文献阅读—Matching Theory Adied Federated Learning Method for Load Forecasting of Virtual Power Plant

1.本文研究的问题？

       在虚拟电厂中，需要对用户进行负荷预测，以便精准调控。端设备的大量数据需上传到边缘服务器和云，再由云平台做出决策，在边缘服务器将决策分解后发给端设备。联邦学习（FL）可以解决此问题，将设备的数据保存在本地，与云端协同训练负荷预测模型。但是普通的FL不可直接用于负荷预测：每个用户的用电行为不同，全局模型不适用于所有用户；FL训练速度依赖于资源短缺的设备。

       本文研究的问题：如何在不上传数据的情况下，使每个用户拥有适配的负荷预测模型（根据不同用户用电行为进行分组）；如何最小化每个分组中设备的总功耗和训练时间。

2.针对这个问题，现有的方法？这些方法有什么缺点？

        递归神经网络（RNN）方法，数据需要全部上传到云平台进行训练，设备数据中包含有敏感信息，通过网络发送会有不安全隐患。

        FL方法进行负荷预测，不需要上传原数据，只上传模型参数，设备从云上下载一个全局模型，用本地数据训练本地模型，此方法中，全局模型不适配所有用户，并且训练时间依赖于资源短缺者。

        基于聚类的负荷预测，给每个用户提供了精确的预测模型，但是需要大量数据才能聚类，上传数据同样存在安全隐患。

3.本文提出了什么方法？

       本文提出了多中心FL负荷预测框架。通过不同的电力消耗模式、不同的通信资源、计算资源，对设备进行分组。

       将匹配理论加入到FL中，优化分组策略和预测模型，是一个组内的功耗+训练时间最小。

4.本文的方法效果如何？

        数据集：2009.7.1-2010.12.31爱尔兰居民、企业用电行为每隔一小时的用户负载。

        传统的集中式FL与多中心FL算法做对比实验。分别比较：训练轮次的RMSE、训练轮次的MAPE、训练时间的RMSE。结果表明，与基于FL的现有负载预测方法相比，本方案的预测误差减少了8.11％，训练时间减少了90.37％。

*个人理解总结

传统联邦学习的思想：

        云将全局模型下发给所有的本地设备，本地设备利用自己的数据训练本地模型，得到一个参数；

        每个设备将自己的参数上传给云；

        云将所有参数进行聚合；

        重复以上步骤直到达到模型的期望值。

联邦学习迭代步骤：

        （1）中央服务器初始化一个全局模型，发放给所有设备；

        （2）本地设备利用本地数据进行训练；

        （3）云平台收到所有的模型参数，聚合为一个全局模型；

        （4）重复（1）-（3）的步骤，知道满足条件。

不同用户行为不同，全局模型不适配所有用户，本文提出了多中心联邦学习框架：

        即对所有用户进行分组。假定有K个边缘服务器，将所有设备分成K组，边缘服务器获得每一组的模型参数，进行聚合（即所有设备模型参数的平均值），形成该组的全局模型。此方法解决了全局模型不适配所有用户问题。

分组采用了KM匹配的方法。

对于（一对多）—>（一对一）的理解：

        有K个边缘服务器，每个服务器对应多个设备。（一对多）但KM算法是一对一的匹配，为了使用KM算法，将边缘服务器扩展为与设备数量一样多。

        扩展：指建模和代码实现的时候使得两者数量相等。例如：原本有A、B、C三个服务器a、b、c、d、e、f 6个设备，将他们变成：A、B、C、A'、B'、C'六个服务器和a、b、c、d、e、f 6个设备，其中A'与A等同，以此类推。(一对一)

此时，便可以使用KM算法。若得到的结果是：A-a，B-b，C-c，A'-d，B'-e，C'-f。由于A'、B'、C'是构建出来的，并且A'等同于A，B'等同于B，C'等同于C，所以将他们仨对应的设备，分别归于A、B、C。即：

A — a、d

B — b、e

C — c、f

综上，本文的创新点是：

        对用户进行了分组，使得全局模型与每个用户尽可能匹配。 

        分组时用了匹配算法，使得每组内功耗、通信消耗最小。

看论文太难了啊！理解不了啊！我太菜了啊！救命！