此次汇报主要是汇报分布式储能网络化运营体系中数据安全与隐私保护问题研究中针对《基于联邦学习的云储能平台参与者选择机制研究》的研究进展，主要从科研背景、科研问题、科研目的、研究进展几个方面展开。

科研背景：
（1）目前基于分布式储能的研究场景中，更多聚焦于用户或者能源提供商效益的研究，对于分布式储能平台管理功能需要更进一步；
（2）基于储能管理系统中，在聚合管理过程中参与节点可能不会诚实地共享训练参数，因此协同训练数据信息具有不确定性、模糊性等特征，选择较好节点可以提高整体的运营效率。
（3）缺乏必要的竞争机制来提升平台运行效率，目前的效益分配方案多采用贡献度固定的分面机制，会使用户在平台上的自主性不高，没有起到激励作用，不利于参与主体通过提升竞争力提高整体的经济效益。

科研问题：单位系统数据样本有限，而利用联邦学习进行分布式预测存在协作训练中不诚实节点影响全局模型精度。

科研目的：构建基于联邦学习的分布式节点选择方法
构建科学的信誉评估机制选择贡献较大节点进行模型的聚合训练
对于贡献越高的节点，其得到的本地模型质量也越高

研究进展