基于联邦学习的短期负荷预测模型协同训练方法

摘要

针对机器学习方法在电力系统短期负荷预测领域的应用过程中,存在数据样本不足、模型泛化能力差以及数据隐私保护要求较高等问题,以气象、日期以及历史负荷数据为输入特征,构建基于长短期记忆(Long Short-Term Memory,LSTM)网络的短期负荷预测模型,提出基于联邦学习(Federated Learning,FL)的短期负荷预测模型协同训练方法.通过分散训练、中心聚合的方式对模型参数进行迭代更新,实现各负荷运营商在保证数据隐私的情况下协同构建预测模型.在GEFCom2012比赛的多个地区负荷数据集上进行仿真验证,结果表明,所提方法在保证各运营商数据隐私的同时,有效提升了短期负荷预测准确率,所训练出的模型在多场景下具有优秀的泛化能力.