本申請(qǐng)屬于電力負(fù)荷預(yù)測(cè)，尤其涉及一種基于聯(lián)邦學(xué)習(xí)的園區(qū)電力負(fù)荷預(yù)測(cè)方法。

背景技術(shù)：

1、虛擬電廠分布式架構(gòu)下，利用聯(lián)邦學(xué)習(xí)，多個(gè)園區(qū)可以協(xié)同訓(xùn)練一個(gè)高效的電力負(fù)荷預(yù)測(cè)模型，而無需共享敏感的用戶數(shù)據(jù)，從而在保護(hù)隱私的同時(shí)提高預(yù)測(cè)的準(zhǔn)確性和性能。通過增加有效訓(xùn)練樣本，虛擬電廠能夠更精確地預(yù)測(cè)電力負(fù)荷，優(yōu)化電力生產(chǎn)和分配。但匯聚不同園區(qū)數(shù)據(jù)會(huì)產(chǎn)生數(shù)據(jù)的異質(zhì)化（data?heterogeneity）問題，即不同參與方的本地?cái)?shù)據(jù)來自不同的分布，數(shù)據(jù)異質(zhì)化導(dǎo)致表征的維度坍縮，這將使得模型收斂速度變慢，由此大大限制了模型的表達(dá)能力，造成電力負(fù)荷的預(yù)測(cè)準(zhǔn)確率低。

技術(shù)實(shí)現(xiàn)思路

1、本申請(qǐng)實(shí)施例提供了一種基于聯(lián)邦學(xué)習(xí)的園區(qū)電力負(fù)荷預(yù)測(cè)方法，可以解決聯(lián)邦學(xué)習(xí)框架下電力負(fù)荷預(yù)測(cè)準(zhǔn)確率低的問題。

2、本申請(qǐng)實(shí)施例提供了一種基于聯(lián)邦學(xué)習(xí)的園區(qū)電力負(fù)荷預(yù)測(cè)方法，包括：

3、參與聯(lián)邦學(xué)習(xí)的客戶端獲取所屬園區(qū)的電力負(fù)荷數(shù)據(jù)序列，并對(duì)電力負(fù)荷數(shù)據(jù)序列進(jìn)行emd分解得到多個(gè)imf分量；電力負(fù)荷數(shù)據(jù)序列包括園區(qū)在歷史時(shí)間段內(nèi)的電力負(fù)荷數(shù)據(jù)；

4、客戶端獲取園區(qū)的氣象溫度序列，氣象溫度序列包括園區(qū)在歷史時(shí)間段內(nèi)的氣象溫度數(shù)據(jù)；

5、客戶端分別針對(duì)每個(gè)imf分量，利用dtw算法計(jì)算氣象溫度序列與imf分量之間的dtw距離，并將dtw距離作為氣象溫度序列與imf分量之間的相似度；

6、客戶端基于相似度對(duì)多個(gè)imf分量進(jìn)行排序，得到電力負(fù)荷分解分量序列；

7、客戶端接收中央服務(wù)器下發(fā)的全局模型參數(shù)；

8、客戶端根據(jù)全局模型參數(shù)更新本地模型，若更新后的本地模型收斂，則利用更新后的本地模型對(duì)園區(qū)的電力負(fù)荷進(jìn)行預(yù)測(cè)；若更新后的本地模型未收斂，則利用電力負(fù)荷分解分量序列對(duì)更新后的本地模型進(jìn)行本地訓(xùn)練，將訓(xùn)練后的本地模型的本地模型參數(shù)上傳至中央服務(wù)器，以使中央服務(wù)器基于參與聯(lián)邦學(xué)習(xí)的各客戶端上傳的動(dòng)態(tài)匹配排序累積距離進(jìn)行全局參數(shù)聚合，并將聚合后的全局模型參數(shù)下發(fā)至參與聯(lián)邦學(xué)習(xí)的客戶端，返回客戶端接收中央服務(wù)器下發(fā)的全局模型參數(shù)的步驟，動(dòng)態(tài)匹配排序累積距離與客戶端計(jì)算得到的dtw距離相關(guān)。

9、可選的，客戶端基于相似度對(duì)多個(gè)imf分量進(jìn)行排序，得到電力負(fù)荷分解分量序列，包括：

10、按照相似度從小至大的順序?qū)Χ鄠€(gè)imf分量進(jìn)行排序，并將排序后的多個(gè)imf分量作為電力負(fù)荷分解分量序列。

11、可選的，在利用dtw算法計(jì)算氣象溫度序列與imf分量之間的dtw距離之后，園區(qū)電力負(fù)荷預(yù)測(cè)方法還包括：

12、計(jì)算所有imf分量對(duì)應(yīng)的dtw距離的總和，并將總和作為客戶端的動(dòng)態(tài)匹配排序累積距離。

13、可選的，中央服務(wù)器基于參與聯(lián)邦學(xué)習(xí)的各客戶端上傳的動(dòng)態(tài)匹配排序累積距離進(jìn)行全局參數(shù)聚合，包括：

14、中央服務(wù)器通過如下公式進(jìn)行全局參數(shù)聚合：

15、；

16、其中，表示聚合后的全局模型參數(shù)，表示參與聯(lián)邦學(xué)習(xí)的第個(gè)客戶端的動(dòng)態(tài)匹配排序累積距離，表示參與聯(lián)邦學(xué)習(xí)的客戶端的數(shù)量，，表示參與聯(lián)邦學(xué)習(xí)的第個(gè)客戶端上傳的本地模型參數(shù)。

17、可選的，本地模型包括依次連接的cnn網(wǎng)絡(luò)、lstm網(wǎng)絡(luò)和全連接層。

18、可選的，客戶端利用電力負(fù)荷分解分量序列對(duì)更新后的本地模型進(jìn)行本地訓(xùn)練時(shí)，所采用的損失函數(shù)為：

19、；

20、其中，表示針對(duì)第k個(gè)客戶端計(jì)算得到的損失值，表示第k個(gè)客戶端所使用的訓(xùn)練數(shù)據(jù)的總時(shí)間步數(shù)，表示時(shí)間步長(zhǎng)索引，表示第k個(gè)客戶端在時(shí)間步t預(yù)測(cè)出的電力負(fù)荷值，表示第k個(gè)客戶端在時(shí)間步t的真實(shí)電力負(fù)荷值。

21、可選的，在客戶端根據(jù)全局模型參數(shù)更新本地模型之后，園區(qū)電力負(fù)荷預(yù)測(cè)方法還包括：

22、客戶端判斷更新后的本地模型是否滿足收斂條件，若滿足，則確定更新后的本地模型收斂，否則，確定更新后的本地模型未收斂；

23、收斂條件為本地模型的訓(xùn)練次數(shù)達(dá)到預(yù)設(shè)次數(shù)，或者本地模型的預(yù)測(cè)精度達(dá)到預(yù)設(shè)精度。

24、本申請(qǐng)的上述方案有如下的有益效果：

25、在本申請(qǐng)的實(shí)施例中，通過對(duì)原始電力負(fù)荷數(shù)據(jù)序列進(jìn)行emd分解，得到代表不同頻率分量的多個(gè)imf分量，從而消除了數(shù)據(jù)非平穩(wěn)性影響，隨后以氣象溫度序列作為參照中心，以imf分量作為對(duì)比不同尺度的特征提取，采用dtw算法進(jìn)行分量匹配，得到最優(yōu)順序的電力負(fù)荷分解分量序列，實(shí)現(xiàn)數(shù)據(jù)相似度對(duì)齊，削弱了分布式訓(xùn)練環(huán)境下數(shù)據(jù)異質(zhì)化影響，有助于提升模型收斂速度，增強(qiáng)模型的表達(dá)能力，進(jìn)而提升聯(lián)邦學(xué)習(xí)框架下的電力負(fù)荷預(yù)測(cè)準(zhǔn)確率。

26、本申請(qǐng)的其它有益效果將在隨后的具體實(shí)施方式部分予以詳細(xì)說明。

技術(shù)特征：

1.一種基于聯(lián)邦學(xué)習(xí)的園區(qū)電力負(fù)荷預(yù)測(cè)方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的園區(qū)電力負(fù)荷預(yù)測(cè)方法，其特征在于，所述客戶端基于所述相似度對(duì)所述多個(gè)imf分量進(jìn)行排序，得到電力負(fù)荷分解分量序列，包括：

3.根據(jù)權(quán)利要求1所述的園區(qū)電力負(fù)荷預(yù)測(cè)方法，其特征在于，在所述利用dtw算法計(jì)算所述氣象溫度序列與所述imf分量之間的dtw距離之后，所述園區(qū)電力負(fù)荷預(yù)測(cè)方法還包括：

4.根據(jù)權(quán)利要求3所述的園區(qū)電力負(fù)荷預(yù)測(cè)方法，其特征在于，所述中央服務(wù)器基于參與聯(lián)邦學(xué)習(xí)的各客戶端上傳的動(dòng)態(tài)匹配排序累積距離進(jìn)行全局參數(shù)聚合，包括：

5.根據(jù)權(quán)利要求1所述的園區(qū)電力負(fù)荷預(yù)測(cè)方法，其特征在于，所述本地模型包括依次連接的cnn網(wǎng)絡(luò)、lstm網(wǎng)絡(luò)和全連接層。

6.根據(jù)權(quán)利要求5所述的園區(qū)電力負(fù)荷預(yù)測(cè)方法，其特征在于，所述客戶端利用電力負(fù)荷分解分量序列對(duì)更新后的本地模型進(jìn)行本地訓(xùn)練時(shí)，所采用的損失函數(shù)為：

7.根據(jù)權(quán)利要求1所述的園區(qū)電力負(fù)荷預(yù)測(cè)方法，其特征在于，在所述客戶端根據(jù)所述全局模型參數(shù)更新本地模型之后，所述園區(qū)電力負(fù)荷預(yù)測(cè)方法還包括：

技術(shù)總結(jié)
本申請(qǐng)適用于電力負(fù)荷預(yù)測(cè)技術(shù)領(lǐng)域，提供了一種基于聯(lián)邦學(xué)習(xí)的園區(qū)電力負(fù)荷預(yù)測(cè)方法，包括：客戶端對(duì)園區(qū)的電力負(fù)荷數(shù)據(jù)序列進(jìn)行EMD分解得到多個(gè)IMF分量；計(jì)算園區(qū)的氣象溫度序列與IMF分量之間的DTW距離，將DTW距離作為氣象溫度序列與IMF分量之間的相似度；對(duì)多個(gè)IMF分量進(jìn)行排序，得到電力負(fù)荷分解分量序列；接收中央服務(wù)器下發(fā)的全局模型參數(shù)，利用電力負(fù)荷分解分量序列進(jìn)行本地訓(xùn)練，將訓(xùn)練后的本地模型參數(shù)上傳至中央服務(wù)器，使中央服務(wù)器進(jìn)行全局參數(shù)聚合，將聚合后的全局模型參數(shù)下發(fā)至客戶端，客戶端使用新的全局模型參數(shù)進(jìn)行下一輪的本地訓(xùn)練，直至模型收斂。本申請(qǐng)能提升聯(lián)邦學(xué)習(xí)框架下的電力負(fù)荷預(yù)測(cè)準(zhǔn)確率。

技術(shù)研發(fā)人員：陳曉紅,龔思遠(yuǎn),曹文治
受保護(hù)的技術(shù)使用者：中南大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19