面向短期居民负荷预测的联邦学习
机器学习
2022-09-09 v2 计算机与社会
摘要
负荷预测是能源行业内执行的一项基本任务，有助于平衡供需并维持电网的稳定负荷。随着供应向可靠性较低的可再生能源发电转型，智能电表将成为促进这些预测任务的关键组件。然而，在担心细粒度消费数据被侵犯的隐私敏感型消费者中，智能电表的普及率较低。在这项工作中，我们提出并探索了一种基于联邦学习（FL）的方法，以分布式、协作的方式训练预测模型，同时保留底层数据的隐私。我们比较了两种方法：FL 及其聚类变体 FL+HC， against 非私有的集中式学习方法以及完全私有的本地化学习方法。在这些方法中，我们使用 RMSE 和计算效率来衡量模型性能。此外，我们建议 FL 策略后接一个个性化步骤，并表明这样做可以提升模型性能。我们展示了 FL+HC 后接个性化相比本地化学习可实现约 5% 的模型性能提升以及约 10 倍的计算量减少。最后，我们就预测结果的私有聚合以提供私有端到端负荷预测应用给出了建议。
引用
@article{arxiv.2105.13325,
title = {Federated Learning for Short-term Residential Load Forecasting},
author = {Christopher Briggs and Zhong Fan and Peter Andras},
journal= {arXiv preprint arXiv:2105.13325},
year = {2022}
}