[发明专利]基于横向联邦学习的智能风电场风况预测方法

说明书

本发明提供了一种基于横向联邦学习的智能风电场风况预测方法，属于深度学习技术领域。本发明在能够解决结合多风电场预测过程中所涉及的数据安全问题的同时，能够取得更为优异的训练效果，在训练过程能够充分利用过去的经验；本发明在即使参与者可靠性较低情况下，准确率仍能够保证；并且本发明提供的基于AutoEncoder的数据降维方法能够减少数据计算量，大幅提高运行速度。本发明在部署上相对简单，只需各个风电场将数据暴露在特定端口，模型能即拿即用。

技术领域

本发明属于深度学习技术领域，涉及一种基于横向联邦学习的智能风电场风况预测方法。

背景技术

随着人工智能的发展及新能源风电行业的数字化转型，构建出智能化的风电场系统体系已是时代所趋。然而，AI模型在训练时的数据问题是目前发展的主要阻碍之一。现实生产之中，不同企业之间的数据质量和数量参差不齐，仅有少部分的风电领军企业满足模型训练时的数据要求，绝大多数企业都不能获取适合模型训练的规范数据，甚至在指标的数据采集上仍存在困难。数据是人工智能运转的基础，只有拥有量大质高的数据，才能训练出精度更好的模型。

为解决这一问题，企业之间建立相关的数据共享，通过共享数据进行模型训练的模式较为理想。然而，在数据共享的过程中，由于缺少有效的数据保护措施，数据安全问题得不到保证。另一方面，相同类型的企业之间存在着竞争关系，小型企业往往成为竞争之中的弱势方。因此，数据仍以孤岛形式存在。

在随机并行梯度下降(parallel gradient descent)算法提出后，不同企业之间不再将数据统一发送至第三方计算端，而是接受第三方初始模型的参数，在本地进行训练。在每次数据训练结束后，返回梯度信息给第三方服务器，综合修改模型参数。然而，鉴于当前神经网络的发展，该算法的安全性较差。相关研究表明，计算端在本地构建一个神经网络，根据反馈回来的梯度信息能够反推出进行模型训练的数据信息，难以保证数据的安全性。因此，在梯度传导的过程中，需要进行梯度加密。

在实际应用中，网络是未知的且不可靠的。上述的算法需要反复与服务器交换梯度以及模型参数信息，期间很容易产生数据的丢失。为了改进这一现象，相关研究提出了FedAvg算法，每次不再需要传递梯度信息，而是在本地训练多次全部数据，返回参数信息，再由服务器进行参数平均更新。

另一方面，在使用LSTM模型对风场风况数据进行训练，其预测效果一般，并且在数据的特定区域的损失会远超于其他区域，很难进行准确的预测。

基于此，本发明针对本领域模型在多方训练的数据安全问题与模型本身存在的问题，提供了一种基于横向联邦学习且具有分布预测的LSTM模型，具有较大的研究意义和实用价值。本发明结合多风电场数据进行训练模型，保证风电场数据的隐私。本发明提供了一种基于分布预测的LSTM模型，能够显著提高预测的准确率。并且为了减少数据的计算量，本发明提供了一种基于AutoEncoder模型的数据降维过程，大幅提高了运行速度。除此之外，本发明也提供了一种梯度选择更新的算法，能够弥补原方法在某些特定位置的预测损失，重复利用过去的经验，进而达到更好的预测效果。

发明内容

为了克服现有LSTM模型预测效果差，以及多方数据共享问题，本发明提出了一种基于横向联邦学习的风电场风况环境预测方法，结合联邦学习、深度学习等技术，最终为深度学习技术在风电场领域的应用提供了理论依据和实践经验。由于风电场类型数据通常数据特征重叠较多，而样本重叠较少，故采用横向联邦学习方法。

本发明针对上述技术问题提出的技术方案如下：

一种基于横向联邦学习的智能风电场风况预测方法，包括以下步骤：

步骤一，由n个风电场参与联邦学习训练，每个风电场分别对本地数据进行预处理。

步骤二，服务器建立改进LSTM模型，初始化模型参数W₀。