A privacy preserving approach to short-term household load forecasting with federated learning and differential privacy

Abstract

A previsão de carga de curto prazo constitui um componente fundamental dos sistemas modernos de gestão de energia, ao apoiar decisões operacionais críticas, mitigar riscos de interrupções e aprimorar a confiabilidade geral da rede elétrica. Nos últimos anos, os modelos de aprendizado profundo, como as redes Long Short-Term Memory (LSTM) e os Transformers, alcançaram resultados notáveis na melhoria da precisão das previsões. No entanto, sua aplicação em ambientes de aprendizado centralizado apresenta riscos significativos à privacidade, uma vez que os dados de consumo específicos de cada usuário precisam ser coletados e processados em um servidor central, potencialmente expondo informações sensíveis. Com o objetivo de enfrentar essas limitações, esta pesquisa propõe um arcabouço de previsão com preservação de privacidade, que integra o Aprendizado Federado (Federated Learning - FL, em inglês) com Privacidade Diferencial Local (Local Differential Privacy - LDP, em inglês) e o algoritmo de otimização FedProx, a fim de viabilizar uma previsão segura e robusta da demanda elétrica residencial. Na abordagem proposta, os clientes treinam seus modelos localmente de forma colaborativa, transmitindo ao servidor central apenas atualizações de modelo criptografadas e perturbadas, eliminando assim a necessidade de compartilhamento direto dos dados brutos. A incorporação da LDP garante a preservação da privacidade mesmo sob a suposição de um servidor não confiável, pois um ruído cuidadosamente calibrado é adicionado no nível do cliente. Paralelamente, o algoritmo FedProx aumenta a robustez do modelo contra ameaças à integridade – como envenenamento de dados (data poisoning) e manipulação de gradientes – ao melhorar a convergência em cenários de distribuição heterogênea entre os clientes. O método proposto é avaliado em dois conjuntos de dados de carga residencial de referência, sob três configurações distintas: aprendizado centralizado, aprendizado federado padrão e aprendizado federado com LDP. Os resultados experimentais demonstram que o arcabouço FL-LDP alcança um equilíbrio favorável entre privacidade e utilidade, mantendo desempenho competitivo de previsão enquanto reforça significativamente a confidencialidade dos dados, tanto em cenários de dados balanceados quanto desbalanceados.