面向异构客户端的个性化层联邦短期负荷预测
机器学习
2023-09-26 v1
摘要
智能电表的出现使得能源消费数据得以普适化收集，用于训练短期负荷预测（STLF）模型。针对隐私顾虑，联邦学习（FL）被提出作为一种保护隐私的训练方法，但随客户端数据异质性增强，训练模型质量会下降。本文利用个性化层缓解该缺陷，即 FL 框架中 STLF 模型的特定层仅在客户端自有数据上训练。为此，我们提出一种个性化联邦学习算法（PL-FL），使 FL 能处理个性化层。PL-FL 算法基于 Argonne 隐私保护联邦学习包实现。我们在 NREL ComStock 数据集（含多栋商业建筑的异质能耗数据）上测试了所训练模型的预测性能。采用 PL-FL 训练的模型展现出的优越性能表明，个性化层使经典 FL 算法能够处理具异质数据的客户端。
引用
@article{arxiv.2309.13194,
title = {Federated Short-Term Load Forecasting with Personalization Layers for Heterogeneous Clients},
author = {Shourya Bose and Kibaek Kim},
journal= {arXiv preprint arXiv:2309.13194},
year = {2023}
}