一种基于分层联邦学习的电力负荷预测方法、装置及介质制造方法及图纸

本发明专利技术公开了一种基于分层联邦学习的电力负荷预测方法、装置及介质。方法包括：在离线阶段，首先将客户端分成本地客户端和中间层服务器。在本地客户端对采集的气象和时间信息进行预处理后，利用长短期记忆神经网络（LSTM）进行回归学习，得到电力负荷的预测模型和对应的权重系数。在中间层服务器利用联邦学习中的FedAvg算法对深度学习网络参数进行加权聚合，形成初步的电力负荷预测模型。最后通过本地服务器进行加权聚合，形成最终的电力负荷预测模型。该方法具有结构简单，预测精度高的优点。预测精度高的优点。预测精度高的优点。

【技术实现步骤摘要】
一种基于分层联邦学习的电力负荷预测方法、装置及介质


[0001]本专利技术涉及一种基于分层联邦学习的电力负荷预测方法、装置及介质，属于智能电网和人工智能


技术介绍

[0002]电力负荷预测大致可以分为传统方法和人工智能方法。传统方法可分为线性回归、自回归移动平均值、灰色模型等。这些方法模型简单、计算速度快，但是由于电力负荷具有非线性的特点，这些传统方法并不能很好地解决非线性问题。人工智能方法快速发展，突破了传统方法不能很好解决分线性问题地不足。人工智能方法主要可分为人工神经网络、支持向量机、深度学习等。随着人工智能理论和技术的快速发展，智能预测方法日益受到重视。通过借助机器学习算法，如BP神经网络、支持向量机、随机森林算法、极限学习机等，可以有效处理高维负荷数据。
[0003]随着数字化技术发展进入高潮期，大数据和人工智能迎来爆发式发展，这给数据和网络安全带来了全新的挑战，数据孤岛就是其中的一个关键挑战。由于系统和业务的闭塞性和阻隔性，不同企业很难实现数据的交流和整合，联合建模需要跨越重重壁垒。
[0004]相应的，电网数据建模也面临着同样的挑战，在建立负荷预测模型时，难以兼顾保护用户隐私和提高预测精度。在目前的电力行业中，许多数据集在很多情况下由于原因没有办法进行集中或者共享双方的数据，因此不能进行数据挖掘和分析，面临着数据孤岛的问题，进一步来说若把数据集集中到一起进行存储和分析，可能还会涉及到是否符合相关法律法规、用户的隐私以及数据安全问题。

技术实现思路

[0005]本专利技术的目的在于克服现有技术中的不足，提供一种基于分层联邦学习的电力负荷预测方法、装置及介质，能够保护客户隐私数据的同时，降低实现复杂度，提高预测模型的时性和精度。
[0006]为达到上述目的，本专利技术是采用下述技术方案实现的：
[0007]第一方面，本专利技术提供了一种基于分层联邦学习的电力负荷预测方法，包括以下步骤：
[0008]获取预测地的时间信息和气象数据信息，时间信息包括当地的月份和小时，气象数据包括温度、气压、风速，对得到的时间和气象数据信息进行数据预处理，构建测量数据的指纹信息；
[0009]将所述指纹信息分成多个向量形式，送入电力负荷预测模型，得到预测地的电力负荷预测值；
[0010]所述电力负荷预测模型的构建方法包括：
[0011]在已知的时间点，每个客户端采集气象信息测量数据，记录对应的电力负荷；同时进行数据预处理，得到训练数据指纹，通过训练数据指纹构建训练数据集；所述气象信息测
量数据包括日期、温度、气压、风速；
[0012]利用分层联邦学习算法对所述训练数据集进行回归学习，得到电力负荷预测模型。
[0013]进一步的，数据预处理的方法包括：
[0014]将日期、温度、气压、风速分别进行归一化处理。
[0015]进一步的，利用分层联邦学习算法对训练数据集进行回归学习，得到电力负荷预测模型，包括：
[0016]对客户端进行划分；分为本地客户端和中间服务器，同时确定本地客户端与中间服务器，中间服务器与中间服务器之间，中间层服务器和系统服务器的通信连接方式；
[0017]本地客户端与第一层中间层服务器之间进行联邦学习；
[0018]中间层服务器之间进行联邦学习；
[0019]最高层的中间层服务器和系统服务器之间进行联邦学习。
[0020]进一步的，本地客户端与第一层中间层服务器之间进行联邦学习的方法包括：
[0021]步骤A：对本地客户端，利用长短期记忆神经网络进行回归学习，得到初步的电力负荷模型参数。
[0022]步骤B：根据定义的通信连接方式，将初步的电力负荷模型参数送入第一层次的中间层服务器。
[0023]步骤C：中间层服务器利用电力负荷预测模型对应的训练样本数目，确定各个初步模型的权重参数；第i个本地客户端的权重参数q
i
设置如下：
[0024][0025]其中m
i
为第i个本地客户端的训练样本数据；
[0026]步骤D：利用联邦学习中的FedAvg算法进行加权聚合，形成中间层的电力负荷预测模型；中间层的电力负荷预测模型参数表示如下：
[0027][0028]其中w
i
为第i个客户端训练得到的电力负荷初步模型的参数。
[0029]步骤E：将中间层电力负荷预测模型，下发给各自对应的第本地客户端，本地客户端基于当前的参数和本地数据进行训练，更新本地模型的参数；
[0030]步骤F：重复步骤A到步骤E，直到满足训练条件结束，即误差曲线趋于收敛。每一次参数传递过程称为一轮通信。至此完成本地客户端与中间层服务器之间的联邦学习过程。
[0031]进一步的，中间层服务器之间进行联邦学习，包括：
[0032]将第一层次的中间层服务器看作本地客户端，将得到的电力负荷预测模型送入上一层次的中间层服务器，进行模型权重更新，模型权重更新的方法与本地客户端与第一层中间层服务器之间进行联邦学习的方法相同，因此往复，直到完成所有中间层服务器的电力负荷预测模型权重更新。
[0033]进一步的，最高层的中间层服务器和系统服务器之间进行联邦学习，包括：
[0034]将最上层次的中间层服务器与系统服务器进行通信，模型权重更新的方法与本地
客户端与第一层中间层服务器之间进行联邦学习的方法相同，完成最上层服务器与系统服务器之间的联邦学习，得到最终的电力负荷预测模型。
[0035]第二方面，本专利技术提供了一种基于分层联邦学习的电力负荷预测装置，所述装置包括：
[0036]预处理模块：用于获取时间和气象数据信息，对得到的时间和气象数据信息进行数据预处理，构建测量数据的指纹信息；
[0037]预测模块：用于将所述指纹信息分成多个向量形式，送入电力负荷预测模型，得到电力负荷预测值；
[0038]所述电力负荷预测模型的构建方法包括：
[0039]步骤1：在已知的时间点，每个客户端采集气象信息测量数据，记录对应的电力负荷；同时进行数据预处理，得到训练数据指纹，通过训练数据指纹构建训练数据集；所述气象信息测量数据包括日期、温度、气压、风速；
[0040]步骤2：利用分层联邦学习算法对所述训练数据集进行回归学习，得到电力负荷预测模型。
[0041]第三方面，本专利技术提供一种基于分层联邦学习的电力负荷预测装置，其特征在于，包括处理器及存储介质；
[0042]所述存储介质用于存储指令；
[0043]所述处理器用于根据所述指令进行操作以执行根据第一方面所述方法的步骤。
[0044]第四方面，本专利技术提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面所述方法的步骤。
[0045]与现有技术相比，本专利技术所达到的有益效果：
[0046]1.本专利技术利用联邦学习技术进行负荷预测，能够保护用户的隐私本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于分层联邦学习的电力负荷预测方法，其特征在于，包括以下步骤：获取预测地的时间信息和气象数据信息，时间信息包括当地的月份和小时，气象数据包括温度、气压、风速，对得到的时间和气象数据信息进行数据预处理，构建测量数据的指纹信息；将所述指纹信息分成多个向量形式，送入电力负荷预测模型，得到预测地的电力负荷预测值；所述电力负荷预测模型的构建方法包括：在已知的时间点，每个客户端采集气象信息测量数据，记录对应的电力负荷；同时进行数据预处理，得到训练数据指纹，通过训练数据指纹构建训练数据集；所述气象信息测量数据包括日期、温度、气压、风速；利用分层联邦学习算法对所述训练数据集进行回归学习，得到电力负荷预测模型。2.根据权利要求1所述的基于分层联邦学习的电力负荷预测方法，其特征在于，数据预处理的方法包括：将日期、温度、气压、风速分别进行归一化处理。3.根据权利要求1所述的基于分层联邦学习的电力负荷预测方法，其特征在于，利用分层联邦学习算法对训练数据集进行回归学习，得到电力负荷预测模型，包括：对客户端进行划分；分为本地客户端和中间服务器，同时确定本地客户端与中间服务器，中间服务器与中间服务器之间，中间层服务器和系统服务器的通信连接方式；本地客户端与第一层中间层服务器之间进行联邦学习；中间层服务器之间进行联邦学习；最高层的中间层服务器和系统服务器之间进行联邦学习。4.根据权利要求3所述的基于分层联邦学习的电力负荷预测方法，其特征在于，本地客户端与第一层中间层服务器之间进行联邦学习的方法包括：步骤A：对本地客户端，利用长短期记忆神经网络进行回归学习，得到初步的电力负荷模型参数；步骤B：根据定义的通信连接方式，将初步的电力负荷模型参数送入第一层次的中间层服务器；步骤C：中间层服务器利用电力负荷预测模型对应的训练样本数目，确定各个初步模型的权重参数；第i个本地客户端的权重参数q
i
设置如下：其中m
i
为第i个本地客户端的训练样本数据；步骤D：利用联邦学习中的FedAvg算法进行加权聚合，形成中间层的电力负荷预测模型；中间层的电力负荷预测模型参数表示如下：其中w
i
为第i个客户端训练得到的电力负荷初步模型的参数；步...

【专利技术属性】
技术研发人员：朱庆，陆震军，张卫国，林慧婕，郑红娟，张良，胡艺，顾琳琳，陈良亮，方佳伟，孙季泽，张宇峰，
申请(专利权)人：国电南瑞科技股份有限公司南瑞集团有限公司国网电力科学研究院有限公司，
类型：发明
国别省市：