典型文献
基于联邦学习的短期负荷预测模型协同训练方法
文献摘要：
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.
文献关键词：
数据隐私;机器学习;负荷预测;联邦学习
中图分类号：
作者姓名：
车亮;徐茂盛;崔秋实
作者机构：
湖南大学电气与信息工程学院,湖南长沙410082;重庆大学电气工程学院,重庆400044
文献出处：
引用格式：
[1]车亮;徐茂盛;崔秋实-.基于联邦学习的短期负荷预测模型协同训练方法)[J].湖南大学学报（自然科学版）,2022(08):117-127
A类：
GEFCom2012
B类：
联邦学习,短期负荷预测,负荷预测模型,协同训练,训练方法,机器学习方法,电力系统,模型泛化,泛化能力,数据隐私保护,负荷数据,输入特征,长短期记忆,Long,Short,Term,Memory,Federated,Learning,FL,迭代更新,运营商,保证数据,仿真验证,商数,预测准确率,练出,多场景
AB值：
0.302761
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
