基于 LSTM 联邦学习的本地能源社区能源可用性预测
机器学习
2026-02-03 v1 人工智能
分布式、并行与集群计算
摘要
本地能源社区正在成为可持续发展领域的关键参与者。这些社区面临的一个重要挑战是通过有效管理能源生产与消费之间的平衡来实现自给自足。为此，必须开发和实施能够提供准确预测的预测模型，这些模型可由优化和规划算法利用。然而，预测解决方案的应用常常受隐私限制和监管的阻碍，因为参与本地能源社区的用户可以（正确地）对与他人共享其消费模式持保留态度。在此背景下，联邦学习 (FL) 可能是可行的解决方案，因为它可以在不需在用户之间共享隐私敏感信息的情况下创建预测模型。在本研究中，我们展示了如何运用 FL 和长短期记忆 (LSTM) 网络来实现这一目标，突出数据共享与预测准确性之间的权衡。
引用
@article{arxiv.2602.00694,
title = {Forecasting Energy Availability in Local Energy Communities via LSTM Federated Learning},
author = {Fabio Turazza and Marcello Pietri and Natalia Selini Hadjidimitriou and Marco Mamei},
journal= {arXiv preprint arXiv:2602.00694},
year = {2026}
}
备注
Published as a book chapter in the MEDES 2024 proceedings (Springer LNCS)