Key points are not available for this paper at this time.
O advento dos medidores inteligentes possibilitou a coleta abrangente de dados de consumo de energia para treinamento de modelos de previsão de carga de curto prazo. Em resposta a preocupações de privacidade, o aprendizado federado (FL) foi proposto como uma abordagem que preserva a privacidade para treinamento, mas a qualidade dos modelos treinados degrada à medida que os dados dos clientes se tornam heterogêneos. Neste artigo, propomos o uso de camadas de personalização para previsão de carga em uma estrutura geral chamada PL-FL. Mostramos que PL-FL supera FL e o treinamento puramente local, enquanto requer uma largura de banda de comunicação mais baixa do que FL. Isso é feito por meio de simulações extensivas em três conjuntos de dados diferentes do repositório NREL ComStock.
Bose et al. (Mon,) estudaram esta questão.