一种基于联邦学习的输电侧碳排放预测方法技术

本发明专利技术公开了一种基于联邦学习的输电侧碳排放预测方法，该方法为：计算输电侧碳排放以及电碳因子，在本地分别构建多元线性回归模型和时间序列预测模型，运用联邦学习算法保护数据隐私，实现异地数据的综合预测。本发明专利技术采用集成模型，准确度高，经过数据采集和数据处理以及特征选择，实现对发电侧碳排放的精准预测。测。测。

【技术实现步骤摘要】
一种基于联邦学习的输电侧碳排放预测方法


[0001]本专利技术涉及一种基于联邦学习的输电侧碳排放预测方法，属于碳排放预测


技术介绍

[0002]电网承接发电侧和用电侧的传输和配送，其战略意义和实际作用在电力行业尤为突出。在发电企业纳入核查和配额管控范围后，对于电网的监测和排放管控愈专利技术显。电力行业仍需解决目前碳排放数据缺乏、数据质量低、算法不准确、预测模型缺乏等技术问题，针对电网全生命周期中至关重要的输电侧碳排放预测研究就显得尤为重要。
[0003]当前，针对电网全生命周期中输电侧的碳排放研究较少，本专利能够弥补这方面的研究空白。

技术实现思路

[0004]本专利技术要解决的技术问题是：提供一种基于联邦学习的输电侧碳排放预测方法，以解决电网全生命周期中输电侧碳排放的预测问题，为电网碳排放监测提供支持。
[0005]本专利技术采取的技术方案为：一种基于联邦学习的输电侧碳排放预测方法，该方法为：计算输电侧碳排放以及电碳因子，在本地分别构建多元线性回归模型和时间序列预测模型，运用联邦学习算法保护数据隐私，实现异地数据的综合预测。
[0006]一种基于联邦学习的输电侧碳排放预测方法，具体包括以下步骤：
[0007]步骤A、对于输电侧，主要考量线损造成的碳排放，计算方法为：
[0008]Tco
2输电
＝kw
·
h
输电线损
×
λ
[0009]其中，Tco
2输电
表示输电侧碳排放量；
[0010]kw
·
h
输电线损
表示输电侧线损值；
[0011]λ表示电碳因子；
[0012]步骤B、计算电碳因子λ，计算方法为：
[0013][0014]其中，表示发电侧碳排放量，
[0015]kw
·
h
全社会
表示全社会用电量；
[0016]步骤C、各个子公司，根据自己本地数据，主要为历年线损值和碳排放量，构建本年线损值、去年同期线损值、去年同期碳排放量和前年同期碳排放量，四个特征，运用多元线性回归构建预测模型，在本地进行训练；
[0017]步骤D、各个子公司，根据输电侧碳排放量与时间关系，运用ARIMA算法构建时间序列预测模型，在本地进行训练；
[0018]步骤E、各个子公司将上述两种模型的模型参数，经过加密后，上传至中央服务器，经过加密的模型参数在中央服务器中进行加权平均处理，发回给各个子公司；
[0019]步骤F、各个子公司解密接收到的模型参数，更新到本地的模型中，直至模型收敛；
[0020]步骤G、各个子公司分别用两种模型对输电侧碳排放进行预测，并将预测值取平均，得到最后的预测值。
[0021]多元线性回归预测模型的训练方法为：首先构建一个数据矩阵，矩阵总共为5列，从左到右依次为本年线损值、去年同期线损值、去年同期碳排放量、前年同期碳排放量、今年碳排放量，其中前面四列为影响因素，后面一列为目标值，构建目标函数，函数形式如下：
[0022]y＝a1x1+a2x2+a3x3+a4x4+b
[0023]其中，a1、a2、a3、a4以及b，均为参数；
[0024]在训练时，将数据矩阵前四列分别带入x1、x2、x3、x4，将最后一列带入 y，求出各个参数的值，通过用参数求出的值与真实值对比，不断修正参数，就得到最终的多元线性回归预测模型。
[0025]ARIMA算法模型主体包括AR模型、I差分模型以及MA模型，其中，每一个模型都拥有一个相关的模型参数—ARIMA(p，d，q)，算法的基本原理是将非平稳时间序列转化为平稳时间序列然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型，在ARIMA算法模型中确定p参数和q参数，通过PACF和ACF来确定。
[0026]AR模型是为了建立起当前数据特征值与过去历史值之间的关系，实现用变量自身的历史时间数据对自身进行设定的时间周期预测，自回归模型满足平稳性的要求，并且必须具有自相关性，自相关系数小于0.5则不适用，p阶自回归过程的公式定义：
[0027][0028]其中，y
t
为当前的值，μ是常数项，p是阶数，γ是自相关系数，ε
t
是误差，y
t
‑1前几天值的大小；
[0029]PACF，是指偏自相关函数，剔除了中间k
‑
1个随机变量x(t
‑
1)、x(t
‑
2)、
……
、 x(t
‑
k+1)的干扰之后x(t
‑
k)对x(t)影响的相关程度，通过PACF的分布图来选择出p值的最优值大小。
[0030]I差分模型主要是为了对原始数据进行不同数目阶次的差分处理，使得原始数据转变为时间维度上的平稳序列，为后续建立AR和MA算法模型奠定基础。一般情况下，采用差分阶数最多的是一阶或者两阶。本专利取一阶。
[0031]移动平均模型(MA)关注的是自回归模型中的误差项的累加，移动平均法能有效地消除预测中的随机波动，q阶移动平均过程的公式定义：
[0032][0033]ACF，自相关函数反映了同一序列在不同时序的取值之间的相关性。x(t) 同时还会受到中间k
‑
1个随机变量x(t
‑
1)、x(t
‑
2)、
……
、x(t
‑
k+1)的影响而这 k
‑
1个随机变量又都和x(t
‑
k)具有相关关系，所以自相关系数p(k)里实际掺杂了其他变量对x(t)与x(t
‑
k)的影响，可以通过它的分布图来选择出最佳的模型 q参数：
[0034][0035]模型参数为：多元线性回归预测模型的a1、a2、a3、a4以及b，时间序列预测模型的p、
d和q。
[0036]本专利技术的有益效果：与现有技术相比，本专利技术采用的输电侧碳排放预测方法，采取联邦学习架构，着重增加了数据的安全保护，同时采用多元线性回归和时序预测算法的组合算法，提高了预测是准确性，弥补了在电网全生命周期输电侧碳排放预测上的研究空白。
附图说明
[0037]图1为本专利技术的流程框图。
具体实施方式
[0038]下面结合附图及具体的实施例对本专利技术进行进一步介绍。
[0039]实施例1：如图1所示，一种基于联邦学习的输电侧碳排放预测方法，具体包括如下步骤：
[0040]步骤A、对于输电侧，主要考量线损造成的碳排放，计算方法为：
[0041]Tco
2输电
＝kw
·
h
输电线损
×
λ
[0042]其中，Tco
2输电
表示输电侧碳排放量；
[0043]kw<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输电侧碳排放预测方法，其特征在于：该方法为：计算输电侧碳排放以及电碳因子，在本地分别构建多元线性回归模型和时间序列预测模型，实现异地数据的综合预测。2.根据权利要求1所述的一种基于联邦学习的输电侧碳排放预测方法，其特征在于：具体包括以下步骤：步骤A、对于输电侧，计算线损造成的碳排放量；步骤B、计算电碳因子；步骤C、各个子公司，根据自己本地数据，主要为历年线损值和碳排放量，构建本年线损值、去年同期线损值、去年同期碳排放量和前年同期碳排放量，四个特征，运用多元线性回归构建多元线性回归预测模型，在本地进行训练；步骤D、各个子公司，根据输电侧碳排放量与时间关系，运用ARIMA算法构建时间序列预测模型，在本地进行训练；步骤E、各个子公司将上述两种模型的模型参数经过加密后，上传至中央服务器，经过加密的模型参数在中央服务器中进行平均处理，发回给各个子公司；步骤F、各个子公司解密接收到的模型参数，更新到本地的模型中，直至模型收敛；步骤G、各个子公司分别用两种模型对输电侧碳排放进行预测，并将预测值取平均，得到最后的预测值。3.根据权利要求2所述的一种基于联邦学习的输电侧碳排放预测方法，其特征在于：步骤A中碳排放量计算方法为：Tco
2输电
＝kw
·
h
输电线损
×
λ其中，Tco
2输电
表示输电侧碳排放量；kw
·
h
输电线损
表示输电侧线损值；λ表示电碳因子。4.根据权利要求3所述的一种基于联邦学习的输电侧碳排放预测方法，其特征在于：电碳因子计算方法为：其中，Tco
2发电
表示发电侧碳排放量；kw
·
h
全社会
表示全社会用电量。5.根据权利要求4所述的一种基于联邦学习的输电侧碳排放预测方法，其特征在于：多元线性回归预测模型的训练方法为：首先构建一个数据矩阵，矩阵总共为5列，从左到右依次为本年线损值、去年同期线损值、去年同期碳排放量、前年同期碳排放量、今年碳排放量，其中前面四列为影响因素，后面一列为目标值，构建目标函数，函数形式如下：y＝a1x1+a2x2+a3...

【专利技术属性】
技术研发人员：李雄，周玲，吴方权，纪元，卫薇，龙娜，
申请(专利权)人：贵州电网有限责任公司，
类型：发明
国别省市：