基于分布式长短期记忆的短期负荷预测
机器学习
2022-10-19 v2 多智能体系统
摘要
随着智能电表的部署，零售商可收集大量消费者行为数据。从所收集数据中，零售商可获取家庭画像信息并实施需求响应。尽管零售商倾向于在不同客户间获得尽可能准确的模型，但存在两大挑战。首先，零售市场中不同零售商不共享其消费者用电数据，因这些数据被视为其资产，导致了数据孤岛问题。其次，由于不同零售商可能服务各类消费者，用电负荷数据高度异构。为此，提出一种基于共识算法与长短期记忆（LSTM）的全分布式短期负荷预测框架，可保护客户隐私并满足精确负荷预测需求。具体而言，采用全分布式学习框架进行分布式训练，并应用共识技术以满足保密隐私。案例研究表明，所提方法在精度上与集中式方法相当，但在训练速度与数据隐私方面具优势。
引用
@article{arxiv.2208.01147,
title = {Short-term Load Forecasting with Distributed Long Short-Term Memory},
author = {Yi Dong and Yang Chen and Xingyu Zhao and Xiaowei Huang},
journal= {arXiv preprint arXiv:2208.01147},
year = {2022}
}
备注
5 pages, 4 figures, 2023 ISGT-NA