[发明专利]基于联邦学习的云边协同多居民区负荷预测方法

说明书

本发明涉及电力系统短期负荷预测方法，旨在提供一种基于联邦学习的云边协同多居民区负荷预测方法。本发明采用云边协同技术，通过同态加密技术实现云端服务器与分布于各居民区的计算客户端之间的负荷预测模型参数传输，达到降低通信成本与保护居民数据隐私的目的；通过采用统一的全局模型而非各异的局部模型对居民区进行负荷预测，避免了居民区由于数据数量少或计算能力不够导致的负荷预测结果不佳的问题。本发明使用与负荷相关性高的气象数据作为模型特征参与模型训练，合理运用不同计算客户端之间的数据量差异，提升了训练精度和效率。将居民区的用户数据留在本地，只传输模型参数，显著降低了通信耗时与通信所需带宽，提高模型效率与经济性。

技术领域

本发明涉及电力系统短期负荷预测方法，属于基于联邦学习的多特征居民区负荷预测技术。

背景技术

随着各类分布式能源接入电力系统，原有的单向电力流动转变为双向电力流动，监测难度上升，同时，随着我国经济的发展，居民区的用电规模呈显著上升趋势，因此，对居民区进行有效的电力负荷预测有利于维持居民区的电力稳定，提升居民区电能质量。

电力负荷预测分为中长期负荷预测、短期负荷预测及超短期负荷预测，当前，研究者们最关注的是短期负荷预测，常常以小时为单位，考虑人为活动与气象因素，对研究对象的负荷进行预测，常用的方法有时间序列预测、神经网络预测等。神经网络预测方法中，常用的模型为具有记忆性的循环神经网络及长短期记忆网络。

近年来，电力系统对负荷预测的精准度要求越来越高，包括特征精准度与结果精准度。业内已有多篇公开文献对此展开讨论，例如：《面向商业和居民混合的配电网短期负荷预测HGWOACOA-LSTMN方法》中提出了一种基于灰狼郊狼混合优化算法(和长短时记忆网络相结合的配电网短期电力负荷预测方法，预测对象为商业和居民混合的配电网负荷。《基于状态频率记忆网络的家庭短期电力负荷预测》进一步以家庭为单位进行短期的电力负荷预测，提出了一种基于状态频率记忆网络的家庭短期电力负荷预测模型。《Short-termLoad Forecasting Based on VMD-PSO-Multiple Kernel Extreme Learning MachineMethod》)提出了一种基于变分模态分解与粒子群优化的多核极限学习机模型。《基于麻雀搜索优化的Attention-GRU短期负荷预测方法》首先应用Attention机制对输入序列进行权重分配；然后输入GRU组合网络对内部特征进行学习并输出预测时间负荷值；最后使用麻雀搜索算法对网络超参数进行组合优化，以验证集损失最小为目标函数获取最优化网络结构超参数。

但是，上述各类研究中，针对研究对象皆为一个单位(家庭、区域等)；预测单个对象负荷的计算需求较高、数据量较大，同时难以进行规模化的迁移预测。并且，现有的负荷预测往往直接将气候因素特征加入预测模型，对模型训练效率造成不利影响。

发明内容

本发明要解决的技术问题是，克服现有技术中的不足，提供一种基于联邦学习的云边协同多居民区负荷预测方法。

为解决技术问题，本发明的解决方案是：

提供一种基于联邦学习的云边协同多居民区负荷预测方法，包括以下步骤：

(1)利用设于各居民区的计算客户端获取本居民区的历史用电负荷和历史气象数据；

(2)搭建基于注意力机制的长短期记忆网络模型(attention-lstm)，并分别部署在云端服务器和各计算客户端中；

(3)以云端服务器随机选择若干个居民区，由各计算客户端利用本居民区的用电负荷与气象数据对模型进行局部训练，并将训练后的模型参数以同态加密算法加密之后传输给云端服务器；

(4)云端服务器接收并解密来自计算客户端的模型参数，对全局模型进行聚合与更新，并将更新后的模型参数下发给所有计算客户端；