[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

说明书

本发明涉及光伏发电预测方法，旨在提供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。包括：基于联邦学习框架在各光伏预测点和云端服务器分别建立神经网络模型，先根据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进行分类，并在云端进行所有分类对应的神经网络初始化；利用本地数据对各光伏预测点模型进行训练并在云端进行聚合，在此过程中仅传输模型参数而非训练数据。本发明能避免通信过程中大规模数据传输，显著降低通信耗时与通信所需带宽，提高模型训练效率与经济性；规避传统模型训练方法中光伏预测点边缘计算装置算力不足，数据不够等问题；分类算法使得光伏预测点与预测模型更加匹配，提高发电量预测的精度。

技术领域

本发明涉及电力系统光伏发电预测方法，属于基于联邦学习的区域分类光伏发电量协同预测方法。

背景技术

为了实现碳中和目标，可再生能源的利用受到越来越多的关注。其中，太阳能被证明为最清洁，最丰富的的能源之一。利用太阳能进行光伏发电可以减少化石燃料的使用，降低碳排放。然而，太阳能的波动性为光伏电站发电计划的制定带来巨大挑战，精准预测光伏发电出力，对保证电网的稳定运行意义重大。

传统的光伏发电功率预测方法可分为物理法和统计法。前者需要测量有关的基础服务设施和相关设备，后者通过对历史样本进行特征提取，利用最小化误差进行光伏功率预测。但两者分别存在基础设备要求过高，预测准确度较低的问题。

近年来，神经网络与支持向量机等机器学习方法被广泛应用于预测场景，该方法在光伏功率预测领域同样备受关注。《利用SVM-LSTM-DBN的短期光伏发电预测方法》利用深度信念网络(DBN)耦合支持向量机(SVM)和长短期记忆神经网络(LSTM)，提出一种新的光伏功率组合预测方法，其组合方法与单一模型相比，精度明显提高。《基于MIV分析的GA-BP神经网络光伏短期发电预测》提出一种结合Spearman相关系数显著性检验与利用欧氏距离计算变化因子改进改进MIV(mean impact value)算法的GA-BP神经网络光伏短期发电预测的方法；《Probabilistic Forecasting of Photovoltaic Generation：An EffificientStatistical Approach》提出了一种基于极值学习机和分位数回归的光伏发电量预测方法，建立了基于线性规划的光伏发电预测区间构建模型，准确量化了光伏发电系统发电量的变异性和不确定性。

但这些对于光伏预测的研究，其研究对象主要为一个预测点，即根据预测点的历史气象数据、发电量等预测未来一段时间的光伏发电量。然而，单点的光伏功率往往受到波动的气象因素影响较大，其结果与实际发电量存在较大差异。同时，近年来备受关注的神经网络预测方式，虽然提高了光伏预测的准确度，但是训练神经网络需要较大的运算能力，对于每个需要预测的点均搭建运算装置，成本过高。同时，存在一定的“数据孤岛”问题，不同区域的气象数据与光伏发电数据无法互通，导致数据不能被充分利用。

也有一些研究者提出，将各点数据合并到中央服务器进行统一的模型训练，但会导致各地数据传输过程中的数据泄露和隐私泄露问题，因此，将原始数据直接进行远程传输合并无法有效解决问题。

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与深度神经网络的区域光伏发电预测方法。

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与深度神经网络的区域光伏发电预测方法，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；