Generative Federated Learning-Driven Privacy-Preserving Collaborative Optimization for Multimicrogrid Systems

Jinliang Liu

doi:10.1109/tii.2026.3725678

Generative Federated Learning-Driven Privacy-Preserving Collaborative Optimization for Multimicrogrid Systems

2026-09-09

0

PRE

AI

DOI：10.1109/tii.2026.3725678

原文链接

原文求助

摘要

En 中文

多微电网系统（MMSs）中的协同优化对于提升运行效率至关重要，但传统鲁棒优化中的过度保守性、标准联邦学习中的通信负载过高以及隐私漏洞等问题常带来挑战。为解决这些问题，本文提出了一种融合生成联邦学习（GFed）与斯坦克尔伯格博弈理论的隐私保护协同优化框架。通过构建时变权重不确定性集合以自适应表征风电波动，从而缓解过度保守性。为保障全局协调安全，引入GFed机制，各微电网本地训练去噪扩散概率模型并上传保留的本地生成参数及低维统计特征至配电系统运营商（DSO）。DSO聚合这些参数并执行条件反向采样以合成个性化代理响应。DSO-MMSs交互被建模为斯坦克尔伯格博弈，并通过卡鲁什-库恩-塔克条件转化为均衡约束数学规划，以实现最优协同均衡。在IEEE 69节点系统上的大量仿真表明，所提方案较现有隐私保护算法显著降低了在线协同通信负载，相较于FedAvg、松散耦合联邦学习和差分隐私交替方向乘子法（ADMM），重构攻击成功率分别降低55.6%、55.0%和21.3%，而成员推理接收器操作特征曲线下面积（AUC）接近0.5的随机推断基准。同时，所提框架在隐私安全、经济性能和计算效率之间实现了理想平衡。

Keyword:

Collaborative optimization

generative federated learning (GFed)

multimicrogrid systems (MMSs)

privacy preservation

Stackelberg game

wind power uncertainty

Generative Federated Learning-Driven Privacy-Preserving Collaborative Optimization for Multimicrogrid Systems

摘要

期刊

机构

引用论文