基于长短期记忆网络模型的联邦学习居民负荷预测

摘要

居民生活用电量在全社会用电量中占比达到15%以上，且用户数量巨大、分布广。对居民负荷进行准确预测有助于需求侧资源整合，满足需求侧响应的要求。现有居民负荷预测方法多为集中式，在服务器和客户端之间需要进行大量数据交换，导致通信成本增加，并引发信息安全问题。基于联邦学习框架，采用长短期记忆网络对居民负荷预测方法进行研究。利用真实居民负荷数据进行仿真计算分析，结果表明，基于联邦学习的居民负荷预测准确率和计算效率优于集中式。此外，将FedAvg、FedAdagrad、FedYogi三种联邦学习策略进行比较，采用具有自适应优化功能的FedAdagrad联邦学习策略对居民负荷预测的准确率更高，收敛性更强。

关键词

居民用户 / 集中式 / 联邦学习 / 负荷预测 / 长短期记忆网络