基于联邦学习的多跳智能电表网络电力负荷预测
机器学习
2025-11-05 v3
摘要
电力负荷预测对于智能电网的电力管理与稳定性至关重要。这主要通过高级量测体系实现，其中智能电表记录家庭能源数据。传统机器学习(ML)方法常用于负荷预测，但需要数据共享，这引发了数据隐私担忧。联邦学习(FL)可以通过在本地智能电表运行分布式 ML 模型而无需数据交换来解决此问题。然而，由于异构智能电表间数据分布不平衡，当前基于 FL 的方法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，用于量测网络中的高质量负荷预测。开发了一种基于元学习的策略，以在本地负荷预测模型的协同训练中解决本地智能电表的数据异构性问题。此外，为了最小化我们 PFL 模型中的负荷预测延迟，我们研究了一个基于智能电表最优资源分配的新型延迟优化问题。我们还进行了理论收敛性分析，为联邦负荷预测的 FL 设计提供了见解。基于真实世界数据集的大量仿真表明，我们的方法在更好的负荷预测和降低的运行延迟成本方面优于现有方法。
引用
@article{arxiv.2502.17226,
title = {Electrical Load Forecasting over Multihop Smart Metering Networks with Federated Learning},
author = {Ratun Rahman and Pablo Moriano and Samee U. Khan and Dinh C. Nguyen},
journal= {arXiv preprint arXiv:2502.17226},
year = {2025}
}