异构数据高精度
通过选择性的单边低秩适配模块聚合，显著降低联邦学习中的聚合噪声，同时保留各电站的本地特征，提升预测模型在非独立同分布数据下的泛化能力和训练效率。
Song, Yiyang · Tao, Li · Yongze, Geng · Wu, Cong · 王一 · 王剑晓
IEEE Transactions on Sustainable Energy 2026
通过单边聚合策略，仅聚合可泛化模块并在本地保留任务特定模块，避免了对低秩因子分别平均带来的噪声，从而提升联邦学习的模型质量。
采用低秩适配进行参数高效微调，大幅降低通信和计算开销，同时加速收敛，使联邦训练大语言模型在分布式光伏场景中切实可行。
引入解释增强机制，使模型预测过程更透明，便于运维人员理解模型为何给出某一预测结果，增强实际部署中的信任。