考虑异质性的个性化联邦学习方法：基于多源真实世界智能电表数据的家庭能源预测

《Scientific Reports》：Heterogeneity-aware personalised federated learning for household energy forecasting on multi-source real-world smart meter data

　　

摘要

住宅和建筑层面的电力预测越来越多地依赖于智能电表的实时数据，但由于负载数据具有隐私性、地理分布广泛且在不同家庭和建筑间存在统计差异，直接整合这些数据往往较为困难。本文研究了这种客户异质性对联合能源预测的影响。通过结合处理后的智能电表数据、CU-BEMS数据、UCI家庭用电数据以及AMPds数据，构建了一个多源基准数据集，共包含22个可用数据源和1,522,510条每15分钟更新一次的观测记录。该基准测试比较了非联合预测方法（如Persistence、Ridge、LocalOnly和Centralised训练）、标准联合预测方法（FedAvg、FedProx和FedPer），以及本文提出的HAPFL框架在1步、12步和24步预测时间范围内的表现。HAPFL框架将共享的时间编码器与针对特定客户的预测模块分离，并结合了近端稳定化技术、潜在原型对齐机制以及基于数据难度的聚合方法。在所测试的基准协议中，HAPFL在所有三个时间范围内均实现了最低的平均绝对误差（MAE）和最高的平均\(R^2\)值。在1步预测时，与集中式训练相比，HAPFL的平均MAE从0.208降至0.196，平均\(R^2\)从0.741提升至0.769；同时，表现最差的10%客户的MAE也从0.301降至0.274。在12步和24步预测时，HAPFL相对于集中式训练的平均MAE分别降低了6.11%和7.60%。研究结果表明，对于分布高度不均匀的能源客户群体，单纯的联合平均方法并不适用；而采用个性化且考虑客户异质性的联合学习方法更适合用于分散式的家庭和建筑负荷预测。