基于联邦学习和DAL策略的电力负荷预测

来源：南京信息工程大学学报·自然科学版杂志2026年第3期北京时间：

作者：周聪，李明，袁隆发，丁南威，铁瑞君，曾蒸

单位：周聪,重庆师范大学 计算机与信息科学学院, 重庆, 401331,李明,重庆师范大学 计算机与信息科学学院, 重庆, 401331,袁隆发,马来亚大学 高级研究院, 马来西亚吉隆坡, 50603,丁南威,重庆师范大学 计算机与信息科学学院, 重庆, 401331,铁瑞君,重庆师范大学 计算机与信息科学学院, 重庆, 401331,曾蒸,重庆师范大学 新闻与媒体学院, 重庆, 401331

摘要：针对传统电力负荷预测方法依赖单一区域数据训练模型,导致跨区域预测时泛化能力显著下降的问题,设计了一种基于时序卷积网络(Temporal Convolutional Network,TCN)、长短期记忆(Long Short-Term Memory,LSTM)网络和注意力机制的混合模型(TCN-LSTMs-Attention),并结合去中心化聚合学习(Decentralized Aggregation Learning,DAL)策略,通过在同一服务器上顺序训练来自不同区域的数据,构建多个子模型,最终得到可进行区域预测的全局模型.同时,结合动态学习率减半与参数重置机制,进一步加速模型收敛.基于第九届中国电机工程杯竞赛数据集的实验结果表明,相较于独立区域训练模型,所提方法在跨区域预测任务中均方误差、平均绝对误差、均方根误差和平均绝对百分比误差分别提升43.0%、29.5%、24.4%和35.4%,验证了其在高异质性负荷场景下的鲁棒性与工程实用性.

关键词：电力负荷预测;长短期记忆网络;去中心化聚合学习;跨区域预测

基金资助：重庆市自然科学基金(CSTB2022NSCQ-MSX1231);重庆市高等教育教学改革研究项目(243400);国网重庆信通公司项目(SGCQXT00JSJS2400122)