分布式非独立同分布家庭负荷预测的联邦领域分离

家庭负荷预测日益重要，因为它能够启用各种需求侧管理应用。联邦学习方法因其在充分利用不同家庭负荷数据的隐私保护方面的优势而变得流行。然而，由于每个家庭的本地数据具有非独立同分布（non-IID）特征，地方训练获得的知识可能存在较强的偏见。如果简单地将本地训练模型聚合，就像传统的联邦学习方法那样，可能会引入污染，使全球模型易受攻击。为此，我们开发了一种新框架，集成了联邦领域分离，以减轻非IID数据所造成的负面影响。具体而言，我们将获得的知识分为有用部分和潜在污染部分。通过获取前者并通过精心设计的算法去除后者，可以期望得到更抗污染和更个性化的联邦学习模型。与当前的后处理个性化方法相比，所提出的框架可以避免全球知识遗忘，从而实现更全面的知识利用，以提供更准确的结果。在一个公开可用的数据集上，与基准方法进行了广泛的比较实验，以验证所提出框架的优越性，同时各种消融实验证明了所有内部组件的有效性.