[论文解读] Federated Learning Meets Contract Theory: Energy-Efficient Framework for Electric Vehicle Networks

Yuris Mulya Saputra, Diep N. Nguyen+4 more|arXiv (Cornell University)|Apr 4, 2020

Electric Vehicles and Infrastructure参考文献 33被引用 8

一句话总结

本文提出了一种基于委托-代理理论与联邦学习的电动汽车（EV）网络框架，通过隐私保护的本地模型训练与动态能源定价协商机制，提升了能源需求预测精度，同时优化了充电站（CSs）的利润并改善了社会福利。通过采用去中心化的联邦能源学习（DFEL）实现隐私保护的本地模型训练，以及基于多主顾单代理（MPOA）委托模型实现动态能源定价协商，该框架在预测精度上比基线方法提高24.63%，通信开销降低96.3%，CS利润提升35%，社会福利提升36%（相较于非委托模型）。

ABSTRACT

In this paper, we propose a novel energy-efficient framework for an electric vehicle (EV) network using a contract theoretic-based economic model to maximize the profits of charging stations (CSs) and improve the social welfare of the network. Specifically, we first introduce CS-based and CS clustering-based decentralized federated energy learning (DFEL) approaches which enable the CSs to train their own energy transactions locally to predict energy demands. In this way, each CS can exchange its learned model with other CSs to improve prediction accuracy without revealing actual datasets and reduce communication overhead among the CSs. Based on the energy demand prediction, we then design a multi-principal one-agent (MPOA) contract-based method. In particular, we formulate the CSs' utility maximization as a non-collaborative energy contract problem in which each CS maximizes its utility under common constraints from the smart grid provider (SGP) and other CSs' contracts. Then, we prove the existence of an equilibrium contract solution for all the CSs and develop an iterative algorithm at the SGP to find the equilibrium. Through simulation results using the dataset of CSs' transactions in Dundee city, the United Kingdom between 2017 and 2018, we demonstrate that our proposed method can achieve the energy demand prediction accuracy improvement up to 24.63% and lessen communication overhead by 96.3% compared with other machine learning algorithms. Furthermore, our proposed method can outperform non-contract-based economic models by 35% and 36% in terms of the CSs' utilities and social welfare of the network, respectively.

研究动机与目标

• 解决由于本地数据有限与隐私约束导致的去中心化电动汽车充电网络中能源需求预测不准确的问题。
• 设计一种节能且保护隐私的框架，使CSs能够在不共享原始数据的前提下协作提升预测精度。
• 通过灵活可协商的经济模型，在CSs与智能电网运营商（SGP）之间存在信息不对称的情况下，最大化CS利润与社会福利。
• 开发一种可扩展的去中心化解决方案，支持在个体理性与激励相容约束下实现动态能源定价协商与均衡合同结果。

提出的方法

• 提出一种基于CS的去中心化联邦能源学习（DFEL）框架，其中每个CS使用自身数据训练本地能源需求预测模型，仅共享模型参数以提升全局精度，而不暴露原始数据。
• 引入基于CS聚类的DFEL方法，通过将相似的CSs分组进行联合模型训练，降低模型维度并加速收敛。
• 开发一种多主顾单代理（MPOA）委托经济模型，其中SGP作为主顾，多个CS作为代理，实现基于需求类型的动态能源价格协商。
• 在个体理性与激励相容约束下，制定非合作能源合同优化问题，以确保需求类型的真实报告。
• 在SGP端设计一种迭代算法，计算最大化CS利润与社会福利的均衡合同解决方案。
• 采用基于类型的机制，使CSs报告其需求类型，SGP利用一系列能源容量类型推断真实类型，并设定最优合同条款。

实验结果

研究问题

• RQ1 如何在不损害数据隐私或产生高昂通信成本的前提下，提升去中心化电动汽车网络中的能源需求预测精度？
• RQ2 何种最优合同机制可使SGP与多个CS实现动态能源价格协商，同时最大化个体与集体福利？
• RQ3 信息不对称（即SGP的能源容量为私有信息）如何影响能源传输机制的设计与性能？
• RQ4 在本地数据有限且需求模式异构的电动汽车网络中，联邦学习在多大程度上可提升预测性能？
• RQ5 与固定价格模型相比，合同模型中多层级能源定价的灵活性在多大程度上提升了CS的总利润与网络的社会福利？

主要发现

• 所提出的DFEL框架相比传统机器学习方法（如kNN、SNN和DNN）将能源需求预测精度最高提升24.63%。
• 由于在联邦学习框架中采用模型参数共享而非原始数据交换，CSs之间的通信开销降低了96.3%。
• MPOA委托模型相比非委托模型（如按比例请求与无预测方法）使CS利润提升35%，社会福利提升36%。
• 当SGP可能的能源容量类型数量达到15种时，系统实现接近收敛的期望效用性能，表明在信息不对称条件下类型推断具有高精度。
• 当协商的能源传输价格单位数从1个增至10个时，社会福利最高提升21%，证明了灵活定价协商的优势。
• 迭代合同算法收敛至满足个体理性与激励相容约束的均衡解，确保了真实报告与稳定结果。