找到 6 条结果
一种基于联邦迁移学习的电力变换器监测自适应机器学习框架
An Adaptive ML Framework for Power Converter Monitoring via Federated Transfer Learning
Panagiotis Kakosimos · Alireza Nemat Saberi · Luca Peretti · IEEE Transactions on Power Electronics · 2025年11月
本文提出了一种结合迁移学习（TL）与联邦学习（FL）的自适应机器学习框架，旨在优化电力变换器的热模型。该方法有效解决了不同运行工况下的模型适配、数据隐私保护及数据共享受限等挑战，通过分段式学习策略提升了变换器状态监测的准确性与鲁棒性。
解读: 该研究对阳光电源的智能化运维至关重要。在组串式逆变器和PowerTitan/PowerStack储能系统中，设备分布广泛且工况复杂，利用联邦学习可在不上传原始数据的前提下，实现跨电站的模型协同训练，提升故障诊断精度。迁移学习则能解决新机型或极端工况下样本稀缺的问题。建议将此框架集成至iSolarCl...
一种用于检测光伏电站虚假数据注入攻击的联邦学习框架
A Federated Learning Framework for Detecting False Data Injection Attacks in Solar Farms
Liang Zhao · Jiaming Li · Qi Li · Fangyu Li · IEEE Transactions on Power Electronics · 2022年3月
随着光伏系统接入智能电网，网络安全威胁日益严峻。基于数据驱动的机器学习方法在电力电子设备攻击检测中表现优异，但集中式处理存在效率瓶颈。本文提出一种联邦学习框架，在保护数据隐私的同时，实现对光伏电站虚假数据注入攻击的有效检测，提升了系统的安全性与鲁棒性。
解读: 该研究对于阳光电源的iSolarCloud智能运维平台具有重要参考价值。随着光伏电站规模扩大，数据隐私与网络安全成为运维痛点，联邦学习技术可实现分布式模型训练，在不上传原始电站数据的前提下提升逆变器及储能系统的故障诊断与安全防御能力。建议将此框架集成至PowerTitan等大型储能系统及组串式逆变器...
面向锂离子电池健康状态估计的无源动态加权联邦迁移学习
Source-Free Dynamic Weighted Federated Transfer Learning for State-of-Health Estimation of Lithium-Ion Batteries With Data Privacy
Tengfei Han · Shang Yue · Pu Yang · Ruixu Zhou 等5人 · IEEE Transactions on Power Electronics · 2024年11月
针对电池健康状态（SOH）估计中数据孤岛与隐私保护难题，本文提出一种无源动态加权联邦迁移学习方法。该方法无需共享原始数据即可实现多用户模型协同训练，有效解决了单一用户数据不足的问题，提升了SOH估计的准确性与鲁棒性，为电池全生命周期管理提供了隐私保护下的智能化解决方案。
解读: 该技术对阳光电源的PowerTitan和PowerStack等储能系统具有极高的应用价值。在iSolarCloud智能运维平台中，利用联邦学习技术，可在不泄露客户隐私的前提下，汇聚全球电站的电池衰减数据，优化BMS的SOH估计算法。这不仅能提升储能电站全生命周期的安全性与运维效率，还能为电池梯次利用...
面向多方风电功率预测的隐私保护自适应联邦深度学习
Privacy-Preserving and Adaptive Federated Deep Learning for Multiparty Wind Power Forecasting
Yi Wang · Qinglai Guo · IEEE Transactions on Industry Applications · 2024年7月
先进的预测工具对于现代电力系统减轻可再生能源的不确定性至关重要。尽管数据驱动的方法在风电预测方面取得了显著进展，但数据可用性有限阻碍了其有效性。严格的数据监管规则和竞争利益使得相邻风电场无法整合数据集以学习更准确的预测模型。为应对这一挑战，我们提出了 SecFedAProx - LSTM，这是一种结合深度学习模型和隐私保护自适应联邦学习框架的新型风电预测方法。该方法动态调整局部优化目标，以在全局收敛性能和探索个体特征之间取得平衡，从而解决统计异质性问题。此外，它采用去中心化多客户端功能加密进行安...
解读: 从阳光电源的业务视角来看，本文提出的隐私保护自适应联邦学习风电预测方法具有重要的战略参考价值。虽然研究聚焦于风电场景，但其核心技术框架可直接迁移至光伏功率预测、储能系统优化及多能源协同管理等阳光电源的核心业务领域。 该技术的核心价值在于突破了数据孤岛困境。当前阳光电源在全球部署了大量光伏电站和储能...
ZTFed-MAS2S：一种用于风电数据填补的可验证隐私与信任感知聚合零信任联邦学习框架
ZTFed-MAS2S: A Zero-Trust Federated Learning Framework With Verifiable Privacy and Trust-Aware Aggregation for Wind Power Data Imputation
Yang Li · Hanjie Wang · Yuanzheng Li · Jiazheng Li 等5人 · IEEE Transactions on Industrial Informatics · 2025年10月
由于传感器故障和边缘站点传输不稳定，风电数据常常存在缺失值。虽然联邦学习能够在不共享原始数据的情况下实现隐私保护协作，但在参数交换过程中，它仍然容易受到异常更新和隐私泄露的影响。在开放的工业环境中，这些挑战更加严峻，因此需要零信任（ZT）机制，即不默认信任任何参与者。为应对这些挑战，本文提出了ZTFed - MAS2S，这是一个集成了基于多头注意力的序列到序列插补模型的零信任联邦学习框架。ZTFed将可验证差分隐私与非交互式零知识证明以及机密性和完整性验证机制相结合，以确保可验证的隐私保护和安全...
解读: 从阳光电源的业务视角来看，这项零信任联邦学习框架虽然聚焦于风电数据补全，但其核心技术对我司在新能源数据管理和多场景协同方面具有重要借鉴价值。 在技术价值层面，该框架解决的数据缺失问题在光伏电站和储能系统中同样普遍存在。我司遍布全球的逆变器和储能设备常因通信不稳定、传感器故障导致数据缺失，影响功率预...
基于物理超参数优化联邦多层深度学习模型的物联网入侵检测
Physics-Based HPO Federated Multi-Layered DL Model for IDS in IoT Networks
Chirag Jitendra Chandnani · Vedik Agarwal · Shlok Chetan Kulkarni · Aditya Aren 等6人 · IEEE Access · 2025年1月
物联网正以其无处不在重塑我们生活。从健身手表到飞机的IoT设备无处不在性质突然上升导致网络攻击激增。AI驱动入侵检测系统IDS近期被用于对抗IoT环境中这一攻击激增。然而，现有解决方案缺乏分布式去中心化环境训练优化。去中心化环境训练模型的流行解决方案是联邦学习，多个客户端模型协作训练全局模型同时保持各客户端数据去中心化和私密。然而这存在各客户端数据泛化能力差的问题。本研究提出新型联邦多层深度学习Fed-MLDL模型，在分布式联邦学习环境中采用基于物理的超参数优化技术FedRIME用于CICIoT...
解读: 该联邦学习入侵检测技术对阳光电源分布式能源物联网安全具有重要应用。阳光管理全球数百万台光伏逆变器和储能设备，设备分布式部署和数据隐私保护是关键需求。该Fed-MLDL模型可应用于阳光iSolarCloud平台的分布式安全防护，在保护各电站数据隐私的同时实现全局入侵检测模型训练。在工商业储能场景下，该...