基于联邦学习的云边协同多居民区负荷预测方法技术

本发明专利技术涉及电力系统短期负荷预测方法，旨在提供一种基于联邦学习的云边协同多居民区负荷预测方法。本发明专利技术采用云边协同技术，通过同态加密技术实现云端服务器与分布于各居民区的计算客户端之间的负荷预测模型参数传输，达到降低通信成本与保护居民数据隐私的目的；通过采用统一的全局模型而非各异的局部模型对居民区进行负荷预测，避免了居民区由于数据数量少或计算能力不够导致的负荷预测结果不佳的问题。本发明专利技术使用与负荷相关性高的气象数据作为模型特征参与模型训练，合理运用不同计算客户端之间的数据量差异，提升了训练精度和效率。将居民区的用户数据留在本地，只传输模型参数，显著降低了通信耗时与通信所需带宽，提高模型效率与经济性。提高模型效率与经济性。提高模型效率与经济性。

【技术实现步骤摘要】
基于联邦学习的云边协同多居民区负荷预测方法


[0001]本专利技术涉及电力系统短期负荷预测方法，属于基于联邦学习的多特征居民区负荷预测技术。

技术介绍

[0002]随着各类分布式能源接入电力系统，原有的单向电力流动转变为双向电力流动，监测难度上升，同时，随着我国经济的发展，居民区的用电规模呈显著上升趋势，因此，对居民区进行有效的电力负荷预测有利于维持居民区的电力稳定，提升居民区电能质量。
[0003]电力负荷预测分为中长期负荷预测、短期负荷预测及超短期负荷预测，当前，研究者们最关注的是短期负荷预测，常常以小时为单位，考虑人为活动与气象因素，对研究对象的负荷进行预测，常用的方法有时间序列预测、神经网络预测等。神经网络预测方法中，常用的模型为具有记忆性的循环神经网络及长短期记忆网络。
[0004]近年来，电力系统对负荷预测的精准度要求越来越高，包括特征精准度与结果精准度。业内已有多篇公开文献对此展开讨论，例如：《面向商业和居民混合的配电网短期负荷预测HGWOACOA
‑
LSTMN方法》中提出了一种基于灰狼郊狼混合优本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于联邦学习的云边协同多居民区负荷预测方法，其特征在于，包括以下步骤：(1)利用设于各居民区的计算客户端获取本居民区的历史用电负荷和历史气象数据；(2)搭建基于注意力机制的长短期记忆网络模型(attention
‑
lstm)，并分别部署在云端服务器和各计算客户端中；(3)以云端服务器随机选择若干个居民区，由各计算客户端利用本居民区的用电负荷与气象数据对模型进行局部训练，并将训练后的模型参数以同态加密算法加密之后传输给云端服务器；(4)云端服务器接收并解密来自计算客户端的模型参数，对全局模型进行聚合与更新，并将更新后的模型参数下发给所有计算客户端；(5)重复步骤(3)
‑
(4)并达到预设的训练轮数之后，云端服务器利用最终获得的全局模型对各居民区的用电负荷进行预测。2.根据权利要求1所述的方法，其特征在于，在步骤(1)中，采用斯皮尔曼相关系数对历史气象数据与历史用电负荷的相关性进行计算与分析，获得相关度分级，并将满足预设条件的强相关气象数据作为模型的输入。3.根据权利要求2所述的方法，其特征在于，所述斯皮尔曼相关系数的计算公式为：式中，r
s
表示斯皮尔曼相关性系数；n表示两组数据各自的数量，原则上要求待分析的两组数据数量相同；d
i
表示任意两个数据次序的差值，即：d
i
＝rg(X
i
)
‑
rg(Y
i
)式中，X
i
、Y
i
表示数据中任意两个数据点，rg(X
i
)表示X
i
在数据中的排序位置；rg(Y
i
)表示Y
i
在数据中的排序位置；根据斯皮尔曼相关系数的计算获得相关度之后，按下述判定准则进行分级：4.根据权利要求1所述的方法，其特征在于，所述历史气象数据包括：最高温度...

【专利技术属性】
技术研发人员：彭勇刚，孙静，胡丹尔，杨晋祥，莫浩杰，韦巍，蔡田田，邓清唐，陈波，杨英杰，冯起辉，
申请(专利权)人：南方电网数字电网研究院有限公司，
类型：发明
国别省市：