1.一种基于边缘特征重构和联邦学习的风电功率预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于边缘特征重构和联邦学习的风电功率预测方法,其特征在于,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。
3.根据权利要求2所述的基于边缘特征重构和联邦学习的风电功率预测方法,其特征在于,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;
4.根据权利要求3所述的基于边缘特征重构和联邦学习的风电功率预测方法,其特征在于,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:
5.根据权利要求3所述的基于边缘特征重构和联邦学习的风电功率预测方法,其特征在于,对所述边缘特征重构网络进行本地训练的方法为:
6.根据权利要求5所述的基于边缘特征重构和联邦学习的风电功率预测方法,其特征在于,对边缘特征重构网络进行本地训练时的损失函数为:
7.根据权利要求6所述的基于边缘特征重构和联邦学习的风电功率预测方法,其特征在于,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:
8.根据权利要求1所述的基于边缘特征重构和联邦学习的风电功率预测方法,其特征在于,所述步骤s3中,风电功率预测模型为深度时空图神经网络;
9.根据权利要求8所述的基于边缘特征重构和联邦学习的风电功率预测方法,其特征在于,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: