基于联邦学习与深度神经网络的区域光伏发电预测方法技术

本发明专利技术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。本发明专利技术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。电量预测的精度。电量预测的精度。

【技术实现步骤摘要】
基于联邦学习与深度神经网络的区域光伏发电预测方法


[0001]本专利技术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。

技术介绍

[0002]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。
[0003]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。
[0004]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 Effificient Statistical 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。
[0005]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。
[0006]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。

技术实现思路

[0007]本专利技术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。
[0008]为解决技术问题，本专利技术的解决方案是：
[0009]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：
[0010](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；
[0011](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；
[0012](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；
[0013](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；
[0014](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；
[0015](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。
[0016]与现有技术相比，本专利技术的技术效果是：
[0017](1)利用皮尔逊相关系数，依据气象变量温度、风速对光伏发电量的影响对光伏预测点进行分类，提高预测模型与预测点的匹配度，提高了预测精度。同时，在新的光伏预测点接入时，可以直接采用对应分类的网络进行预测，节省了二次训练所需时间。
[0018](2)利用云边协同的思想对多居民区进行联合负荷预测模型的训练，规避了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。
[0019](3)联邦学习将光伏点数据留在本地，只传输模型参数，避免了通信过程中的大规模数据传输，显著降低了通信耗时与通信所需带宽，提高了模型训练效率与经济性。
[0020](4)在模型训练之前，利用气象数据对预测点进行分类，在网络训练过程中，避免了额外气象数据的输入，降低了lstm网络的输入维度，显著降低了模型训练时间，提高模型训练效率。
附图说明
[0021]图1为本专利技术实现的流程图。
[0022]图2为AutoEncoder
‑
LSTM模型架构示意图
[0023]图3为示例的三种类别的光伏预测点网络训练过程示意图。
具体实施方式
[0024]本专利技术提出基于联邦学习的区域分类光伏发电量协同预测方法，首先计算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，对光伏预测点进行分类，并在云端进行所有分类对应的神经网络初始化。基于联邦学习框架，利用本地数据对光伏预测点的局部模型进行训练，仅传输模型参数而非训练数据，达到了保护数据隐私的目的；同时，分类算法使得光伏预测点与其预测模型更加匹配，提高发电量预测的精度。
[0025]本专利技术提供的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：
[0026]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。
[0027](1)皮尔逊相关系数的计算与光伏预测点的分类；
[0028]虽然RNN、LSTM等时序神经网络能够有效对时间序列进行预测，然而无关特征数据的输入往往会增加训练时间，降低训练精度，影响模型效果。因此，本专利技术在将气象数据如辐射强度作为特征量输入本地模型之前，采用皮尔逊相关系数对各种气象数据与光伏发电量的相关性进行具体分析，选择最相关的气象变量输入网络进行预测。
[0029]皮尔逊相关性系数r根据下面的公式(1)计算：
[0030][0031]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...

【专利技术属性】
技术研发人员：胡敬伟，张文雯，邓力，梁帅伟，王京锋，张鑫杨，王弢，邵渊，林智炜，李佳琴，
申请(专利权)人：国网浙江省电力有限公司象山县供电公司，
类型：发明
国别省市：