面向电力边缘计算场景的轻量化多任务联邦学习协同训练框架

《Journal of King Saud University Computer and Information Sciences》：The lightweight multi-task federated learning collaborative training framework based on power network edge computation scenario

　　

摘要：电力负荷预测、故障检测等场景正推动对计算平台日益增长的需求。然而，传统联邦学习（Federated Learning，FL）框架存在若干问题，包括边缘计算（Edge Computing，EC）节点有限的计算能力和存储资源以及冗余参数。FL框架容易发生负迁移，导致模型精度下降。此外，电力边缘节点测试表明，部署后计算能力难以承受节点阈值。针对这些问题，本研究构建了一种轻量级多任务联邦学习（Lightweight Multi-Task Federated Learning，LMTFL）协同训练框架。结合电力边缘场景需求，构建了部署适配模型，创新性地实现了轻量化和多任务协同的双重优化，从而解决了现有技术中单一优化的局限性。在量化方面，通过参数剪枝（Parameter Pruning，PP）将模型参数冗余降低了77%以上，通过任务亲和度计算（Task Affinity Calculation，TAC）将负迁移控制在5%以内，通过层级聚合（Hierarchical Aggregation，HA）将传输延迟降低至80毫秒以下。此外，实验表明，该框架的综合性能为0.892，比PP高23.7%，比知识蒸馏+联邦学习（KD+FL）高25.9%。鲁棒性值为0.913，性能波动仅为4.3%，远优于KD+HA（0.802）。此外，实用性达到0.906，部署成本比PP+KD降低了24.6%。参数冗余仅为22.7%，算力占用率控制在44.8%以内。所提出的框架主要适用于中小规模边缘集群（≤50个节点），且节点间算力差异不超过7倍。对于超大规模节点部署或高度动态的无线边缘环境，聚合延迟和冷启动性能仍需进一步优化。最后，该研究促进了FL技术在电力领域的轻量化和场景化落地，显示出重要的工程应用价值和技术参考意义。

论文解读：面向电力边缘计算的轻量化多任务联邦学习协同训练框架

一、研究背景与问题提出

随着分布式能源的大规模接入，电力网络正加速向数字化和智能化转型。边缘计算凭借其近端处理特性，成为解决电网海量数据传输拥塞和实时响应滞后的关键技术。联邦学习（Federated Learning，FL）通过“数据不动模型动”的协同训练模式，有效避免了能耗数据和设备运行数据的隐私泄露风险，逐步应用于电力负荷预测、故障检测等场景。然而，当前FL框架在实际应用中面临多重挑战。一方面，边缘节点的算力和存储资源极为有限，而现有FL框架参数冗余严重，部署后极易引发内存过载和能耗激增。一项2024年的电力边缘节点测试显示，传统FL模型部署后的算力占用率高达89%，远超节点承载阈值。另一方面，电力场景需同时处理负荷预测、故障识别等多种任务，但现有单任务FL框架难以兼顾多任务协同，任务间易发生负迁移，导致模型精度下降15%-20%。现有研究大多聚焦于单任务优化或通用场景适配，未能充分融合电力边缘节点的资源约束与多任务需求，缺乏一套兼具轻量化和协同性的专用训练框架，无法满足实际部署需求。

二、研究内容与结论

为解决上述问题，研究人员构建了轻量级多任务联邦学习（Lightweight Multi-Task Federated Learning，LMTFL）协同训练框架。该框架采用“轻量化模型设计+多任务协同优化+边缘资源适配”的方法，成功优化了参数聚合策略和任务调度机制，并引入了任务难度加权与方差感知聚合组件。通过电力边缘节点仿真测试，该框架的参数冗余降低了77%以上，算力占用率控制在45%以内，多任务模型平均精度提升了18%。研究结论表明，LMTFL框架有效解决了边缘节点资源约束与多任务协同训练之间的核心矛盾，协同提升了隐私保护、轻量化部署和训练性能，具有重要的工程应用价值和技术参考意义。

三、关键技术方法概述

研究人员采用了三种核心技术方法来实现框架的轻量化与多任务协同。首先，设计了基于单骨干网络的轻量化模型架构，通过参数剪枝（Parameter Pruning，PP）机制计算参数重要性分数，筛选有效参数，大幅减少模型参数量和计算开销。其次，提出了多任务协同优化策略，引入任务亲和度计算（Task Affinity Calculation，TAC）和动态权重更新机制，通过计算任务间特征向量的余弦相似度来衡量任务亲和性，动态分配任务权重以缓解负迁移。最后，构建了边缘-区域层级聚合（Hierarchical Aggregation，HA）机制，结合电力边缘节点的异构特性，先由边缘节点层完成局部参数聚合，再逐层上传至区域聚合层和全局协调层进行优化，并引入基于节点信誉值和资源适应系数的聚合权重，优化了参数传输效率。

四、实验结果与分析

综合性能测试：研究人员通过综合性能评价指标对LMTFL框架与现有技术（PP、TAC、KD+FL、EC+Blockchain）进行了对比。结果表明，LMTFL框架的综合性能值为0.892，分别比PP和KD+FL高出23.7%和25.9%；参数冗余最低，资源占用最少，平均精度最高，验证了其在轻量化和协同性方面的优势。

鲁棒性测试：在边缘节点资源波动和数据异质性变化场景下，LMTFL框架的鲁棒性值为0.913，性能波动仅为4.3%，远优于KD+HA（0.802）。在数据异质性和资源波动场景中，其适应性均超过87%，分别比KD+HA高出13.6%和17.3%，证明了框架在复杂电力边缘环境中的稳定运行能力。

消融测试：通过对三个核心组件（PP、TAC、HA）进行消融分析，发现TAC的贡献最高（17.3%），移除后多任务精度下降9.1%；PP贡献次之（14.2%），移除后参数冗余翻倍；HA贡献为11.5%，影响参数传输效率。三者协同确保了框架的轻量化和协同性。

实用性测试：LMTFL框架的实用性值为0.906，部署适应性达89.7%，任务完成率超过94%，部署成本比PP+KD降低了24.6%。这表明该框架能够高效适配电力边缘的实际部署需求，具有较高的实用价值。

敏感性与收敛性分析：对三个关键超参数λ?、λ?和η_weight进行敏感性分析，结果显示综合性能波动小于3%（λ?在±20%扰动内）和约5%（λ?和η_weight在±30%范围内），表明框架对超参数选择具有良好的鲁棒性。收敛性分析表明，框架在前100轮快速收敛，约250轮后趋于稳定，最终波动幅度低于2%。

五、总结与展望

研究人员指出，本文围绕电力网络边缘计算场景中FL框架的轻量化和多任务协同问题展开研究，构建了LMTFL协同训练框架，取得了三项技术突破：一是设计了单骨干网络轻量化架构，结合PP使参数冗余降低77%以上，适应边缘节点资源约束；二是提出了TAC和动态权重更新机制，将多任务负迁移控制在5%以内；三是构建了边缘-区域HA机制，使传输延迟降至80毫秒以下。实验证明，该框架参数冗余仅为22.7%，算力占用率控制在44.8%以内，多任务平均精度达88.6%，鲁棒性和实用性均超过0.9，显著优于现有技术。该研究为电力网络边缘计算场景下的多任务隐私保护和高效训练提供了新的技术路径，推动了FL技术在电力领域的轻量化和场景化落地。未来工作将优化高异构边缘节点集群的参数聚合机制，解决聚合延迟波动问题，改进轻量化模型的量化压缩技术以适配更低算力的边缘终端，并与项目后端团队合作推进框架的实际部署与调试。