通过个性化层解决联合负载预报中的异质性

智能电表的出现使得能够广泛收集能源消耗数据以训练短期负载预测模型。为了应对隐私问题，提出了联邦学习（FL）作为一种保护隐私的训练方法，但随着客户端数据的异质性增加，训练模型的质量下降。在本文中，我们提出在一种称为PL-FL的通用框架中使用个性化层进行负载预测。我们证明PL-FL的性能优于FL和纯粹的本地训练，同时所需的通信带宽低于FL。这是通过对来自NREL ComStock库的三个不同数据集进行深入模拟实现的。