一种基于边缘特征重构和联邦学习的风电功率预测方法

本发明属于风电功率预测，具体涉及一种基于边缘特征重构和联邦学习的风电功率预测方法。

背景技术：

1、风力发电因其环保、可再生的特性在近年来取得了显著的发展。然而风力发电存在着波动性与间歇性的问题，导致风力发电的效率低下，限制了风力发电在电力系统中大规模应用。为了克服这一障碍，风电功率预测方法应运而生，通过预测风电功率，适时的调整电力系统的运行，极大地降低风电随机性，提高风电的利用效率。

2、目前，风电功率预测方法根据原始数据的来源分成集中式训练方法与分布式训练方法两种。在集中式的方法中，主要包括以下两类。基于统计学的建模分析，将风电功率数据视为时序信号，将其转化到频域或时域后进行分析，常用的方法有傅里叶变换、差分自回归移动平均模型(arimi)等。基于统计学的分析方法具有良好的可解释性和易用性，已被应用在多个领域。基于人工智能的建模分析，采用支持向量机(svm)、神经网络等方法，拟合风电功率数据变量之间的潜在非线性关系。这些方法可以获得更高的预测精度。分布式训练方法不要求集中的原始数据，可以避免原始数据交换带来的数据安全与隐私等问题。分布式训练方法主要通过联邦学习方法结合算法模型进行风电功率预测。fedavg、fedprox等联邦学习算法通过聚合模型权重或者梯度、本地模型与中心模型的交替训练等方式，避免了使用集中的原始数据进行模型的训练。这些联邦学习算法结合lstm、gru等不同的深度神经网络可以捕获数据之间的空间关系与时序关系，并以此进行风电功率的预测。分布式训练方法更加贴近实际应用场景，具有更强的可行性与实用性。

3、对于集中式训练方法来说，在越来越重视数据安全与数据隐私的趋势下，面临着获取大量原始数据的高昂成本问题，这导致依赖训练数据规模的许多方法无法达到预期精度。因此在真实场景中应用集中式训练方法存在着诸多困难。而分布式训练方法不集中原始数据，更加符合真实场景数据安全的需要，目前得到了广泛的研究。但在现有的分布式训练方法中，没有考虑到相邻风电场的协同效应，忽视了风力发电区域之间的潜在时空相关性联系，且对于风力场边缘的风力发电节点，由于存在跨区域的相邻节点，相邻节点数据采集不足，导致预测精度呈现不均衡的特点。

技术实现思路

1、针对现有技术中的上述不足，本发明提供的基于边缘特征重构和联邦学习的风电功率预测方法解决了现有的利用分布式训练方法进行风电功率预测时，存在的未有效利用相邻风电场共有模式，进而影响功率预测精度的问题。

2、为了达到上述发明目的，本发明采用的技术方案为：一种基于边缘特征重构和联邦学习的风电功率预测方法，包括以下步骤：

3、s1、构建各风力发电区域的本地数据集；

4、其中，所述本地数据集包括表征风电站之间关系的图结构和从风电站中采集传感器数据组成的特征张量；

5、s2、基于本地数据集，构建并训练各风力发电区域的边缘特征重构网络；

6、其中，训练所述边缘特征重构网络包括依次进行的本地训练和联邦学习训练；

7、s3、基于本地数据集，将完成训练的边缘特征重构网络输出的增强特征作为风电功率预测模型的输入，对风电功率预测模型进行训练，获得完成训练的风电功率预测模型；

8、s4、对于待预测风力发电区域，将完成训练的边缘特征重构网络输出的增强特征作为对应完成训练的风电功率预测模型的输入，输出风电功率预测结果。

9、进一步地，所述步骤s1中，本地数据集di包括表征风电站之间关系的图结构gi＝(vi,ei,ai)和从风电站中采集传感器数据组成的特征张量

10、其中，vi表示节点集合，|vi|＝ni，ni为节点个数即风电站个数，ei表示边的集合，ai为图的邻接矩阵，t表示收集数据的时刻长度，c表示特征的维度。

11、进一步地，所述步骤s2中，在所述边缘特征重构网络中，采用图神经网络作为编码器进行图卷积获得特征表示，采用多层感知机mlp和高斯噪声处理生成重构特征；

12、在所述边缘特征重构网络中，将特征张量视为由t帧矩阵构成的张量利用图结构gi聚合邻居信息，实现对风力发电区域边缘特征信息的重构增强。

13、进一步地，在所述图卷积神经网络中，每个图上的节点v，通过k阶的图卷积过程获得特征表示，其表达式为：

14、

15、式中，表示第k阶的图卷积后的表示，gnn(·)表示图卷积操作，σ(·)表示激活函数，φ表示模型参数，avg是均值池化函数，表示在节点v在图g上邻居节点的集合，u为中的节点；

16、采用多层感知机mlp和高斯噪声处理生成重构特征其表达式为：

17、

18、式中，θ表示多层感知机mlp的参数，zv表示图神经网络编码后的特征向量表示，n(0,1)表示高斯噪声处理。

19、进一步地，对所述边缘特征重构网络进行本地训练的方法为：

20、选择节点度数小于阈值的k个节点构成点集vh，并在图上删除所有与vh相连的边eh，进而构建出受损图子图使用受损子图进行每个缺失点的重构特征生成，并与保留的真实值比较，计算出损失函数，并以此训练更新所述边缘特征重构网络；其中，表示的点构成的点集，表示中的边集，表示中节点的特征数据。

21、进一步地，对边缘特征重构网络进行本地训练时的损失函数为：

22、

23、式中，表示的点构成的点集，v表示点集中一个点，表示v在原图gi上邻居的点的集合，表示同时在两个集合中的节点集合，vh表示删除的节点构成的点集，表示由重构网络生成的重构特征，xu表示数据集中节点u的特征。

24、进一步地，所述步骤s2中，对边缘特征重构网络进行联邦学习训练时的损失函数为：

25、

26、式中，vi表示第i个参与者所拥有的点集，α表示超参数以控制联邦更新损失的权重，j∈[m]\i表示的是除了第i个参与者以外的参与者，表示通过参与者i重构网络生成的节点v的重构特征向量，xu表示在其他参与者vj中的点。

27、进一步地，所述步骤s3中，风电功率预测模型为深度时空图神经网络；

28、在所述深度时空图神经网络中，通过时序卷积捕获输入特征中的时空依赖关系，通过图卷积捕获空间依赖关系，并将时序卷积和图卷积的使用多层感知机进行多层堆叠，获得风电功率预测结果。

29、进一步地，所述步骤s3中，在对风电功率预测模型进行训练时，采用fedavg算法对相邻风力发电区域的风电功率预测模型权重进行聚合，使风电功率预测模型学习区域之间的共有模式，其表达式为：

30、

31、式中，wfed表示聚合后的预测模型权重，fedavg(·)表示fedavg聚合算法，wi表示每个参与者的预测模型权重，|vi|表示第i个参与者所拥有的点集大小，|v|表示所有参与者的点集大小的和，i＝1,…,n表示参与者的序号。

32、本发明的有益效果为：

33、本发明提出了一种在数据安全背景下有效利用相邻区域风电场共有时空模式的风电功率预测算法，具有以下有益效果：

34、(1)对于风电场边缘邻居信息不充分的节点，本发明设计了边缘特征重构网络，通过本地训练和联邦训练的方式进行参数学习，使其能根据本地其他邻居的信息对边缘节点的特征进行补全。

35、(2)采用联邦学习对相邻区域的时空图神经预测网络进行聚合，使得最后的模型可以学习到不同区域风电的共有模式，避免在单一区域数据不足导致的过拟合问题，增强了网络的泛化性能。

36、(3)在保护数据安全与隐私的前提下，本发明提出的方法有助于打破风电数据中的数据孤岛，提高风电数据的利用效率，获得更加准确可靠的风电功率预测效果，降低风电在电网使用过程中的不确定性与波动性。