連合学習を用いたスマートグリッドにおけるプライバシー保護型負荷予測:集約戦略の比較分析

スマートグリッドにおけるエネルギー分配の最適化と再生可能エネルギー源の統合には、正確な負荷予測が不可欠である。しかし、従来の集中型深層学習アプローチは、分散型エネルギー消費者が関与するシナリオにおいて、データプライバシー、通信オーバーヘッド、スケーラビリティに関する大きな課題を抱えている。本研究では、ゲート付き回帰ユニット(GRU)ネットワークを活用した連合学習(FL)フレームワークを提案し、分散型かつプライバシー保護型の負荷予測を実現する。このアプローチは、連合平均(FedAvg)、連合近傍(FedProx)、トリム平均付き連合平均(FedTrimmedAvg)の3つの異なる集約戦略を用いて評価される。これらの手法は、スマートグリッド環境で一般的に見られる非独立同分布(non-IID)設定におけるデータ異質性とクライアントドリフトを軽減することを目的としている。実世界のエネルギー消費データセットを用いた実験結果は、提案されたFLフレームワークが、クライアントデータのプライバシーを保護しながら、競争力のある予測精度を達成することを示している。FedProxとFedTrimmedAvgは、non-IID条件下でFedAvgを一貫して上回り、特にFedTrimmedAvgは外れ値や一貫性のないクライアントの挙動に対して最も高いロバスト性を提供することが明らかになった。これらの発見は、連合設定におけるロバストな集約技術の効果を強調し、次世代スマートグリッドインフラストラクチャにおけるインテリジェントエネルギー管理のためのスケーラブルでプライバシーに配慮したソリューションを提示する。