【论文标题】Federated Learning for Short-term Residential Energy Demand Forecasting

【作者团队】Christopher Briggs, Zhong Fan, Peter Andras

【发表时间】2021/05/27

【机 构】英国，斯塔福德郡基尔大学，数学系

【论文链接】https://arxiv.org/pdf/2105.13325.pdf

 

【推荐理由】本文出自英国，斯塔福德郡基尔大学，针对能源需求预测过程中使用的智能电笔，由于会可能侵犯消费者的隐私数据而使用率很低的问题，本文提出了一种基于联邦学习（FL）的方法，通过分布式、协作的方式训练预测模型，同时保留基础数据的隐私性。实验结果表明该方法各方面表现较好。

 

能源需求预测是能源行业中执行的一项基本任务，以帮助平衡供需之间的关系，并保持电网的稳定负载。随着供应向不太可靠的可再生能源发电的过渡，智能电表将被证明是协助完成这些预测任务的重要组成部分。但是，在那些注重隐私的消费者中，智能电表的使用率很低，他们担心会入侵其细粒度的消费数据。在这项工作中，提出并探索了一种基于联邦学习（FL）的方法，用于以分布式、协作的方式训练预测模型，同时保留基础数据的隐私性。本文比较了两种方法：FL和集群变体(FL+HC)与非私有的集中式学习方法和完全私有的本地化学习方法。在这些方法中，通过在每种情况下训练模型所需的样本数量，使用RMSE和计算效率来衡量模型性能。另外，本文建议在FL策略之后进行个性化步骤，并表明这样做可以提高模型性能。实验证明，与局部学习相比，FL+HC和个性化可以使模型性能提高5％左右，而计算量减少10倍左右。最后，本文提供有关私有聚集预测的建议，以构建私有端到端能源需求预测应用程序。

 

图1 LSTM隐藏单元内关联的操作示意图

内容中包含的图片若涉及版权问题，请及时与我们联系删除