智能电网中的电力负荷预测：一种个性化联邦学习方法

电力负荷预测对于智能电网的电力管理和稳定性至关重要。这主要通过高级计量基础设施实现，其中智能电表（SM）用于记录家庭能源消耗。传统的机器学习（ML）方法常用于负荷预测，但需要数据共享，这引发了数据隐私问题。联邦学习（FL）可以通过在本地智能电表上运行分布式机器学习模型而无需数据交换来解决此问题。然而，当前基于联邦学习的方法由于异构智能电表间数据分布不均衡，难以实现高效的负荷预测。本文提出了一种新颖的个性化联邦学习（PFL）方法，用于在非独立同分布（non-IID）的计量数据设置下进行负荷预测。具体而言，我们引入了元学习，利用元学习思想在每一轮全局训练中为每个客户端操纵学习率，以最大化其梯度。具有不同处理能力、数据量和批量大小的客户端可以参与全局模型聚合，并通过个性化学习改进其本地负荷预测。仿真结果表明，我们的方法在负荷预测精度方面优于最先进的机器学习和联邦学习方法。