Uma Previsão de Carga Elétrica de Curto Prazo para Residentes de Comunidades Baseada em Aprendizado Federado e Considerando Proteção de Privacidade

INTRODUÇÃO: À medida que a taxa de penetração de energia renovável aumenta e os padrões de demanda de energia evoluem, as flutuações tanto do lado da oferta quanto da demanda de eletricidade estão se tornando mais pronunciadas. Consequentemente, a previsão precisa das cargas elétricas residenciais da comunidade se tornou crucial. OBJETIVOS: Embora a adoção generalizada de medidores inteligentes entre os residentes forneça dados abundantes para o treinamento do modelo, desafios rigorosos surgem durante o processo de treinamento devido à necessidade de proteção da privacidade e segurança dos dados. MÉTODOS: Este artigo propõe um método de previsão de carga elétrica de curto prazo para residências da comunidade que preserva a privacidade, baseado em aprendizado federado. Inicialmente, o método aplica criptografia de mascaramento aleatório compartilhado aos dados sensíveis dos residentes da comunidade, garantindo a privacidade dos dados enquanto mantém a consistência com os dados originais após o pré-processamento. Subsequentemente, um esquema de agregação de dados privados é estabelecido para realizar agrupamento dinâmico da carga elétrica da comunidade. RESULTADOS: O modelo agrupado, então, serve como base para estabelecer modelos de previsão de carga individual para cada categoria de residentes da comunidade para prever cargas elétricas de curto prazo. Finalmente, uma análise empírica é realizada utilizando os dados de carga elétrica de 120 residências em 6 comunidades em uma cidade no Sul da China. CONCLUSÃO: A análise demonstra que o método proposto pode alcançar a previsão das cargas elétricas residenciais da comunidade sem compartilhar os dados dos residentes, verificando assim a eficácia dessa abordagem.