基于联邦学习的虚拟电厂居民需求响应预测方法及系统与流程

本发明涉及电力系统自动化，具体的是基于联邦学习的虚拟电厂居民需求响应预测方法及系统。

背景技术：

1、虚拟电厂需要对其聚合的储能、光伏、风电等多种灵活资源进行日前预测，将预测结果作为响应能力上报电力市场交易及调度中心便于后续出清调度操作。然而，多种灵活资源例如风电、居民负荷等难以建立解析的模型得到其日前出力；对于每一个单独的用户侧资源独立构建数据驱动模型，需要获取单个用户的完整数据信息，并不能进行有效的隐私保护；同时，同一地区的灵活资源具有相似数据分布的数据资源，需要充分利用数据。数据驱动的需求响应潜力评估技术，对于负荷聚合商进行投标竞价、电网运营商的调度决策具有重大意义；同时，电力用户愈发重视隐私保护以及数据价值重要性。

技术实现思路

1、为解决上述背景技术中提到的不足，本发明的目的在于提供基于联邦学习的虚拟电厂居民需求响应预测方法及系统。

2、本发明的目的可以通过以下技术方案实现：基于联邦学习的虚拟电厂居民需求响应预测方法，方法包括以下步骤：

3、接收需求响应日响应时段的实际负荷与需求响应日响应时段的基线负荷，将需求响应日响应时段的实际负荷与需求响应日响应时段的基线负荷作差值，得到需求响应灵活性；

4、接收居民用电负荷数据和问卷调查数据，对居民用电负荷数据和问卷调查数据进行预处理，得到用电有效特征数据；

5、将需求响应灵活性与用电有效特征数据进行特征融合得到需求响应数据；

6、将需求响应数据输入至预先建立的居民灵活性预测模型内进行训练，得到预测结果。

7、优选地，所述需求响应日响应时段的基线负荷的计算公式如下：

8、

9、其中，为用户n在需求响应t时刻的基线负荷值，n为相似日的数量，为用户n在第i个相似日t时刻的负荷值。

10、优选地，所述需求响应灵活性的计算公式如下：

11、

12、其中，为用户n在需求响应t时刻的基线负荷值，为用户n在需求响应t时刻的实际负荷值，为用户n在需求响应t时刻的需求响应灵活性。

13、优选地，所述居民用电负荷数据包括负荷率、最高利用小时率、日峰谷差率、最大负荷出现时间、最小负荷出现时间、峰期负载率、平期负载率和谷期负载率；所述问卷调查数据的特征包括：住房类型、房屋面积、家庭成员数量、主要经济来源者职业、受教育程度、收入水平、大功率电器数量、生活用水加热方式、愿意参与需求响应。

14、优选地，所述居民用电负荷数据和问卷调查数据进行预处理的过程包括对数据进行缺失值填补以及高斯平滑处理。

15、优选地，所述居民灵活性预测模型的模型参数为lstnet各层神经元的权重系数与偏置，对模型参数进行本地训练达到设置的训练批次后，响应用户上传本地参数到电网运营商；电网运营商设置中央服务器端收集各客户端的训练参数，使用fedavg算法对本地模型的参数进行聚合形成全局模型并将模型参数发放给各本地客户端，用户根据发放的全局模型参数更新本地模型后继续训练，重复此过程达到设置的通信轮次，最终得到预测结果。

16、优选地，所述电网运营商进行联邦训练的过程如下：

17、电网运营商的中央服务器将初始化后的模型参数发给所有负荷聚合商，负荷聚合商接收到模型参数后，在本地基于梯度下降算法训练lstnet模型，在第t轮交互中，第k个负荷聚合商更新：

18、

19、客户端将模型参数发给位于电网运营商的中央服务器，中央服务器在收集到所有负荷聚合商更新后的模型参数后，对模型参数做聚合处理生成全局参数

20、

21、其中，ωt为第t个客户端的全局参数，nk为响应用户k的样本数量，n为所有响应用户的样本总数；

22、中央服务器将全局参数ωt发送给所有负荷聚合商，负荷聚合商基于全局参数更新本地参数；

23、

24、继续训练直至完成第t次交互。

25、优选地，所述居民灵活性预测模型的输入n个需求响应数据，其中xi为第i个用户包含的k维用户特征变量x(i)＝{l1,l2,...,sk-1,sk}，输出预测值为y＝f(l1,l2,...,sk-1,sk)。

26、优选地，所述lstnet由卷积层、循环层和循环-跳跃层、全连接层和自回归层组成，卷积层的输出同时输入到循环层和循环-跳跃层，循环层和循环-跳跃层的输出输入至全连接层得到全连接层的输出，所述自回归层负责提供线性分量，将全连接层的输出与自回归层的线性分量相叠加得到预测结果。

27、第二方面，为了达到上述目的，本发明公开了基于联邦学习的虚拟电厂居民需求响应预测系统，包括：

28、灵活性模块：用于接收需求响应日响应时段的实际负荷与需求响应日响应时段的基线负荷，将需求响应日响应时段的实际负荷与需求响应日响应时段的基线负荷作差值，得到需求响应灵活性；

29、预处理模块：用于接收居民用电负荷数据和问卷调查数据，对居民用电负荷数据和问卷调查数据进行预处理，得到用电有效特征数据；

30、结合模块：用于将需求响应灵活性与用电有效特征数据进行特征融合得到需求响应数据；

31、预测模块：用于将需求响应数据输入至预先建立的居民灵活性预测模型内进行训练，得到预测结果。

32、本发明的有益效果：

33、本发明在联邦学习算法框架在隐私保护前提下实现基于联邦学习的虚拟电厂居民需求响应灵活性多源异构数据预测。

技术特征：

1.基于联邦学习的虚拟电厂居民需求响应预测方法，其特征在于，方法包括以下步骤：

2.根据权利要求1所述的基于联邦学习的虚拟电厂居民需求响应预测方法，其特征在于，所述需求响应日响应时段的基线负荷的计算公式如下：

3.根据权利要求1所述的基于联邦学习的虚拟电厂居民需求响应预测方法，其特征在于，所述需求响应灵活性的计算公式如下：

4.根据权利要求1所述的基于联邦学习的虚拟电厂居民需求响应预测方法，其特征在于，所述居民用电负荷数据包括负荷率、最高利用小时率、日峰谷差率、最大负荷出现时间、最小负荷出现时间、峰期负载率、平期负载率和谷期负载率；所述问卷调查数据的特征包括：住房类型、房屋面积、家庭成员数量、主要经济来源者职业、受教育程度、收入水平、大功率电器数量、生活用水加热方式、愿意参与需求响应。

5.根据权利要求4所述的基于联邦学习的虚拟电厂居民需求响应预测方法，其特征在于，所述居民用电负荷数据和问卷调查数据进行预处理的过程包括对数据进行缺失值填补以及高斯平滑处理。

6.根据权利要求1所述的基于联邦学习的虚拟电厂居民需求响应预测方法，其特征在于，所述居民灵活性预测模型的模型参数为lstnet各层神经元的权重系数与偏置，对模型参数进行本地训练达到设置的训练批次后，响应用户上传本地参数到电网运营商；电网运营商设置中央服务器端收集各客户端的训练参数，使用fedavg算法对本地模型的参数进行聚合形成全局模型并将模型参数发放给各本地客户端，用户根据发放的全局模型参数更新本地模型后继续训练，重复此过程达到设置的通信轮次，最终得到预测结果。

7.根据权利要求6所述的基于联邦学习的虚拟电厂居民需求响应预测方法，其特征在于，所述电网运营商进行联邦训练的过程如下：

8.根据权利要求6所述的基于联邦学习的虚拟电厂居民需求响应预测方法，其特征在于，所述居民灵活性预测模型的输入n个需求响应数据，其中xi为第i个用户包含的k维用户特征变量x(i)＝{l1,l2,...,sk-1,sk}，输出预测值为y＝f(l1,l2,...,sk-1,sk)。

9.根据权利要求7所述的基于联邦学习的虚拟电厂居民需求响应预测方法，其特征在于，所述lstnet由卷积层、循环层和循环-跳跃层、全连接层和自回归层组成，卷积层的输出同时输入到循环层和循环-跳跃层，循环层和循环-跳跃层的输出输入至全连接层得到全连接层的输出，所述自回归层负责提供线性分量，将全连接层的输出与自回归层的线性分量相叠加得到预测结果。

10.基于联邦学习的虚拟电厂居民需求响应预测系统，其特征在于，包括：

技术总结
本发明公开了基于联邦学习的虚拟电厂居民需求响应预测方法及系统，涉及电力系统自动化技术领域，包括以下步骤：接收需求响应日响应时段的实际负荷与需求响应日响应时段的基线负荷，将需求响应日响应时段的实际负荷与需求响应日响应时段的基线负荷作差值，得到需求响应灵活性；接收居民用电负荷数据和问卷调查数据，对居民用电负荷数据和问卷调查数据进行预处理，得到用电有效特征数据；将需求响应灵活性与用电有效特征数据进行特征融合得到需求响应数据；将需求响应数据输入至预先建立的居民灵活性预测模型内进行训练，得到预测结果。

技术研发人员：黄蔚亮,王斐,史云鹏,李扬,蔡莹,曾顺奇
受保护的技术使用者：广东电网有限责任公司广州供电局
技术研发日：
技术公布日：2024/1/16