基于联邦集成学习的电量需求预测方法和系统技术方案

本发明专利技术提出了一种基于联邦集成学习的电量需求预测方法和系统，方法包括以下步骤：包括以下步骤：总电站从所有参与训练的子电站中随机抽取部分子电站参加本轮训练，并将预训练的全局模型发送给相应的子电站；每个子电站收到全局模型，并对自身的本地模型进行初始化，并且子电站使用自身的本地数据集进行本地训练；子电站在进行本地训练之后将自身的本地模型上传给总电站，总电站对收到的本地模型执行聚合操作，得到新的全局模型；循环执行以上步骤，直至全局模型达到收敛，当前每个子电站的本地模型为电量需求预测模型，子电站采用对应的电量需求预测模型执行电量需求预测任务。根据本发明专利技术实施例的方法，能够实现对于子电站的电量需求的预测。

【技术实现步骤摘要】
基于联邦集成学习的电量需求预测方法和系统
本专利技术属于智能电网设备
，具体涉及一种基于联邦集成学习的电量需求预测方法和系统。
技术介绍
近年来，随着大数据与人工智能技术快速发展及深入应用，电网企业不断探索中长期电量预测业务，以期进一步提升在电网规划、负荷控制及需求侧管理等方面的科学决策水平。中长期电量预测是电网调峰及电力需求侧管理等工作的基础，在电力市场改革持续推进、电力企业不断深入发展的背景下，开展中长期电量预测工作，能够为电网企业合理制订电网规划、优化客户用电、提高线损管理智能化与精益化水平提供辅助决策支撑。然而，在传统中长期电量预测任务中往往因预测模型单一而很容易受到天气等意外的影响，从而使得预测精度波动较大。另一方面，原有的电量需求预测模型仅仅是提供给电力公司总部的而忽略了独立电站的预测需求。
技术实现思路
本申请的一个目的是提供一种基于联邦集成学习的电量需求预测方法和系统的新技术方案，能够实现对于子电站的电量需求的预测。本专利技术的第一方面，提供了一种基于联邦集成学习的电量需求预测方法，包括以下步骤本文档来自技高网...

【技术保护点】
1.一种基于联邦集成学习的电量需求预测方法，其特征在于，包括以下步骤：/n总电站从所有参与训练的子电站中随机抽取部分所述子电站参加本轮训练，并将预训练的全局模型发送给相应的所述子电站；/n每个所述子电站收到所述全局模型，并对自身的本地模型进行初始化，并且所述子电站使用自身的本地数据集进行本地训练；/n所述子电站在进行本地训练之后将自身的本地模型上传给所述总电站，所述总电站对收到的所述本地模型执行聚合操作，得到新的所述全局模型；/n循环执行以上步骤，直至所述全局模型达到收敛，当前每个所述子电站的本地模型为自身的电量需求预测模型，每个所述子电站采用对应的所述电量需求预测模型执行电量需求预测任务。/...

【技术特征摘要】
1.一种基于联邦集成学习的电量需求预测方法，其特征在于，包括以下步骤：
总电站从所有参与训练的子电站中随机抽取部分所述子电站参加本轮训练，并将预训练的全局模型发送给相应的所述子电站；
每个所述子电站收到所述全局模型，并对自身的本地模型进行初始化，并且所述子电站使用自身的本地数据集进行本地训练；
所述子电站在进行本地训练之后将自身的本地模型上传给所述总电站，所述总电站对收到的所述本地模型执行聚合操作，得到新的所述全局模型；
循环执行以上步骤，直至所述全局模型达到收敛，当前每个所述子电站的本地模型为自身的电量需求预测模型，每个所述子电站采用对应的所述电量需求预测模型执行电量需求预测任务。


2.根据权利要求1所述的方法，其特征在于，所述的总电站对收到的所述本地模型执行聚合操作步骤中，所述总电站对收到的每个所述本地模型执行基于引导聚焦算法的聚合操作，对收到的每个所述本地模型赋予一个权值系数进行聚合，得到新的所述全局模型。


3.根据权利要求2所述的方法，其特征在于，所述的对收到的每个所述本地模型赋予一个权值得到新的所述全局模型的步骤中，将所述总电站作为近端政策优化的代理，在近端政策优化模型中确定状态空间、动作空间和奖励函数，以获得最优的权值系数。


4.根据权利要求1所述的方法，其特征在于，还包括以下步骤：
将每个所述本地模型根据数据类型划分为若干个本地子模型，对每个所述本地子模型进修联邦集成学习得到对应的电量需求预测子模型；
根据当前的每个本地子模型对应的电量需求预测子模型得到所述电量需求预测模型。


5.根据权利要求4所述的方法，其特...

【专利技术属性】
技术研发人员：林培斌，戚远航，刘毅，
申请(专利权)人：广东安恒电力科技有限公司，
类型：发明
国别省市：广东;44