基于时序嵌入与超网络建模的风电功率个性化联邦学习预测模型PFL-TEnet及其在能源健康管理中的应用

本综述提出了一种创新性个性化联邦学习框架PFL-TEnet，通过时序嵌入网络（EmbedNet）提取风电时序特征，并利用超网络（HyperNet）动态生成个性化模型参数。该方法在保护数据隐私的前提下，有效解决了风电农场数据异质性难题，显著提升了预测精度与跨节点泛化能力，为智慧能源系统的健康监测与稳定运行提供了关键技术支撑。

　　

亮点（Highlights）

• •
  提出基于时序嵌入网络（EmbedNet）与超网络（HyperNet）联合建模的个性化联邦学习（PFL）框架，实现参数级个性化定制
• •
  设计Wasserstein距离驱动的Top-K节点参数对齐策略，通过参数更新趋势相似性评估增强模型跨节点泛化能力
• •
  构建结合局部参数伪梯度与结构一致性正则化的联合优化机制，提升个性化建模质量与全局泛化性能
• •
  在多个真实风电场数据集上的实验验证了该方法在预测精度、个性化效果及训练效率方面的显著优势

结论（Conclusions）

本文针对风电预测中的数据异质性与隐私保护问题，提出了一种基于时序嵌入网络（EmbedNet）和超网络（HyperNet）联合建模的个性化联邦学习方法。该方法通过集成Nystr?m注意力机制与卷积结构提取节点特异性嵌入向量，并利用超网络动态生成个性化模型参数。通过基于Wasserstein距离的相似性度量，为每个节点识别Top-K相似邻居并施加结构一致性约束，显著提升了模型在异构场景下的泛化能力与预测稳定性。实验结果表明，该方法在多个评估指标上优于主流基线模型，为分布式能源系统的智能健康管理提供了可靠的技术路径。