El pronóstico de carga desempeña un papel fundamental en el nuevo tipo de sistema de energía. Para abordar la heterogeneidad de datos y problemas de seguridad encontrados en el pronóstico de carga para redes inteligentes, este documento propone un marco de pronóstico de carga adecuado para usuarios de energía residencial, que permite a los usuarios entrenar modelos de pronóstico personalizados sin compartir datos de carga. Primero, se calcula la similitud de los patrones de carga del usuario bajo protección de privacidad. En segundo lugar, se construye una red compleja y se desarrolla un método de agrupación de usuarios federados basado en el algoritmo de Louvain, que divide a los usuarios en múltiples grupos basados en la similitud de patrones de carga. Finalmente, se desarrolla un modelo de aprendizaje federado privado y adaptativo de memoria a largo plazo (LSTM) para el pronóstico de carga. Un análisis de estudio de caso muestra que el método propuesto puede proteger efectivamente la privacidad del usuario y mejorar la precisión de predicción del modelo al tratar con datos heterogéneos. El marco puede entrenar modelos de pronóstico de carga con una rápida tasa de convergencia y un mejor rendimiento de predicción que los algoritmos de aprendizaje federado actuales.