[发明专利]基于联邦学习与深度神经网络的区域光伏发电预测方法

权利要求书

1.一种基于联邦学习与深度神经网络的区域光伏发电预测方法，其特征在于，包括以下步骤：

(1)计算电力系统中各光伏预测点的气象变量与光伏发电量之间的皮尔逊相关系数，根据计算结果对各光伏预测点进行分类，分类类别的个数为n，n≤9；

(2)基于联邦学习框架，在各光伏预测点的边缘计算装置上建立本地神经网络模型，在云端服务器建立全局神经网络模型，各神经网络模型均具有相同的网络结构；

(3)在云端服务器中对神经网络模型的模型参数进行初始化，然后下发至各光伏预测点的本地神经网络模型；

(4)利用下发的模型参数和本地数据，对各本地神经网络模型进行训练，并将更新后的模型参数上传至云端服务器；

(5)按步骤(1)中所述分类类别对来自各本地神经网络模型的参数进行分类，然后分别采用FedAvg算法进行聚合计算；利用计算所得模型参数形成n个不同类别的全局神经网络模型，更新后的全局模型参数被存储起来；判断各本地神经网络模型的训练是否终止，若未终止则重复进行聚合计算，直到训练终止；

(6)将所存储的全局模型参数根据各光伏预测点的分类类别进行下发，并对本地神经网络模型进行参数更新，利用本地发电量数据进行区域光伏发电量的预测。

2.根据权利要求1所述的方法，其特征在于，在所述步骤(1)中，根据公式(1)计算皮尔逊相关性系数r：

式中，(X_i，Y_i)与分别为第i组样本数据以及样本数据的平均值；n为待分析样本的数据组数。

3.根据权利要求1所述的方法，其特征在于，在所述步骤(1)中，各光伏预测点分类类别的个数为n，n≤9。

4.根据权利要求1所述的方法，其特征在于，所述本地神经网络模型和全局神经网络模型均为长短期记忆神经网络模型(LSTM)，由Autoencoder层、LSTM层以及输出层组成；其中，Autoencoder层提取原始数据的隐含特征作为LSTM层的输入，LSTM层对输入数据进行分析后得到预测结果，最终由输出层输出最后的结果。

5.根据权利要求1所述的方法，其特征在于，在模型参数的上传或下发过程中，采用同态加密算法进行数据加密，加密过程包括密钥生成、同态加密、同态赋值和同态解密这四部分内容。

6.根据权利要求1所述的方法，其特征在于，在下发模型参数时，归属于不同分类类别的光伏预测点会收到对应的模型参数；

如果某区域不存在某些分类类别的光伏预测点，则云端服务器在收到相应反馈后，在下轮训练后不再将该分类类别的模型参数下发给该光伏预测点；如果某区域存在增加光伏预测点的情况，则首先对增加的光伏预测点进行皮尔逊相关系数的计算和分类，全局神经网络模型在收到反馈后对分类类别的个数进行更新，并在下轮训练后由云端服务器下发更新后的模型参数。

7.根据权利要求1所述的方法，其特征在于，所述采用FedAvg算法对各本地模型参数进行聚合及更新全局神经网络模型，是通过公式(2)实现的：

其中，G^t表示第t轮聚合之后的全局神经网络模型，L^t+l_i表示第i个用户端在第t+1轮本地训练更新后的模型，G^t+1表示第t+1轮聚合之后的全局神经网络模型；λ表示设置的更新系数；m表示参与训练的客户端总数。