本文提出 FedGuard-DC，一个面向输电系统中大型数据中心（DC）负荷的联邦学习（FL）框架，旨在解决隐私保护下的负荷预测与网络攻击检测问题。随着数据中心负荷快速增长，系统运营商需要短时准确信息，但数据中心运营商因担心泄露敏感的工作负载和利用率模式，不愿共享原始兆瓦级测量数据。FedGuard-DC 采用双头模型架构，每个数据中心在本地训练共享编码器，分别连接预测头和重构头；通过结合预测残差和重构误差的校准异常分数，在本地检测虚假数据注入攻击（FDIA）。原始测量数据和绝对有功需求保留在本地，仅向全局控制器共享模型更新。框架可选集成差分隐私和鲁棒修剪均值聚合，以评估隐私-效用权衡及恶意客户端弹性。实验基于 IEEE 39 节点新英格兰系统，集成四个额定功率 150-350 MW 的大型直流负荷的 EMT 仿真数据。结果显示：0.5 秒前瞻归一化预测 RMSE 为 0.023-0.038 pu，而持久性预测为 0.32-0.34 pu；FDIA 检测 ROC-AUC 达 0.979，F1 为 0.930，精确率 0.988；鲁棒聚合将恶意客户端影响下的 RMSE 从 0.042 降至 0.035 pu。该工作展示了 FL 在平衡隐私与能见度、同时兼顾预测精度和攻击检测方面的潜力，适合电力系统安全、联邦学习应用及关键基础设施防护研究者阅读。