上，针对横向联邦学习在新型电力系统中的应用，目前国内外研究人员已经开展了比较广泛深入的学术研究。在应用场景方面，重点涉及源荷预测、用户用电行为分析、电网安全稳定评估等不同场景。在参与方多样性方面，主要包含电网公司、电力用户、新能源场站运营商、虚拟电厂运营商等多元主体，聚焦相同主体之间的数据安全共享。在数据类型方面，涵盖电网运行数据、新能源功率数据、负荷数据、电力设备监测数据等不同种类数据。在算法模型方面，横向联邦学习主要包括传统机器学习、长短期记忆神经网络、卷积神经网络、全连接神经网络等人工智能模型；采用联邦平均聚合、加权联邦平均聚合等聚合算法实现模型融合；同时，使用有机结合差分隐私、同态加密、Paillier半同态加密等安全加密算法，以确保各参与方的数据安全。

2.2 纵向联邦学习

纵向联邦学习在新型电力系统中的应用场景主要为配电网/微电网运行控制、车网互动与电动汽车等。表2为纵向联邦学习在新型电力系统中的应用现状。图3为纵向联邦学习在综合能源系统协同优化管理场景中应用的示意图。

1）配电网/微电网运行控制应用场景

配电网/微电网运行控制应用场景具体包括配电网电压控制、微电网协同优化运行、微电网运行控制等细分场景^[43‒45]。例如：Liu等^[43]提出一种基于纵向联邦学习的配电网电压控制方法，通过电网运行数据，协同各虚拟电厂运营商共同训练柔性动作评价模型，实现配电网电压分布式控制；其实验结果表明，该方法不仅能提升可扩展性与隐私性，而且能保证模型收敛效果。针对分属不同利益主体的微电网构成的微电网群在隐私保护下的协同优化运行问题，周毅斌等^[44]提出一种基于纵向联邦学习的多主体微电网群协同优化运行与策略进化方法，以提升微电网群整体经济效益，并保证各利益主体的利益合理分配。此外，Mukherjee等^[45]提出一种基于纵向联邦强化学习的逆变器电压控制方法，实现微电网弹性运行控制，该方法能有效缓解对抗攻击对微电网运行的影响。

2）车网互动与电动汽车应用场景

车网互动与电动汽车应用场景具体包括车网互动、电动汽车充电站推荐等细分场景^[46‒47]。Wang等^[46]提出一种融合纵向联邦学习与深度强化学习的交通网与电网动态协同定价方法，实现车网互动与城市低碳减排；其中，基于差分隐私的纵向联邦学习框架能保护电网公司和交通网运营商的敏感信息，深度强化学习模型能挖掘时变的交通需求和电力需求，以确定最优价格信号。Teimoori等^[47]通过纵向联邦学习，有机结合充电站监测数据和电动汽车监测数据，在确保电动汽车用户与充电站运营商的数据安全前提下，采用传统机器学习算法构建电动汽车充电站推荐模型，并使用区块链技术生成可信网络以传输本地模型训练参数，从而实现提升模型安全性的目的；其实验结果表明，相比于集中式方法，该方法的通信延迟缩短5.2 s，具有更优的推荐效果及更高的通信效率。

3）其他应用场景

除上述应用场景之外，纵向联邦学习在综合能源系统协同优化管理、虚假数据注入攻击检测、计量装置故障诊断、电费回收风险预测等场景也有所应用^[48‒50]。其中：陈明昊等^[48]基于深度Q网络强化学习算法建立一种综合考虑居民社区实时负荷大小、能源销售与采购价格的能源系统优化管理模型，并针对不同能源系统之间的数据壁垒现象，提出一种基于纵向联邦学习的居民社区综合能源系统协同训练方法；该方法能在3种能源系统优化管理模型的训练过程中，通过交互模型的网络梯度等参数信息提升模型的训练速度。Kesici等^[49]通过纵向联邦学习，有机结合各参与方的电压、功率等电网运行数据，利用基于注意力机制的混合深度神经网络挖掘数据时空特征，从而进行配电网虚假数据注入攻击检测；其实验结果表明，该方法的准确率为99.88%、召回率为99.75%，与集中式方法的性能基本相近。另外，考虑到电力计量系统中各数据拥有者之间存在信息安全问题而难以实现数据整合的情况，郑楷洪等^[50]提出一种基于纵向联邦学习的分布式训练框架，实现电力计量数据联合分析；该框架能在保证每个本地电力数据信息安全的前提下，构建去中心化数据的集合及联合多方数据，进而利用加密后的中间参数，完成多源数据对人工智能模型的共同训练，并针对计量装置故障诊断和电费回收风险预测两个业务场景，证明其实用性与可行性。

综上所述，相比于横向联邦学习，纵向联邦学习在新型电力系统中的应用研究较少，重点涉及配电网/微电网运行控制、车网互动与电动汽车等不同场景。在参与方多样性方面，主要包含电网公司、微电网运营商、交通网运营商、充电站运营商等多元主体，聚焦不同主体之间的数据安全共享。在数据类型方面，涵盖电网运行数据、微电网运行数据、交通网状态数据、充电站监测数据等不同种类数据。在算法模型方面，纵向联邦学习主要包括深度强化学习、纵向联邦神经网络等人工智能模型，利用基于中间计算结果的聚合、基于损失和梯度的聚合等聚合算法来融合各参与方的模型参数，并使用基于高斯机制的差分隐私、Paillier全同态加密、安全掩码等安全加密算法实现隐私保护，其往往适用于不同主体之间基于各自不同类型的数据进行联合决策与判断的应用场景。

2.3 联邦迁移学习

联邦迁移学习在新型电力系统中的应用场景主要为负荷预测、电力设备故障诊断、建筑楼宇调节能力评估、电力安全防护装备检测等^[51‒58]。

表3为联邦迁移学习在新型电力系统中的应用现状。图4为联邦迁移学习在电力设备故障诊断场景中应用的示意图。

在负荷预测方面，Ali等^[51]提出一种基于联邦迁移学习的超短期楼宇负荷预测方法，分别采用人工神经网络、卷积神经网络、长短期记忆神经网络、门控循环单元神经网络等算法挖掘负荷潜在模式，并进行模型预测精度比较分析。针对新型电力系统负荷预测协同建模面临通信成本高的问题，Wang等^[52]提出一种基于高效联邦迁移学习的负荷预测方法，通过深度动态阈值压缩感知技术实现模型梯度压缩，从而改善联邦迁移学习通信效率。类似地，考虑到居民负荷预测的联邦学习建模存在不同居民的负荷数据呈现非独立同分布的问题，Shi等^[53]提出一种基于联邦迁移学习的自适应短期居民负荷预测方法。

在电力设备故障诊断方面，针对气体绝缘开关设备故障诊断的联合建模面临隐私保护和领域偏移的问题，Wang等^[54]提出一种面向气体绝缘开关设备绝缘缺陷检测的联邦迁移学习框架，通过联邦对抗学习实现领域自适应与数据隐私保护，同时，使用联邦最小最大优化聚合算法进行全局模型聚合，以解决各参与方之间样本不平衡造成的梯度漂移问题，从而提升全局模型诊断准确度；其实验结果表明，相比于经典的联邦学习，该框架的诊断准确率提升34.47%。Yang等^[55]基于风力发电机运行监测数据构建输入特征，采用卷积神经网络构建风力发电机故障诊断模型，通过有机融合联邦学习与迁移学习进行模型协同训练，实现风力发电机运行状态检测与分析。同样地，Han等^[56]提出一种面向锂离子电池健康状态估计的动态加权联邦迁移方法。

此外，为提升模型泛化能力并解决数据不足问题，Wang等^[57]有机融合联邦学习与迁移学习，采用多层感知器建立建筑楼宇暖通空调（HVAC）系统调节能力评估模型，同时，利用Paillier同态加密，保证通信安全并能提供身份认证；其实验结果表明，相比于传统的多层感知器方法，该方法的误差平均减少62%，其评估准确度具有显著的优越性。针对电力安全防护装备检测面临精度低、延迟高、隐私泄露的问题，Wang等^[58]提出一种基于联邦迁移学习的个性化电力安全防护装备检测方法，通过本地批量正则化与动态加权构建面向源域的个性化联邦模型，并采用联邦对抗学习建立面向目标域的轻量化联邦领域自适应模型，同时，结合Paillier同态加密与秘密共享算法，确保模型参数安全。

总体而言，联邦迁移学习在新型电力系统中的应用场景相对较匮乏。在参与方多样性方面，主要包含电网公司、电力用户、电力设备制造商等多元主体。在数据类型方面，涵盖负荷数据、气象数据、电力设备监测数据等不同种类数据。在算法模型方面，联邦迁移学习主要包括传统机器学习、深度神经网络等人工智能模型；使用联邦最小最大优化聚合、改进的加权联邦平均聚合等聚合算法实现各参与方之间的模型融合；同时，应用Paillier同态加密、秘密共享等安全加密算法来保护数据安全，其重点聚焦相同主体之间在隐私保护的前提下实现知识迁移与共享。

2.4 联邦学习在新型电力系统中的应用现状总结

目前，联邦学习的应用场景涵盖新型电力系统的“发、输、变、配、用”全部基本环节。由第2节的现状分析可见，随着新型电力系统中多元主体的不断涌现，在联邦学习技术类别选型时，需要综合考虑不同主体的数据类型、计算资源、隐私保护强度及场景需求等方面，有针对性、高度定制化地提出不同的联邦学习解决方案。

此外，横向联邦学习重点聚焦电网公司、电力用户、新能源场站运营商、负荷聚合商等相同主体之间的同构数据联合建模，但由于横向联邦学习中相同主体的数量规模较大，其通常存在通信效率较低的局限性。相比于横向联邦学习，纵向联邦学习则重点聚焦于电网公司、热力公司、燃气公司、交通网运营商等不同主体之间的异构数据联合建模，其协同训练的人工智能模型呈现极高的逻辑复杂性，因此为保证模型的训练效果，通常面临模型参数安全加密强度不足的挑战。不同于横向联邦学习和纵向联邦学习，联邦迁移学习重点聚焦于相同主体之间在隐私安全保护前提下由源域数据向目标域数据的特征与知识迁移，然而，由于源域与目标域之间数据分布的差异可能影响全局模型的优化，易出现目标域个性化模型性能不佳问题。

3 联邦学习在新型电力系统应用中存在的问题

目前，虽然联邦学习在新型电力系统应用中的研究已经取得一系列的进展与成果，但由于新型电力系统呈现出对应用场景实时性、数据隐私安全性、业务模型个性化要求高等典型特点，因此联邦学习在通信、隐私与安全、模型3个方面仍然存在一定程度的问题。

3.1 联邦学习通信问题

通信能力是联邦学习在新型电力系统中实际且广泛应用落地的关键保证^[59]。目前，计算资源异构、模型参数规模、客户端（或参与方）数量是影响联邦学习通信效率的3个核心因素^[60‒61]。

首先，在实际应用中，由于主站服务器、智能边缘设备等电网不同计算节点的软硬件具有一定的异构性，加之联邦学习模型训练主要采用同步更新机制，使并行训练方式变得难以实现，其中，部分客户端模型训练时间长、网络带宽低、通信延迟高，甚至发生突然离线或掉队现象而无法及时上传模型参数，造成中央聚合服务端等待时间过长，从而严重影响联邦学习的通信效率。

其次，考虑到新型电力系统业务场景的复杂性，数据驱动的人工智能模型（尤其是深度神经网络）通常需要大量的训练数据以挖掘其深层的潜在模式与规律，使联邦学习模型的参数规模巨大（例如，数百万甚至数千万），客户端与中央服务端之间的通信链路面临严重的通信开销，进而导致联邦学习的通信效率降低。

最后，新型电力系统中，电力用户、微电网运营商、负荷聚合商等庞大的客户端群体也会造成潜在的通信压力，其核心原因在于，在同步更新机制下，联邦学习可能出现短时间内大量客户端同时上传模型参数的现象，使通信链路产生拥塞情况，继而造成联邦学习的通信效率下降。

对于联邦学习而言，更高的通信效率意味着更快的模型更新、更低的通信量、更短的通信时延。因此，在实时性要求较高的新型电力系统应用场景中，有效解决计算资源异构特性、模型参数规模巨大、客户端（或参与方）数量庞大等通信问题，提升联邦学习的通信效率，是保证联邦学习实际应用落地的重要前提。

3.2 联邦学习隐私与安全问题

目前，尽管联邦学习在新型电力系统应用中采用不同的加密方法来保护数据安全与用户隐私，但在模型训练过程中仍面临一定程度的隐私和安全问题^[62]。其中：联邦学习的隐私问题通常是指与用户相关的信息，包括模型权重、梯度和最重要的原始数据（如电网运行数据、负荷数据、电力设备监测数据等）的泄露；联邦学习的安全问题通常是指在多元主体协同训练过程中网络遭到干扰或恶意攻击的可能性。

具体地，一方面，针对联邦学习隐私性的威胁通常会带来相应的隐私问题。该威胁来源于参与方、中央服务器、系统外部，主要涉及推理攻击、重构攻击、窃取攻击^[63]。例如，在负荷预测场景中，系统外部攻击者通过重构攻击，通过分析负荷预测全局模型的参数或更新，可以重构电网公司的原始负荷数据或信息，从而窃取电网公司的隐私。另一方面，针对联邦学习鲁棒性的威胁通常会带来相应的安全问题。该威胁来源于参与方，主要包括数据投毒、模型投毒、后门攻击^[63]。例如，在分布式电源协同优化场景中，恶意的虚拟电厂运营商通过数据投毒，篡改并生成虚假的本地分布式资源量测数据和负荷数据，从而影响分布式电源协同优化全局模型的性能和可靠性。

所以，合理解决联邦学习在模型协同训练过程中的隐私与安全问题，是提升联邦学习在数据隐私安全性要求较高的新型电力系统应用场景中可信性、可靠性、安全性的重大挑战。

3.3 联邦学习模型问题

在新型电力系统中，海量多元主体作为联邦学习的参与方，通常持有非独立同分布的数据（即各自持有的数据呈现统计异构性），存在特征漂移、标签漂移、数量漂移等现象^[64]，如不同省公司的电力用户属性标签数据可能存在标签漂移现象，不同虚拟电厂运营商的源荷数据可能存在数量漂移现象，易导致参与方训练出的本地模型只能够达到局部最优，使聚合至中央服务器后反而会降低全局模型的性能，因此在一定程度上影响联邦学习模型的收敛效率和训练效果。

此外，传统联邦学习专注于训练一个全局共享模型以达到系统整体的全局最优，然而，在通常情况下，全局共享模型难以泛化到不同客户端的本地数据分布，因此缺乏一定程度的灵活性^[65]。并且，由于传统联邦学习的基本目标是构建一个全局通用的共识模型，在某些电力应用场景下无法通过直接训练获得个性化的模型，以更好地支撑不同参与方的差异化需求^[66]。例如，在电力设备故障诊断应用场景中，基于联邦学习，联合不同电力设备制造商的高度异构数据，训练获得一个较为普适的全局最优故障诊断模型的意义不大，因为每个电力设备制造商更期望获得一个能够准确诊断自身设备的个性化模型。

因此，联邦学习在业务模型个性化要求较高的新型电力系统应用场景中易面临模型训练效果不佳、模型泛化能力不足的问题。

4 新型电力系统背景下未来联邦学习研究展望

4.1 基于模型压缩与异步更新机制的分层联邦学习

作为降低通信成本最直接的手段，模型压缩技术能压缩中央服务器与各客户端之间的模型参数交换（如模型权重、梯度等），从而降低上下行链路的通信成本^[67]。常见的模型压缩技术包括剪枝、量化、知识蒸馏、低秩分解等。在新型电力系统应用场景中，人工智能模型通常可能含有一定程度的冗余信息，通过模型压缩技术压缩模型参数，减少冗余信息的传输交换，可以显著减少单次通信负载，最终提升联邦学习通信效率。

相比于传统的同步更新机制，异步更新机制具备3个方面的明显优势：1）客户端参数更新无需等待其他参与方，计算资源利用率高，能避免短板效应；2）增加模型的泛化能力，容错性更强，可有效应对部分客户端设备宕机的问题；3）引入异步更新机制，能减少通信次数^[68]。异步更新机制能直接避免掉队者效应，减小模型训练的通信代价和设备闲置时间。因此，针对新型电力系统应用场景，通过异步更新机制协同训练联邦学习模型，是提升联邦学习通信效率的又一种有效途径。

此外，分层联邦学习在传统的“客户端-服务端”通信模式下增加边缘服务器，形成“客户端-边缘服务器-服务端”层次化架构，从而呈现树形拓扑结构^[69]。其中，服务端将部分计算和管理功能卸载到边缘服务器上，边缘服务器并行处理相应任务，可提高系统效率，有效缓解服务端的通信压力。因此，基于分层联邦学习，重新设计和调整新型电力系统应用场景中联邦学习系统的网络拓扑结构，同样可以有效优化通信过程，降低通信开销，进而提高联邦学习的通信效率。

因此，为有效解决联邦学习在实时性要求较高的新型电力系统应用场景中存在的通信效率问题，基于模型压缩与异步更新机制的分层联邦学习是未来值得关注的技术研究方向，尤其适合非侵入式负荷监测、电网动态安全评估、虚假数据注入攻击检测、投毒攻击检测等典型应用场景。例如，在非侵入式负荷监测场景中，首先，海量用户侧电力智能边缘终端设备基于本地的负荷数据，利用分层联邦学习协同训练本地的人工智能模型，并通过剪枝将本地模型压缩上传至主站服务器；然后，主站服务器采用异步更新机制聚合得到中间聚合模型，并进一步通过剪枝将中间聚合模型压缩上传至云端服务器；最终，云端服务器同样采用异步更新机制聚合得到全局模型，并下发更新所有中间聚合模型和本地模型，使每个智能边缘终端设备高效协同完成非侵入式负荷监测模型训练。图5为基于模型压缩与异步更新机制的分层联邦学习示意图。

4.2 基于区块链和个性化差分隐私的联邦学习

区块链是一种新兴的基于密码学的分布式、去中心化的数据存储与处理技术，具有不可篡改、可溯源、可审计、透明性、匿名性、可用性、安全性等特点，加之内置激励和共识机制，为解决和克服传统联邦学习的安全问题提供了有利条件^[70]。具体而言，区块链可通过去中心化网络拓扑结构、身份认证和权限管理机制、激励机制、底层分布式共识协议等4个方面改善新型电力系统应用场景中联邦学习的安全问题^[71]。因此，有机融合区块链与联邦学习，可有效提高联邦学习的完整性、可信性、机密性，并防御各种恶意攻击。

另外，作为常见的联邦学习加密算法，同态加密与差分隐私均有一定程度的不足之处。其中：同态加密需要大量的计算以实现加密和解密操作，且加密后的数据在规模上常比原始数据大得多，从而产生巨大的通信负担；差分隐私常会影响联邦学习模型的性能，这主要由于添加的噪声越多，模型的性能越差。相较于以上两种传统的联邦学习加密算法，个性化差分隐私具备计算复杂度和通信成本低且能保证模型性能的明显优势，通过对新型电力系统应用场景中参与方的隐私水平进行定性分级或者定量计算，合理有效分配各参与方的隐私预算（即噪声大小），降低隐私预算浪费，从而确保联邦学习模型性能与数据安全，实现隐私保护个性化与轻量化^[72]。

所以，针对联邦学习在数据隐私安全性要求较高的新型电力系统应用场景中存在的隐私与安全问题，深入开展基于区块链和个性化差分隐私的联邦学习研究，能够大幅提升联邦学习的可信性、可靠性、安全性，尤其适合窃电检测、分布式电源协同优化、配电网电压控制、微电网协同优化运行等典型应用场景。例如：在分布式电源协同优化场景中，首先，各虚拟电厂运营商基于各自的分布式资源量测数据和负荷数据，利用联邦学习协同训练本地的深度强化学习模型，并依据自身定量计算的隐私水平采用个性化差分隐私进行本地模型加密；然后，通过基于联邦学习模型聚合的智能合约及所有虚拟电厂运营商之间一致达成的共识协议，相互交换本地模型参数，并聚合得到全局模型；最终，每个虚拟电厂运营商基于全局模型更新各自的本地模型，从而确保分布式电源协同优化模型的安全性和可靠性，同时，提升虚拟电厂运营商的数据隐私性。图6为基于区块链和个性化差分隐私的联邦学习示意图。

4.3 基于客户端选择的个性化联邦学习

客户端选择能够有效缓解各参与方之间存在的数据异构性问题，个性化联邦学习（PFL）能充分满足不同参与方的差异化模型需求。

一方面，客户端选择是一种能有效管理异构客户端并提升联邦学习系统运行效率的方法，其根据一定的规则或条件，选择具有最相关或最有利于模型全局收敛的客户端，提高联邦学习的效率和性能^[73]。常见的客户端选择方法主要包括基于局部模型性能指标的方法、基于数据相关性的方法等。在不同的新型电力系统业务场景下，采用相应的客户端选择方法，能够在一定程度上提升联邦学习的模型训练效率与性能。另一方面，与传统联邦学习不同，个性化联邦学习能兼顾各参与方之间的共性特征与不同参与方的个性特征，为每个参与方定制充分适应其本地数据分布的个性化模型^[74‒75]。常见的个性化联邦学习包括分组联邦、分层联邦、函数优化联邦等3类。针对新型电力系统中多元主体的数据异构和差异化需求问题，合理恰当选择相应类型的个性化联邦学习方法，能取得比传统联邦学习方法更加优越的模型性能。

因此，未来有必要进一步开展基于客户端选择的个性化联邦学习研究，有效解决联邦学习在业务模型个性化要求较高的新型电力系统应用场景中存在的模型训练效果问题，提升联邦学习模型的性能水平，尤其适合源荷预测、微电网能量管理、电力设备故障诊断、建筑楼宇调节能力评估等典型应用场景。例如，在电力设备故障诊断场景中，不同电力设备制造商基于各自的设备监测数据，利用联邦学习协同训练本地的深度神经网络模型，并通过基于局部模型性能指标的客户端选择方法筛选训练效果较好的本地模型，进而聚合得到全局模型以更新所有本地模型，最终每个电力设备制造商使用各自的本地数据进行一定程度的模型微调，即可获得符合自身数据内在规律的个性化、精准的设备故障诊断模型。图7给出了基于客户端选择的个性化联邦学习的示意图。

5 结 语

电力数据作为与国家安全和经济发展密切相关的重要数据，是支撑新型电力系统发展与建设的关键生产要素。本文从多个方面系统地综述了联邦学习在新型电力系统中的应用研究，以期为“双碳”目标下新型电力系统的数据安全共享与挖掘提供参考。总体而言，在简要阐述联邦学习基本概念与分类、适用场景分析的基础上，对3类联邦学习在新型电力系统中的应用研究现状进行了详细论述。同时，考虑到目前联邦学习在新型电力系统应用中尚存在通信效率较低、安全加密有待提升、模型协同训练效果不佳3个方面的问题与不足，进一步针对性地提出了基于模型压缩与异步更新机制的分层联邦学习、基于区块链和个性化差分隐私的联邦学习、基于客户端选择的个性化联邦学习等潜在技术研究方向，以提升联邦学习在新型电力系统应用场景中的可行性与实用性。

虽然联邦学习在推进新型电力系统数字化转型中具备巨大潜力，但未来落地部署仍需有效解决电力通信网络稳定性、通用化电力联邦学习平台搭建、电力联邦学习技术标准与规范等实际问题，以实现更加广泛的应用落地。

参考文献

[1] Chen Sheng, Wei Zhinong, Gu Wei,et al.Carbon neutral oriented transition and revolution of energy systems:Multi-energy flow coordination technology[J].Electric Power Automation Equipment,2021,41(9):3-12.

[2] 陈胜,卫志农,顾伟,等.碳中和目标下的能源系统转型与变革:多能流协同技术[J].电力自动化设备,2021,41(9):3-12.

[3] Qiu Weiqiang, Wang Maochun, Lin Zhenzhi,et al.Comprehensive evaluation of shared energy storage towards new energy accommodation scenario under targets of carbon emission peak and carbon neutrality[J].Electric Power Automation Equipment,2021,41(10):244-255. doi:10.16081/j.epae.202110017

[4] 邱伟强,王茂春,林振智,等.“双碳”目标下面向新能源消纳场景的共享储能综合评价[J].电力自动化设备,2021,41(10):244-255. doi:10.16081/j.epae.202110017

[5] Han Fujia, Wang Xiaohui, Qiao Ji,et al.Review on artificial intelligence based load forecasting research for the new-type power system[J].Proceedings of the CSEE,2023,43(22):8569-8592.

[6] 韩富佳,王晓辉,乔骥,等.基于人工智能技术的新型电力系统负荷预测研究综述[J].中国电机工程学报,2023,43(22):8569-8592.

[7] Peng Dajian, Pei Wei, Xiao Hao,et al.Data-driven consumer demand response behavior modelization and application[J].Power System Technology,2021,45(7):2577-2585.

[8] 彭大健,裴玮,肖浩,等.数据驱动的用户需求响应行为建模与应用[J].电网技术,2021,45(7):2577-2585.

[9] Li Hongyu, Dong Xiaochong, Wang Xinying,et al.Framework for renewable energy scenario generation considering data privacy-preservation[J].Power System Technology,2023,47(9):3690-3697.

[10] 李洪裕,董骁翀,王新迎,等.考虑数据隐私保护的可再生能源场景生成框架[J].电网技术,2023,47(9):3690-3697.

[11] Chatterjee P, Das D, Rawat D B.Federated learning empowered recommendation model for financial consumer services[J].IEEE Transactions on Consumer Electronics,2024,70(1):2508-2516. doi:10.1109/tce.2023.3339702

[12] Wang Bo, Li Hongtao, Wang Jie,et al.Federated learning scheme for privacy-preserving of medical data[J].Journal of Xidian University(Natural Science),2023,50(5):166-177. doi:10.19665/j.issn1001-2400.20230202

[13] 王波,李洪涛,王洁,等.面向医疗数据的隐私保护联邦学习架构[J].西安电子科技大学学报(自然科学版),2023,50(5):166-177. doi:10.19665/j.issn1001-2400.20230202

[14] Zhang Honglei, Li Yidong, Wu Jun,et al.A survey on privacy-preserving federated recommender systems[J].Acta Automatica Sinica,2022,48(9):2142-2163.

[15] 张洪磊,李浥东,邬俊,等.基于隐私保护的联邦推荐算法综述[J].自动化学报,2022,48(9):2142-2163.

[16] Li Xiang, Fu Chunlin, Lei Yaguo,et al.Federated transfer learning method for privacy-preserving collaborative intelligent machinery fault diagnostics[J].Journal of Mechanical Engineering,2023,59(6):1-9.

[17] 李响,付春霖,雷亚国,等.保证数据隐私的装备协同智能故障诊断联邦迁移学习方法[J].机械工程学报,2023,59(6):1-9.

[18] Du Haizhou, Ni Chengdong, Cheng Chaoqian,et al.FedSwarm:An adaptive federated learning framework for scalable AIoT[J].IEEE Internet of Things Journal,2024,11(5):8268-8287. doi:10.1109/jiot.2023.3321325

[19] 杨强,刘洋,程勇,等.联邦学习[M].1版.北京:电子工业出版社,2020. doi:10.1007/978-3-031-01585-4_9

[20] Fan Hang, Xu Wei, Fan Xiaoyu,et al.Application analysis and prospect of privacy-preserving computation in new power system[J].Automation of Electric Power Systems,2023,47(19):187-199.

[21] 凡航,徐葳,范晓昱,等.隐私计算在新型电力系统中的应用分析与展望[J].电力系统自动化,2023,47(19):187-199.

[22] Ahmadi A, Talaei M, Sadipour M,et al.Deep federated learning-based privacy-preserving wind power forecasting[J].IEEE Access,2023,11:39521-39530. doi:10.1109/access.2022.3232475

[23] Gupta H, Agarwal P, Gupta K,et al.FedGrid:A secure framework with federated learning for energy optimization in the smart grid[J].Energies,2023,16(24):8097. doi:10.3390/en16248097

[24] Shi Bujin, Zhou Xinbo, Li Peilin,et al.An IHPO-WNN-based federated learning system for area-wide power load forecasting considering data security protection[J].Energies,2023,16(19):6921. doi:10.3390/en16196921

[25] Mao Zhengxiong, Li Hui, Huang Zuyuan,et al.Communication-efficient federated learning for power load forecasting in electric IoTs[J].IEEE Access,2023,11:47930-47939. doi:10.1109/access.2023.3262171

[26] Li Hexiao, Wu Sixing, Wang Ruiqi,et al.Fed-SAD:A secure aggregation federated learning method for distributed short-term load forecasting[J].IET Generation,Transmission & Distribution,2023,17(22):5090-5100. doi:10.1049/gtd2.13022

[27] Wang Yi, Gao Ning, Hug G.Personalized federated learning for individual consumer load forecasting[J].CSEE Journal of Power and Energy Systems,2023,9(1):326-330.

[28] Park K J, Son S Y.Residential load forecasting using modified federated learning algorithm[J].IEEE Access,2023,11:40675-40691. doi:10.1109/access.2023.3268530

[29] Wang Beibei, Zhu Jing, Wang Jiale,et al.Federated-learning based industry load forecasting framework under privacy protection of meter data[J].Automation of Electric Power Systems,2023,47(13):86-93.

[30] 王蓓蓓,朱竞,王嘉乐,等.电表数据隐私保护下的联邦学习行业电力负荷预测框架[J].电力系统自动化,2023,47(13):86-93.

[31] Jiao Runhai, Chu Jiajie, Li Junliang,et al.Personalized federated multi-region load forecasting method based on data decomposition[J].Proceedings of the CSEE,2025,45(5):1691-1704.

[32] 焦润海,褚佳杰,李俊良,等.基于数据分解的多区域个性化联邦负荷预测方法[J].中国电机工程学报,2025,45(5):1691-1704.

[33] Lin Jun, Ma Jin, Zhu Jianguo.A privacy-preserving federated learning method for probabilistic community-level behind-the-meter solar generation disaggregation[J].IEEE Transactions on Smart Grid,2022,13(1):268-279. doi:10.1109/tsg.2021.3115904

[34] Wang Haijin, Si C, Liu Guolong,et al.Fed-NILM:A federated learning-based non-intrusive load monitoring method for privacy-protection[J].Energy Conversion and Economics,2022,3(2):51-60. doi:10.1049/enc2.12055

[35] Wang Renjun, Qiu Haifeng, Gao Hongjun,et al.Adaptive horizontal federated learning-based demand response baseline load estimation[J].IEEE Transactions on Smart Grid,2024,15(2):1659-1669. doi:10.1109/tsg.2023.3318418

[36] Wen Mi, Xie Rong, Lu Kejie,et al.FedDetect:A novel privacy-preserving federated learning framework for energy theft detection in smart grid[J].IEEE Internet of Things Journal,2022,9(8):6069-6080. doi:10.1109/jiot.2021.3110784

[37] Ashraf M M, Waqas M, Abbas G,et al.FedDP:A privacy-protecting theft detection scheme in smart grids using federated learning[J].Energies,2022,15(17):6241. doi:10.3390/en15176241

[38] Badr M, Ibrahem M, Kholidy H,et al.Review of the data-driven methods for electricity fraud detection in smart metering systems[J].Energies,2023,16(6):2852. doi:10.3390/en16062852

[39] Wang Yi, Bennani I L, Liu Xiufeng,et al.Electricity consumer characteristics identification:A federated learning approach[J].IEEE Transactions on Smart Grid,2021,12(4):3637-3647. doi:10.1109/tsg.2021.3066577

[40] Zhao Liang, Li Jiaming, Li Qi,et al.A federated learning framework for detecting false data injection attacks in solar farms[J].IEEE Transactions on Power Electronics,2022,37(3):2496-2501. doi:10.1109/tpel.2021.3114671

[41] Li Yang, Wei Xinhao, Li Yuanzheng,et al.Detection of false data injection attacks in smart grid:A secure federated deep learning approach[J].IEEE Transactions on Smart Grid,2022,13(6):4862-4872. doi:10.1109/tsg.2022.3204796

[42] Taheri S, Davoodi M, Ali M.Mitigating cyber anomalies in virtual power plants using artificial-neural-network-based secondary control with a federated learning-trust adaptation[J].Energies,2024,17(3):619. doi:10.3390/en17030619

[43] Li Yang, Li Jiazheng, Wang Yi.Privacy-preserving spatiotemporal scenario generation of renewable energies:A federated deep generative learning approach[J].IEEE Transactions on Industrial Informatics,2022,18(4):2310-2320. doi:10.1109/tii.2021.3098259

[44] Pu Tianjiao, Du Shuai, Li Ye,et al.Collaborative optimization strategy of distributed generators based on federated reinforcement learning for privacy preservation[J].Automation of Electric Power Systems,2023,47(8):62-70.

[45] 蒲天骄,杜帅,李烨,等.面向隐私保护基于联邦强化学习的分布式电源协同优化策略[J].电力系统自动化,2023,47(8):62-70.

[46] Ren Chao, Wang Tianjing, Yu Han,et al.EFedDSA:An efficient differential privacy-based horizontal federated learning approach for smart grid dynamic security assessment[J].IEEE Journal on Emerging and Selected Topics in Circuits and Systems,2023,13(3):817-828. doi:10.1109/jetcas.2023.3293253

[47] Ren Chao, Yan Rudai, Xu Minrui,et al.QFDSA:A quantum-secured federated learning system for smart grid dynamic security assessment[J].IEEE Internet of Things Journal,2024,11(5):8414-8426. doi:10.1109/jiot.2023.3321793

[48] Ren Chao, Yu Han, Yan Rudai,et al.SecFedSA:A secure differential-privacy-based federated learning approach for smart cyber-physical grid stability assessment[J].IEEE Internet of Things Journal,2024,11(4):5578-5588. doi:10.1109/jiot.2023.3308170

[49] Poudyal A, Tamrakar U, Trevizan R D,et al.Multiarea inertia estimation using convolutional neural networks and federated learning[J].IEEE Systems Journal,2022,16(4):6401-6412. doi:10.1109/jsyst.2021.3134599

[50] Chu Yunfei, Wei Zhinong, Fang Xicheng,et al.A multiagent federated reinforcement learning approach for plug-in electric vehicle fleet charging coordination in a residential community[J].IEEE Access,2022,10:98535-98548. doi:10.1109/access.2022.3206020

[51] Li Yuanzheng, He Shangyang, Li Yang,et al.Federated multiagent deep reinforcement learning approach via physics-informed reward for multimicrogrid energy management[J].IEEE Transactions on Neural Networks and Learning Systems,2024,35(5):5902-5914. doi:10.1109/tnnls.2022.3232630

[52] Guo Fanghong, Liu Shishuo, Wu Xiang,et al.Federated learning based fault diagnosis of power transformer with unbalanced sample data[J].Automation of Electric Power Systems,2023,47(10):145-152.

[53] 郭方洪,刘师硕,吴祥,等.基于联邦学习的含不平衡样本数据电力变压器故障诊断[J].电力系统自动化,2023,47(10):145-152.

[54] Jenkel L, Jonas S, Meyer A.Privacy-preserving fleet-wide learning of wind turbine conditions with federated learning[J].Energies,2023,16(17):6377. doi:10.3390/en16176377

[55] Guo Guanghua, Qi Xinhong, Wang Ruiqi,et al.Integrated demand response mechanism for integrated energy system based on federated learning[J].Electric Power Automation Equipment,2023,43(8):33-39.

[56] 郭光华,亓新宏,王瑞琪,等.基于联邦学习的综合能源系统集成需求响应机制[J].电力自动化设备,2023,43(8):33-39.

[57] Liu Haotian, Wu Wenchuan.Federated reinforcement learning for decentralized voltage control in distribution networks[J].IEEE Transactions on Smart Grid,2022,13(5):3840-3843. doi:10.1109/tsg.2022.3169361

[58] Zhou Yibin, Xiao Hao, Pei Wei,et al.Collaborative optimization operation and strategy evolution of microgrid cluster based on vertical federated learning[J].Automation of Electric Power Systems,2023,47(11):121-132. doi:10.7500/AEPS20220704006

[59] 周毅斌,肖浩,裴玮,等.基于纵向联邦学习的微电网群协同优化运行与策略进化[J].电力系统自动化,2023,47(11):121-132. doi:10.7500/AEPS20220704006

[60] Mukherjee S, Hossain R R, Mohiuddin S M,et al.Resilient control of networked microgrids using vertical federated reinforcement learning:Designs and real-time test-bed validations[J].IEEE Transactions on Smart Grid,2025,16(2):1897-1910. doi:10.1109/tsg.2024.3466768

[61] Wang Yi, Guo Qinglai, Yu Yang.Cooperative pricing for vehicle-traffic-power nexus to support city decarbonization:A federated deep reinforcement learning framework[J].IEEE Transactions on Industrial Cyber-Physical Systems,2023,1:182-191. doi:10.1109/ticps.2023.3317012

[62] Teimoori Z, Yassine A, Hossain M S.A secure cloudlet-based charging station recommendation for electric vehicles empowered by federated learning[J].IEEE Transactions on Industrial Informatics,2022,18(9):6464-6473. doi:10.1109/tii.2022.3148997

[63] Chen Minghao, Sun Yi, Hu Yajie,et al.The collaborative training and management-optimized method for residential integrated energy system based on vertical federated reinforcement learning[J].Proceedings of the CSEE,2022,42(15):5535-5549.

[64] 陈明昊,孙毅,胡亚杰,等.基于纵向联邦强化学习的居民社区综合能源系统协同训练与优化管理方法[J].中国电机工程学报,2022,42(15):5535-5549.

[65] Kesici M, Pal B, Yang Guangya.Detection of false data injection attacks in distribution networks:A vertical federated learning approach[J].IEEE Transactions on Smart Grid,2024,15(6):5952-5964. doi:10.1109/tsg.2024.3399396

[66] Zheng Kaihong, Xiao Yong, Wang Xin,et al.A federated learning framework for power grid metering system[J].Proceedings of the CSEE,2020,40(Supp1):122-133.

[67] 郑楷洪,肖勇,王鑫,等.一个面向电力计量系统的联邦学习框架[J].中国电机工程学报,2020,40():122-133.

[68] Ali M, Singh A K, Kumar A,et al.Comparative analysis of data-driven algorithms for building energy planning via federated learning[J].Energies,2023,16(18):6517. doi:10.3390/en16186517

[69] Wang Jian, Wei Baoquan, Zeng Jianjun,et al.Research on load forecasting of novel power system based on efficient federated transfer learning[J].Energies,2023,16(16):6070. doi:10.3390/en16166070

[70] Shi Yuan, Xu Xianze.Deep federated adaptation:An adaptative residential load forecasting approach with federated learning[J].Sensors,2022,22(9):3264. doi:10.3390/s22093264

[71] Wang Yanxin, Yan Jing, Yang Zhou,et al.A novel federated transfer learning framework for intelligent diagnosis of insulation defects in gas-insulated switchgear[J].IEEE Transactions on Instrumentation and Measurement,2022,71:3517711. doi:10.1109/tim.2022.3190529

[72] Yang Wanqian, Yu Gang.Federated multi-model transfer learning-based fault diagnosis with peer-to-peer network for wind turbine cluster[J].Machines,2022,10(11):972. doi:10.3390/machines10110972

[73] Han Tengfei, Yue Shang, Yang Pu,et al.Source-free dynamic weighted federated transfer learning for state-of-health estimation of lithium-ion batteries with data privacy[J].IEEE Transactions on Power Electronics,2024,39(11):15085-15100. doi:10.1109/tpel.2024.3434751

[74] Wang Zhenyi, Yu Peipei, Zhang Hongcai.Privacy-preserving regulation capacity evaluation for HVAC systems in heterogeneous buildings based on federated learning and transfer learning[J].IEEE Transactions on Smart Grid,2023,14(5):3535-3549. doi:10.1109/tsg.2022.3231592

[75] Wang Yimeng, Ding Xiang, Yang Shusen,et al.FtlSPG:A federated transfer learning framework for personalized safety protective gear detection in electric power industry[J].IEEE Internet of Things Journal,2024,11(4):5887-5898. doi:10.1109/jiot.2023.3308117

[76] Su Zhou, Wang Yuntao, Luan T H,et al.Secure and efficient federated learning for smart grid with edge-cloud collaboration[J].IEEE Transactions on Industrial Informatics,2022,18(2):1333-1344. doi:10.1109/tii.2021.3095506

[77] Ge Lina, Wang Mingyu, Tian Lei.Review of research on efficiency of federated learning[J].Journal of Computer Applications,2025,45(8):2387-2398.

[78] 葛丽娜,王明禹,田蕾.联邦学习的高效性研究综述[J].计算机应用,2025,45(8):2387-2398.

[79] Zhang Xueqing, Liu Yanwei, Liu Jinxia,et al.An overview of federated learning in edge intelligence[J].Journal of Computer Research and Development,2023,60(6):1276-1295.

[80] 张雪晴,刘延伟,刘金霞,等.面向边缘智能的联邦学习综述[J].计算机研究与发展,2023,60(6):1276-1295.

[81] Gao Ying, Chen Xiaofeng, Zhang Yiyu,et al.A survey of attack and defense techniques for federated learning systems[J].Chinese Journal of Computers,2023,46(9):1781-1805. doi:10.11897/SP.J.1016.2023.01781

[82] 高莹,陈晓峰,张一余,等.联邦学习系统攻击与防御技术研究综述[J].计算机学报,2023,46(9):1781-1805. doi:10.11897/SP.J.1016.2023.01781

[83] Chen Xuebin, Ren Zhiqiang, Zhang Hongyang.Review on security threats and defense measures in federated learning[J].Journal of Computer Applications,2024,44(6):1663-1672.

[84] 陈学斌,任志强,张宏扬.联邦学习中的安全威胁与防御措施综述[J].计算机应用,2024,44(6):1663-1672.

[85] Yang Zhikai, Liu Yaping, Zhang Shuo,et al.Review of communication optimization methods in federated learning[J].Chinese Journal of Network and Information Security,2024,10(6):1-23.

[86] 杨智凯,刘亚萍,张硕,等.联邦学习通信优化方法综述[J].网络与信息安全学报,2024,10(6):1-23.

[87] Wu Jie, Qian Xuezhong, Song Wei.Personalized federated learning based on similarity clustering and regularization[J].Journal of Computer Applications,2024,44(11):3345-3353.

[88] 巫婕,钱雪忠,宋威.基于相似度聚类和正则化的个性化联邦学习[J].计算机应用,2024,44(11):3345-3353.

[89] Sun Yanhua, Shi Yahui, Li Meng,et al.Personalized federated learning method based on collation game and knowledge distillation[J].Journal of Electronics & Information Technology,2023,45(10):3702-3709.

[90] 孙艳华,史亚会,李萌,等.基于合作博弈和知识蒸馏的个性化联邦学习算法[J].电子与信息学报,2023,45(10):3702-3709.

[91] Zheng Jianwen, Liu Bo, Lin Weiwei,et al.Survey of communication efficiency for federated learning[J].Computer Science,2025,52(2):1-7.

[92] 郑剑文,刘波,林伟伟,等.联邦学习通信效率研究综述[J].计算机科学,2025,52(2):1-7.

[93] Chen Jinyin, Li Rongchang, Huang Guohan,et al.Survey on vertical federated learning:Algorithm,privacy and security[J].Chinese Journal of Network and Information Security,2023,9(2):1-20. doi:10.11959/j.issn.2096-109x.2023017

[94] 陈晋音,李荣昌,黄国瀚,等.纵向联邦学习方法及其隐私和安全综述[J].网络与信息安全学报,2023,9(2):1-20. doi:10.11959/j.issn.2096-109x.2023017

[95] Zhao Luocheng, Qu Zhihao, Xie Zaipeng.Study on communication optimization of federated learning in multi-layer wireless edge environment[J].Computer Science,2022,49(3):39-45. doi:10.11896/jsjkx.210800054

[96] 赵罗成,屈志昊,谢在鹏.面向多层无线边缘环境下的联邦学习通信优化的研究[J].计算机科学,2022,49(3):39-45. doi:10.11896/jsjkx.210800054

[97] Han Yiliang, Song Chaoyue, Wu Xuguang,et al.Review of integrated technology of blockchain and privacy computing[J].Science Technology and Engineering,2024,24(28):11945-11963.

[98] 韩益亮,宋超越,吴旭光,等.区块链与隐私计算融合技术综述[J].科学技术与工程,2024,24(28):11945-11963.

[99] Li Cheng, Yuan Yong, zheng ZhiYong,et al.Blockchain-enabled federated learning:Models,methods and applications[J].Acta Automatica Sinica,2024,50(6):1059-1085.

[100] 李程,袁勇,郑志勇,等.基于区块链的联邦学习:模型、方法与应用[J].自动化学报,2024,50(6):1059-1085.

[101] Yin Chunyong, Qu Rui.Federated learning algorithm based on personalized differential privacy[J].Journal of Computer Applications,2023,43(4):1160-1168.

[102] 尹春勇,屈锐.基于个性化差分隐私的联邦学习算法[J].计算机应用,2023,43(4):1160-1168.

[103] Wu Wentai, Wu Yingliang, Lin Weiwei,et al.Horizontal federated learning:Research status,system applications and open challenges[J].Chinese Journal of Computers,2025,48(1):35-67.

[104] 吴文泰,吴应良,林伟伟,等.横向联邦学习:研究现状、系统应用与挑战[J].计算机学报,2025,48(1):35-67.

[105] Gao Yi, Zhou Yu, Zhang Anlong,et al.Personalized federated learning framework for countywide PV generation and load forecasting[J].Power System Technology,2023,47(11):4629-4638.

[106] 高漪,周瑜,张安龙,等.整县光伏下基于个性化联邦学习的光伏出力及负荷功率预测[J].电网技术,2023,47(11):4629-4638.

[107] Gao Yujia, Wang Pengfei, Liu Liang,et al.Personalized federated learning method based on attention-enhanced meta-learning network[J].Journal of Computer Research and Development,2024,61(1):196-208.

[108] 高雨佳,王鹏飞,刘亮,等.基于注意力增强元学习网络的个性化联邦学习方法[J].计算机研究与发展,2024,61(1):196-208.

基金资助

国家电网有限公司总部管理科技项目(5700-202316601A-3-2-ZN)