[发明专利]一种考虑用户隐私保护的自适应住宅负荷预测方法

权利要求书

1.一种考虑用户隐私保护的自适应住宅负荷预测方法，其特征在于，包括以下步骤：

步骤1：获得多个历史时刻的公共负荷数据和多个用户的多个历史时刻的住宅负荷数据，将多个历史时刻的公共负荷数据划分为多个公共负荷训练样本，进一步标记每个公共负荷训练样本的负荷真值，将每个用户的多个历史时刻的住宅负荷数据分为每个用户的多个住宅负荷训练样本，进一步标记每个用户的每个住宅负荷训练样本的负荷真值；

步骤2：模型服务器构建公共负荷神经网络模型，将每个公共负荷训练样本输入至公共负荷神经网络模型，预测得到每个公共负荷训练样本的负荷预测值，结合每个公共负荷训练样本的负荷真值构建公共负荷神经网络损失函数模型，进一步通过使用梯度下降法优化得到优化后公共负荷神经网络模型参数，通过优化后公共负荷神经网络模型参数构建优化后公共负荷神经网络模型；

步骤3：模型服务器将优化后公共负荷神经网络模型参数以及优化后公共负荷神经网络模型发送给多个用户计算终端；

步骤4：每个用户计算终端将每个用户的每个住宅负荷训练样本输入至优化后公共负荷神经网络模型，预测得到每个用户的每个住宅负荷训练样本的负荷预测值，结合每个用户的每个住宅负荷训练样本的负荷真值构建每个用户的住宅负荷神经网络损失函数模型，进一步通过使用梯度下降法优化得到优化后每个用户的住宅负荷神经网络模型参数，每个用户计算终端将优化后每个用户的住宅负荷神经网络模型参数传输至模型服务器；

步骤5：模型服务器对多个用户的住宅负荷神经网络模型参数进行平均处理得到加权平均用户的住宅负荷神经网络模型参数，通过加权平均用户的住宅负荷神经网络模型参数构建模型服务器的公共负荷神经网络模型；

步骤6：重复步骤3至步骤6，直至加权平均用户的住宅负荷神经网络模型参数收敛；通过加权平均用户的住宅负荷神经网络模型的收敛参数构建加权平均用户的住宅负荷神经网络模型；模型服务器将加权平均用户的住宅负荷神经网络模型传输至每个用户计算终端；

步骤7：第m个用户的计算终端利用住宅负荷训练样本对加权平均用户的住宅负荷神经网络模型进行自适应调整：保持加权平均用户的住宅负荷网络模型中第一卷积层的参数、第二卷积层的参数、BiLSTM网络的参数不变，对全连接层参数进行自适应调整，具体为：同时使用公共负荷训练样本和每个用户的住宅负荷训练样本，构建每个用户的住宅负荷神经网络损失函数模型：

其中，Θ_u为第u个用户的网络中待优化的参数，y_n为第n个公共负荷训练样本的负荷真值，为第n个公共负荷训练样本的负荷预测值，为第u个用户第m个住宅负荷训练样本的负荷真值，是第u个用户第m个住宅负荷训练样本的的负荷预测值，D_S是多个历史时刻的公共负荷数据，D_u是第u个用户的多个历史时刻的住宅负荷数据，η是差异系数，是多核最大均值差异损失；多核最大均值差异损失计算方法如下：

其中，x_n为第n个公共负荷训练样本，为第u个用户第m个住宅负荷训练样本，φ(·)为映射函数；

映射函数φ(·)使用高斯核的凸组合进行计算，各个核需要满足如下条件：

其中，k_p表示高斯核，表示核函数系数，表示高斯核的凸组合；

映射函数计算方法转换为核函数的计算，如下所示：

φ(x_s)·φ(x_t)＝k(x_s,x_t)

其中，φ(x_s)表示数据x_s经过映射函数φ(·)的映射，φ(x_t)表示数据x_t经过映射函数φ(·)的映射，k(x_s,x_t)表示数据x_s和数据x_t经过高斯核函数k运算后的结果。