Исследование посвящено федеративному обучению для краткосрочного прогнозирования электрической нагрузки (STLF), которое учитывает проблемы конфиденциальности данных. Авторы выявляют структурированную неоднородность в данных клиентов: разные реакции на внешние факторы и различные временные профили нагрузки, что ухудшает точность прогнозов при федеративном обучении. Для решения предлагаются две стратегии инициализации модели — глобальная и локальная, которые улучшают качество прогнозирования.
Актуально для задач прогнозирования в энергетике, где необходимо учитывать распределенные данные и обеспечивать конфиденциальность, а также адаптироваться к неоднородности потребителей.
Перевод и краткое изложение — машинные, по материалам источника. Полный текст статьи не републикуется; права на него принадлежат источнику.
