基于联邦学习的智能电网负荷预测方法

本申请涉及智能电网，特别是涉及一种基于联邦学习的智能电网负荷预测方法。

背景技术：

1、智能电网是高效管理发电、配电和用电的现代化电网，它拥有几个基于负荷预测的重要决策，如发电计划、需求供应管理、维护计划和可靠性分析等。目前采用的是峰时和谷时不同电价机制。基于现有的电价机制，可以借助可靠而精准的电价估计，使得电力生产商可以实现利润最大化，电力消费者可以将成本降至最低。由于大部分的电力不能存储，因此需要在电力生产者和电力使用者之间保持接近完美的平衡。现有的智能电网负荷预测是在电力生产者端进行的，基于长短期记忆网络(long short-term memory，lstm)对某地区的整体电网负荷的预测；智能监控设备的数据采集是分散在各个消费者端，数据的上传会存在一定的延迟。因此现存的智能电网的电力负荷和价格精准预测存在不足之处，目前的电力的负荷预测方法单纯的在电力生产者端使用lstm进行电厂的预测，数据上传存在一定的延迟且数据量较大，电力的负荷预测的处理效率低下。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够提高电力的负荷预测的处理效率的基于联邦学习的智能电网负荷预测方法。

2、一种基于联邦学习的智能电网负荷预测方法，所述方法包括：

3、步骤s1：将电力数据集进行分类，分成训练集、测试集和验证集。

4、步骤s2：以各个电力消耗单位为客户端，根据电线杆的编号选取100个片区作为参与联合训练的客户端ui(i＝1，2，…100)；

5、步骤s3：各客户端采用所述训练集构建自身的基于lstm网络的电网负荷预测模型，获得各基于lstm网络的电网负荷预测模型的初步网络参数，并将所述初步网络参数上传至服务器端进行联合训练；

6、步骤s4，所述服务器端根据各客户端上传的初步网络参数，基于mmd的模型迁移方法对基于lstm网络的电网负荷预测全局模型进行联合训练，再使用测试集和验证集对所述基于lstm网络的电网负荷预测全局模型进行测试验证，获得最终网络参数，并将所述最终网络参数返回给各所述客户端；

7、步骤s5，各所述客户端将自身的基于lstm网络的电网负荷预测模型的网络参数更新为所述最终网络参数，获得各所述客户端的基于lstm网络的电网负荷预测全局模型；

8、步骤s6，各客户端获取对应片区的电力数据输入自身的基于lstm网络的电网负荷预测全局模型进行电力负荷预测，以确定平均绝对误差，所述平均绝对误差用来衡量某时刻分解得到的单个区域消耗的电量和输入到该区域的真实电量的平均误差，所述平均绝对误差的计算表达式为：

9、

10、其中，mae为平均绝对误差，gt为在时刻t上该区域的真实耗电量，pt为在该时刻t上的总发电量，t表示时刻点的数量。

11、在其中一个实施例中，所述基于lstm网络的电网负荷预测模型和所述基于lstm网络的电网负荷预测全局模型的网络结构相同，该网络结构包括一维full卷积、lstm网络、外部注意力模块和支持向量机；

12、电力数据经过一维full卷积进行预处理之后输入至所述lstm网络，挖掘出参数与时间之间的相关性特征，输出特征信息后输入所述外部注意力模块进行重点信息提取，将提取出的重点信息输入到后输出预测结果。

13、在其中一个实施例中，所述基于lstm网络的电网负荷预测模型的损失函数为：

14、

15、其中，为第k个数据集中的对数损失函数，为表示第k个电力数据集dk中第i个样本，x表示标签真实值，y表示预测值，nk为第k个数据集的样本数目，为，为当前模型参数下的预测值，ωt为t时刻的权值，为求和函数符号，log()为对数符号。

16、在其中一个实施例中，所述各客户端采用所述训练集训练自身的基于lstm网络的电网负荷预测模型时的网络参数的更新公式为：

17、

18、

19、其中，mt为t时刻的梯度的一阶矩估计，即梯度的均值，v为t时刻的梯度的二阶矩估计，即梯度的有偏方差，gt为t时刻求得的梯度，t表示当前学习的迭代次数，⊙是一种同位元素相乘的乘法，γ1和γ2是一组所述基于lstm网络的电网负荷预测模型的超参数，γ1,γ2∈[0,1)，定义γ1＝0.9，γ2＝0.99，和是修正后的梯度的均值和有偏方差，η为学习率，为更新后的网络参数，θ为当前网络参数，mt-1为t-1时刻的梯度的一阶矩估计，vt-1为t-1时刻的梯度的二阶矩估计，为t时刻的第一超参数，为t时刻的第二超参数，∈为超参数。

20、在其中一个实施例中，所述基于mmd的模型迁移方法对基于lstm网络的电网负荷预测全局模型进行联合训练的方式为：

21、基于梯度通过多个域的mmd进行分布对齐的方式对初步网络参数的梯度进行修正，所述修正公式为：

22、

23、其中，λ为梯度下降的超参数，gradi和gradj代表的分别是从客户端i和客户端j发送到服务器端的梯度，为修正后的梯度。

24、上述基于联邦学习的智能电网负荷预测方法，通过将电力数据集进行分类，分成训练集、测试集和验证集，以各个电力消耗单位为客户端，根据电线杆的编号选取100个片区作为参与联合训练的客户端，各客户端采用所述训练集构建自身的基于lstm网络的电网负荷预测模型，获得各基于lstm网络的电网负荷预测模型的初步网络参数，并将所述初步网络参数上传至服务器端进行联合训练，所述服务器端根据各客户端上传的初步网络参数，基于mmd的模型迁移方法对基于lstm网络的电网负荷预测全局模型进行联合训练，再使用测试集和验证集对所述基于lstm网络的电网负荷预测全局模型进行测试验证，获得最终网络参数，并将所述最终网络参数返回给各所述客户端，各所述客户端将自身的基于lstm网络的电网负荷预测模型的网络参数更新为所述最终网络参数，获得各所述客户端的基于lstm网络的电网负荷预测全局模型，各客户端获取对应片区的电力数据输入自身的基于lstm网络的电网负荷预测全局模型进行电力负荷预测，以确定平均绝对误差，由此，处理的数据量会大大减少，可以解决数据上传的延迟且数据量较大的问题，提高了电力的负荷预测的处理效率。

技术特征：

1.一种基于联邦学习的智能电网负荷预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述基于lstm网络的电网负荷预测模型和所述基于lstm网络的电网负荷预测全局模型的网络结构相同，该网络结构包括一维full卷积、lstm网络、外部注意力模块和支持向量机；

3.根据权利要求2所述的方法，其特征在于，所述基于lstm网络的电网负荷预测模型的损失函数为：

4.根据权利要求3所述的方法，其特征在于，所述各客户端采用所述训练集训练自身的基于lstm网络的电网负荷预测模型时的网络参数的更新公式为：

5.根据权利要求4所述的方法，其特征在于，所述基于mmd的模型迁移方法对基于lstm网络的电网负荷预测全局模型进行联合训练的方式为：

技术总结
本申请涉及一种基于联邦学习的智能电网负荷预测方法。该方法包括：将电力数据集进行分类，分成训练集、测试集和验证集，各客户端采用训练集构建自身的基于LSTM网络的电网负荷预测模型，获得初步网络参数上传至服务器端进行联合训练，服务器端根据初步网络参数，基于MMD的模型迁移方法对基于LSTM网络的电网负荷预测全局模型进行联合训练，再使用测试集和验证集进行测试验证，获得最终网络参数，并将最终网络参数返回给各客户端更新为最终网络参数，获得各客户端的基于LSTM网络的电网负荷预测全局模型进行电力负荷预测，以确定平均绝对误差，由此，处理的数据量会大大减少，可以解决数据上传的延迟且数据量较大的问题，提高了电力的负荷预测的处理效率。

技术研发人员：李姚根,胡凯,龚晟,邓莹,吴佳胜,陆美霞
受保护的技术使用者：南京信息工程大学
技术研发日：
技术公布日：2024/1/15