我本次汇报的是我的研究课题《考虑数据隐私保护的BTM光伏发电预测：一种联邦深度强化学习方法》，我将从科研背景、科研问题、科研方法、研究计划、参考文献五个方面进行汇报。

科研背景

“表后”的术语（behind the meter,BTM）是指位于单个实体拥有的单个建筑物或多个设施中的可再生能源系统.通常与分布式发电和存储单元一起运行，以满足最终用户的全部或部分能源需求，BTM 系统的关键部分是通过有效的优化和调度算法来协调负载。

主要特点：1位置（区分behind-the-meter (BTM) and front-of-meter systems ?能源系统相对电表的位置） 2.现场生成（用户资产上产生任何能源的都视为表后，包括pv，小型风力涡轮机，甚至燃气发电机等） 3.现场发电使用 4.现场储能 5.不可见（对于服务商，没有记录，没有监测）

按照尺寸分类一般可分为二类：智能家居、微电网

好处：经济效益、减少温室气体、延期电网投资、提高电网弹性和电能质量、能源独立和安全

BTM系统可能的影响

电力系统变化：大量的BTM光伏系统，on-site发电量的增加导致了电力系统的运行和规划的变化，特别是在一天中的关键时刻，负载预测发生了变化
改变区域负荷：大量BTM光伏系统会显著改变区域净负荷曲线的形状，并带来平衡和可靠性挑战，如中午高峰显著下降，而后夜升高
电力公司难以观测：电力公司只能获得用户累积的净负载数据，BTM光伏系统情况下，难以将光伏与实际负载分开观测
负荷预测退化：大量BTM渗透，对负载预测质量下降，阻碍可靠和高效的网络

科研问题

对比btm的影响来说，有减轻甚至避免的方法，核心就是对BTM光伏系统的容量和未来发电量提前预测。

表后预测光伏问题：精度、安全、隐私和适配

科研目的

1.提出了一种深度强化学习（DRL）中的深度确定性策略梯度（DDPG）算法作为BTM光伏发电预测的基本预测模型，与传统预测方法相比，可以提高预测精度。
2.为了处理数据的隐私性和开放性、资源开销等，提出了一种分布式联邦预测方案，该方案结合了联邦学习和DRL(FedDRL)，用于多区域的BTM发电预测。

研究内容

联邦学习主要由一个联合服务器和多个客户端组成。大多数训练过程都是在每个客户端的边缘设备上本地完成的。原始数据彼此之间不共享，通过共享参数的方式，适用于解决数据隐私和分布式场景的问题。
DDPG作为一种深度强化学习算法，在解决连续动作空间问题方面具有高效稳定的能力。并且它是基于Actor-Critic(演员—评论家)框架的算法，该框架有四个神经网络。Actor(演员)和Critic(评论家)各包含一个主网络和一个目标网络。

具体研究内容将会在组会详细介绍。