本发明提供一种面向电力负荷预测的联邦学习方法、装置、设备及介质，涉及人工智能领域。该方法包括：基于用电模式将多个电站客户端划分成多个协作训练域；基于时域卷积网络构建负荷预测模型并下发到各协作训练域的电站客户端；在每个电站客户端分别使用各自的训练样本对负荷预测模型进行训练得到个性化层参数和通用层参数；对属于相同协作训练域的各电站客户端对应的个性化层参数进行边缘聚合以更新个性化层；先对属于相同协作训练域的各电站客户端对应的通用层参数进行边缘聚合，再对各个协作训练域边缘聚合后的通用层参数进行域间全局聚合以更新通用层。本发明的方案能够减少时延，模型能够更快收敛，提高联邦学习在资源异构场景下的性能。