대형 데이터센터(DC) 부하의 급성장은 전력망 가시성, 프라이버시, 사이버물리 보안에 새로운 과제를 제기한다. 계통 운영자는 빠르게 변하는 이런 부하에 대한 정확한 단기 정보가 필요하지만, DC 운영자는 원본 메가와트 측정치가 민감한 워크로드·가동률 패턴을 노출할 수 있어 공유를 꺼린다. 이 논문은 프라이버시를 보존하면서 DC 부하를 예측하고 국지적 허위데이터주입공격(FDIA)을 탐지하는 연합학습 프레임워크 'FedGuard-DC'를 제시한다. 각 DC는 공유 인코더가 예측 헤드와 재구성 헤드를 모두 지원하는 이중헤드 모델을 자체 측정치로 학습하며, 예측 잔차와 재구성 오차를 결합한 보정된 이상 점수로 손상된 측정치를 국지적으로 탐지한다. 원본 측정치와 절대 MW 수요는 각 DC에 남고 모델 업데이트만 글로벌 컨트롤러와 공유된다. IEEE 39버스 뉴잉글랜드 계통에 통합된 150~350MW급 대형 DC 부하 4곳의 시뮬레이션 데이터로 검증한 결과, 0.5초 선행 예측 RMSE가 0.023~0.038pu로 지속성 예측(0.32~0.34pu)보다 크게 개선됐고, FDIA 탐지는 ROC-AUC 0.979, F1 0.930, 정밀도 0.988을 기록했다.

• •FedGuard-DC: 연합학습 기반 프라이버시 보존 DC 부하 예측 및 국지적 FDIA 탐지 프레임워크
• •이중헤드 모델(예측+재구성)로 예측 잔차·재구성 오차 결합한 보정 이상점수로 탐지
• •원본 측정치는 각 DC에 남고 모델 업데이트만 공유, 차등 프라이버시·강건 집계 옵션 포함
• •0.5초 선행 예측 RMSE 0.023~0.038pu로 지속성 예측 대비 대폭 개선
• •FDIA 탐지 ROC-AUC 0.979, F1 0.930, 정밀도 0.988 달성