基于联邦学习的短期负荷预测模型协同训练方法

• 作者: 车亮 徐茂盛 崔秋实
• 来源期刊: 湖南大学学报（自然科学版）
• 关键词: 数据隐私 机器学习 负荷预测 联邦学习
• 年，卷（期）: 2022,（8）
• 所属期刊栏目: 电气与信息工程
• 页码范围: 117-127
• 页数: 10页
• 分类号: TM715
• 语种: 中文
• DOI: 10.16339/j.cnki.hdxbzkb.2022240

摘要

针对机器学习方法在电力系统短期负荷预测领域的应用过程中，存在数据样本不足、模型泛化能力差以及数据隐私保护要求较高等问题，以气象、日期以及历史负荷数据为输入特征，构建基于长短期记忆（Long Short-Term Memory,LSTM）网络的短期负荷预测模型，提出基于联邦学习（Federated Learning,FL）的短期负荷预测模型协同训练方法 .通过分散训练、中心聚合的方式对模型参数进行迭代更新，实现各负荷运营商在保证数据隐私的情况下协同构建预测模型.在GEFCom2012比赛的多个地区负荷数据集上进行仿真验证，结果表明，所提方法在保证各运营商数据隐私的同时，有效提升了短期负荷预测准确率，所训练出的模型在多场景下具有优秀的泛化能力.