开放电力市场中的小规模主体由于缺乏数据导致负荷预测准确度低，联邦学习在保证数据隐私前提下利用多方数据训练得到考虑多方共性的全局模型，但该模型由于忽略了个性特征无法保证在每个参与方都达到最优预测效果。为此，提出一种基于数据分解的多区域个性化联邦负荷预测方法(personalized federated multi-region load forecasting method based on data decomposition

p Fed D)。首先，对原始负荷数据序列分解得到包含不同数据特征的本征模态函数(intrinsic mode functions

IMF)；其次，中央服务器根据信号过零率将所有IMF分为高频、低频和趋势分量；最后，根据分量相关性分析，客户端将高频和趋势分量作为个性化分量进行本地模型训练，将低频分量作为联邦分量参与全局模型训练。在中国北方10个地区的真实负荷数据上进行实验，结果表明，p Fed D的平均绝对百分比误差(mean absolute percentage error

MAPE)为3.09%，比经典的联邦平均(federated averaging

Fed Avg)方法降低了1.67%。