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

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)，多個園區(qū)可以協(xié)同訓(xùn)練一個高效的電力負荷預(yù)測模型，而無需共享敏感的用戶數(shù)據(jù)，從而在保護隱私的同時提高預(yù)測的準(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)測電力負荷，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數(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能力，造成電力負荷的預(yù)測準(zhǔn)確率低。

技術(shù)實現(xiàn)思路

1、本申請實施例提供了一種基于聯(lián)邦學(xué)習(xí)的園區(qū)電力負荷預(yù)測方法，可以解決聯(lián)邦學(xué)習(xí)框架下電力負荷預(yù)測準(zhǔn)確率低的問題。

2、本申請實施例提供了一種基于聯(lián)邦學(xué)習(xí)的園區(qū)電力負荷預(yù)測方法，包括：

3、參與聯(lián)邦學(xué)習(xí)的客戶端獲取所屬園區(qū)的電力負荷數(shù)據(jù)序列，并對電力負荷數(shù)據(jù)序列進行emd分解得到多個imf分量；電力負荷數(shù)據(jù)序列包括園區(qū)在歷史時間段內(nèi)的電力負荷數(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)在歷史時間段內(nèi)的氣象溫度數(shù)據(jù)；

5、客戶端分別針對每個imf分量，利用dtw算法計算氣象溫度序列與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多個imf分量進行排序，得到電力負荷分解分量序列；

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園區(qū)的電力負荷進行預(yù)測；若更新后的本地模型未收斂，則利用電力負荷分解分量序列對更新后的本地模型進行本地訓(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態(tài)匹配排序累積距離進行全局參數(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，動態(tài)匹配排序累積距離與客戶端計算得到的dtw距離相關(guān)。

9、可選的，客戶端基于相似度對多個imf分量進行排序，得到電力負荷分解分量序列，包括：

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

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

12、計算所有imf分量對應(yīng)的dtw距離的總和，并將總和作為客戶端的動態(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態(tài)匹配排序累積距離進行全局參數(shù)聚合，包括：

14、中央服務(wù)器通過如下公式進行全局參數(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)的第個客戶端的動態(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，客戶端利用電力負荷分解分量序列對更新后的本地模型進行本地訓(xùn)練時，所采用的損失函數(shù)為：

19、；

20、其中，表示針對第k個客戶端計算得到的損失值，表示第k個客戶端所使用的訓(xùn)練數(shù)據(jù)的總時間步數(shù)，表示時間步長索引，表示第k個客戶端在時間步t預(yù)測出的電力負荷值，表示第k個客戶端在時間步t的真實電力負荷值。

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)電力負荷預(yù)測方法還包括：

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)達到預(yù)設(shè)次數(shù)，或者本地模型的預(yù)測精度達到預(yù)設(shè)精度。

24、本申請的上述方案有如下的有益效果：

25、在本申請的實施例中，通過對原始電力負荷數(shù)據(jù)序列進行emd分解，得到代表不同頻率分量的多個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分量作為對比不同尺度的特征提取，采用dtw算法進行分量匹配，得到最優(yōu)順序的電力負荷分解分量序列，實現(xiàn)數(shù)據(jù)相似度對齊，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，增強模型的表達能力，進而提升聯(lián)邦學(xué)習(xí)框架下的電力負荷預(yù)測準(zhǔn)確率。

26、本申請的其它有益效果將在隨后的具體實施方式部分予以詳細說明。

技術(shù)特征：

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

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

3.根據(jù)權(quán)利要求1所述的園區(qū)電力負荷預(yù)測方法，其特征在于，在所述利用dtw算法計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)電力負荷預(yù)測方法還包括：

4.根據(jù)權(quán)利要求3所述的園區(qū)電力負荷預(yù)測方法，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態(tài)匹配排序累積距離進行全局參數(shù)聚合，包括：

5.根據(jù)權(quán)利要求1所述的園區(qū)電力負荷預(yù)測方法，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)電力負荷預(yù)測方法，其特征在于，所述客戶端利用電力負荷分解分量序列對更新后的本地模型進行本地訓(xùn)練時，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)電力負荷預(yù)測方法，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)電力負荷預(yù)測方法還包括：

技術(shù)總結(jié)
本申請適用于電力負荷預(yù)測技術(shù)領(lǐng)域，提供了一種基于聯(lián)邦學(xué)習(xí)的園區(qū)電力負荷預(yù)測方法，包括：客戶端對園區(qū)的電力負荷數(shù)據(jù)序列進行EMD分解得到多個IMF分量；計算園區(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；對多個IMF分量進行排序，得到電力負荷分解分量序列；接收中央服務(wù)器下發(fā)的全局模型參數(shù)，利用電力負荷分解分量序列進行本地訓(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)進行下一輪的本地訓(xùn)練，直至模型收斂。本申請能提升聯(lián)邦學(xué)習(xí)框架下的電力負荷預(yù)測準(zhǔn)確率。

技術(shù)研發(fā)人員：陳曉紅,龔思遠,曹文治
受保護的技術(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