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：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。根据本专利技术实施例的基于联邦集成学习的电量需求预测方法通过多个步骤相配合，能够实现对于子电站的电量需求的预测。可选地，所述的所述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。可选地，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。可选地，所述的方法还包括以下步骤：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。可选地，在所述的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当前的电量需求预测模型步骤中，采用长短期记忆模型得到所述电量需求预测模型。可选地，所述数据类型包括电量数据类型、天气数据类型和/或温度数据类型。可选地，在所述子电站将自身的本地模型上传给所述总电站之前，所述子电站能够保存自己自身的最新的本地模型。本专利技术的第二方面，提供了一种基于联邦集成学习的电量需求预测系统，包括：初始化模块，所述初始化模块使所述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；模型发送模块，所述模型发送模块将预训练的全局模型发送给相应的所述子电站；本地训练模块，所述本地训练模块使每个所述子电站在收到全局模时对自身的本地模型进行初始化，所述子电站使用自己的本地数据集进行训练；本地模型上传模块，所述本地模型上传模块使所述子电站在进行本地训练后将自身的本地模型上传给所述总电站；聚合模块，所述聚合模块使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。可选地，所述聚合模块使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。可选地，所述的系统还包括：本地模型划分模块，所述本地模型划分模块与所述子电站连接，所述本地模型划分模块能够将所述子电站对应的所述本地模型根据数据类型划分为若干个本地子模型。通过以下参照附图对本申请的示例性实施例的详细描述，本申请的其它特征及其优点将会变得清楚。附图说明本专利技术的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：图1为根据本专利技术实施例的基于联邦集成学习的电量需求预测方法的流程图；图2为传统的联邦学习框架的示意图；图3为根据本专利技术实施例联邦集成学习框架的示意图；图4为根据本专利技术实施例的整合大量的数据进行电力需求预测的示意图。具体实施方式现在将参照附图来详细描述本申请的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本申请及其应用或使用的任何限制。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。下面首先结合附图具体描述根据本专利技术实施例的基于联邦集成学习的电量需求预测方法。本专利技术提供了一种基于联邦集成学习的电量需求预测方法，下面对联邦学习进行详细说明。首先，联邦学习是分布式机器学习系统的一种，它可以为参与分布式学习的节点提供一定的隐私保护。如图2所示，联邦学习是一种分布式协作学习范式，它允许边缘节点(如无人机、传感器、车辆)保持数据在本地来协作训练一个全局深度学习模型来达到模型学习和保护隐私的目的。具体来说，该框架通过使用分布式的随机梯度下降算法来迭代和训练全局模型，在每轮迭代t(t∈{1,2,…,T})中，联邦学习的学习的过程可以描述如下：步骤1：初始化所有参与本轮训练的节点发送信息给云服务器以表示登记参与联邦学习，云服务器去除存在网络故障或者网络不佳的节点。云服务器将从所有参与的节点中随机抽取部分节点参加本轮训练，并将预训练(或者初始化)的全局模型wt发送给相应的节点。步骤2：本地训练每个节点收到全局模型wt，并对自己的本地模型进行初始化，其中k表示节点的数目，初始化过程如下：然后，节点开始使用自己的本地数据集Dk进行训练，其中数据集的大小为|Dk|，由训练数据集即输入-输出对(xi,yi)组成，本地训练需要优化的损失函数定义如下：其中，ω是指模型的参数，fi(ω)是指本地损失函数(例如)，Fk(ω)收敛之后可以更新本地模型如下：其中，η为模型的学习率，为对权值的求导即梯度。在深度学习中本文档来自技高网...

【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。/n

【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