1. 廊坊师范学院
2. 国家统计局
Published:2025
移动端阅览
[J]. 2025, (10): 126-135.
DOI:
[J]. 2025, (10): 126-135. DOI: 10.19421/j.cnki.1006-6357.2025.10.013.
针对居民用电负荷识别中数据隐私保护与模型适应性协同优化的挑战,提出了一种基于联邦学习的局部适应型Transformer模型。该模型旨在解决非独立同分布数据对模型泛化能力的挑战。在Transformer高维时间序列结构中嵌入用户级自适应调节机制,并结合全局共享与局部适应的混合参数更新策略,以实现对个体用电特征的动态感知和个性化建模。为增强隐私保护能力,设计了异步联邦聚合策略,避免了用户原始数据集的集中传输,并引入了差分隐私技术以提升隐私保护能力。研究采用REFIT真实家庭用电数据集,覆盖日、周、月3种时间尺度,并在多客户端环境下验证了模型性能。结果表明,该模型在高负荷时段识别任务中表现优异,平均F1分数高于0.97,在不同时间尺度和异构客户端上均展现出良好的稳健性与泛化能力。此外,动态微调测试表明该模型能有效适应用电行为的突变,验证了其在中长期负荷预测和个性化节能服务中的应用潜力。该研究为隐私友好的居民用电负荷建模提供了新的方法支撑,并为构建多区域场景的个性化节能服务体系奠定了基础。
李伟,李浩.我国电力消费影响因素分析[J].广东电力,2015(06).
李宗,刘晓静,谢涛,邢胜男,安玲.居民用电行为识别与供电服务优化[J].科技和产业,2020(03).
张瑶,王傲寒,张宏.中国智能电网发展综述[J].电力系统保护与控制,2021(05).
唐俊熙,曹华珍,高崇,吴亚雄,石颖.一种基于时间序列数据挖掘的用户负荷曲线分析方法[J].电力系统保护与控制,2021(05).
董雷,陈振平,韩富佳,王晓辉,蒲天骄.基于图卷积神经网络与K-means聚类的居民用户集群短期负荷预测[J].电网技术,2023(10).
崔高颖,邵雪松,陈霄,储娜娜,张娅楠.基于多维特征分析与动态定权聚类的电力居民用户分类[J].电力需求侧管理,2023(06).
李彬,李悦欣,林驿轩,祝恩国,刘岩,王朝亮.考虑负荷动态响应特性的居民小微负荷优化调度策略[J].供用电,2024(03).
周燕,刘卫民,陈帆,贾梦青,王静,周杰,徐文韬.不同光伏渗透率下考虑需求响应的配电网储能双层规划[J].高压电器,2024(10).
余铮,金波,焦尧毅,陈璞,陈家璘.基于混合深度学习的短期风电预测研究[J].武汉理工大学学报(信息与管理工程版),2024(01).
暴琳,朱志宇,孙晓燕,徐标.面向多源异构数据的个性化搜索和推荐算法综述[J].控制理论与应用,2024(02).
朱嵩阳,张歌,贾愉靖,白晓清.基于长短期记忆网络模型的联邦学习居民负荷预测[J].现代电力,2025(01).
杨凯,王枫,周磊.基于人工智能技术的智能电网负荷预测与调度优化研究[J].电气技术与经济,2024(12).
陈育培,朱斌.一种基于自适应RNN的居民异常用电行为智能检测方法[J].电力需求侧管理,2025(01).
胡灶华,何明成.居民家庭智慧用能 打造智能化客户服务[J].农电管理,2024(07).
王靖.基于聚类分析和特征工程的用户侧负荷特性分析及预测[D].华北电力大学(北京),2024(06).
赵莹莹.面向负荷数据的工商业用户用电行为分析平台研究与实现[D].北京邮电大学,2021(01).
郑情畅.基于深度学习的居民用电负荷分解研究[D].宁夏大学,2023(04).
0
Views
3
下载量
CSCD
Publicity Resources
Related Articles
Related Author
Related Institution