基于超参数聚类的联邦学习用于电力负荷预测
机器学习
2021-11-16 v1
摘要
电力负荷预测已成为电力系统运行中不可或缺的一部分。深度学习模型在此用途上颇受欢迎。然而，为达到期望的预测精度，它们需要海量训练数据。共享个体家庭的用电数据用于负荷预测可能损害用户隐私，并在通信资源上代价高昂。因此，边缘计算方法如联邦学习在此用途上日益重要。这些方法能利用数据而无需集中存储。本文评估了联邦学习在个体家庭负荷及总负荷短期预测中的性能。通过与集中式和本地学习方案比较，讨论了该方法的优劣。此外，提出了一种新客户端聚类方法以缩短联邦学习的收敛时间。结果表明联邦学习性能良好，个体负荷预测的最小均方根误差（RMSE）为 0.117kWh。
引用
@article{arxiv.2111.07462,
title = {Federated Learning with Hyperparameter-based Clustering for Electrical Load Forecasting},
author = {Nastaran Gholizadeh and Petr Musilek},
journal= {arXiv preprint arXiv:2111.07462},
year = {2021}
}
备注
Accepted in Internet of Things; Engineering Cyber Physical Human Systems