一种基于隐私保护的电力负荷短期预测系统及方法技术方案

一种基于隐私保护的电力负荷短期预测系统及方法，是一种在影响因素复杂多变的负荷预测系统中，将BiLSTM神经网络与联邦学习相结合，利用BiLSTM的特性更加有效地学习各客户端本地负荷向量的时序特性，运用联邦学习保护各客户端的数据隐私并解决全局模型聚合过程中的隐私泄露问题的方法，它主要包含特征提取、LSTM双向学习、隐私保护三个部分。通过本方法可有效提高负荷预测模型的泛化能力，保护用户的数据隐私，提高电力负荷短期预测的精度和效率。率。率。

【技术实现步骤摘要】
一种基于隐私保护的电力负荷短期预测系统及方法


[0001]本专利技术属于电力信息
，具体涉及一种基于隐私保护的电力负荷短期预测系统及方法。

技术介绍

[0002]随着全球经济的快速发展，负荷预测在电力系统中具有重要地位，可根据预测时间分为长期、中期、短期、超短期预测。其中，短期电力负荷预测尤为重要，其是制定发电计划、交易计划和调度计划的基础。随着电力系统数字化的发展以及分布式电源和电动汽车等新型负荷的引入，电力系统需要处理的数据呈指数型增长，准确的负荷预测可以帮助电力公司更好地规划输电和配电网络，以避免电力拥堵和过载，维护居民区电力稳定，确保电力系统的长期可靠性和安全性。
[0003]联邦学习（Federated Learning）是一种分布式机器学习技术，用于在不需要将数据集中存储或传输至中央服务器的情况下训练模型。在联邦学习中，模型的训练是在本地设备上进行的，这些设备可以是智能手机、平板电脑、传感器或其他物联网设备。在每个设备上，只有少量的本地数据被使用来训练模型，然后将本地更新的模型参数上传到中央服务器，中央服务器将这些本地模型参数进行聚合，从而实现全局模型的训练。由于每个设备或机器学习模型都可以在本地训练和优化模型，因此不需要将原始数据发送到中央服务器，这有助于保护数据的隐私性和安全性。此外，联邦学习还可以利用分布式计算的能力，避免中央服务器负载过重，加快模型的训练和优化速度，提高负荷预测的实时性。
[0004]随着配电网信息化进程的不断加快，电力负荷预测中存在着个人隐私泄露、数据共享风险和信息泄露等一系列隐私问题。首先，负荷预测需要使用用户的历史用电数据来建模和预测未来的负荷，但这些数据包含着用户的个人隐私信息，如果这些数据被未经授权的第三方获取，就有可能导致用户的个人隐私泄露，给用户带来不必要的困扰和损失。其次，负荷预测涉及到多方之间的数据共享，这可能会导致在共享的过程中，数据被恶意篡改或窃取，从而导致负荷预测结果的准确性的下降。
[0005]鉴于以上问题，一个高效、准确、安全的电力负荷预测方法就显得尤为重要。

技术实现思路

[0006]本专利技术的目的是提供一种基于隐私保护的电力负荷短期预测系统及方法，来解决配电网中电力负荷预测的数据隐私问题，本设计是一种策略性方法，在LSTM神经网络的基础上引入联邦学习，使用这种方法可以实现对不同用户的电力负荷数据的隐私保护，在不泄露用户隐私的前提下，进行有效准确的预测，并提高预测模型的泛化能力；在LSTM神经网络的基础上引入联邦学习，以保护负荷预测过程的数据隐私泄露问题。
[0007]一种基于隐私保护的电力负荷短期预测系统，包括三个部分：特征提取器、LSTM双向学习器、隐私保护器。图中的特征提取器主要用于对历史数据中的高维特征进行提取，简化预测模型的复杂度；LSTM双向学习器主要用于对客户端本地模型进行训练，并将训练完
成后的超参数上传给服务器端；隐私保护器主要用于对客户端上传的参数进行加密并对加密后的参数进行聚合。
[0008]一种基于隐私保护的电力负荷短期预测方法，首先通过随机森林算法对历史数据中的高维特征进行重要度评估，剔除不重要特征，最终只保留最重要的t个特征。其次将保留的t个特征与历史负荷数据共同构建t+1维特征集，并划分为训练集和测试集，建立客户端的BiLSTM神经网络模型，各客户端将本地训练集作为输入对其各自的神经网络模型进行单独训练，并通过鲸鱼优化算法对模型参数进行优化。训练完毕后，将各客户端的参数利用差分隐私技术进行加密并上传给服务器端，服务器端对各客户端加密后的参数进行安全聚合并将聚合后的模型下发给各客户端。通过服务器端和客户端之间不断进行通信，使全局误差不断减少，当全局误差满足设定的误差值或达到最大通信次数时，输出全局最优模型并下传至各客户端。
[0009]本专利技术达到的有益效果为：（1）通过本专利技术方法可有效提高负荷预测模型的泛化能力，保护用户的数据隐私，提高电力负荷短期预测的精度和效率。（2）可解决电力负荷短期预测过程中存在的样本数据不足、模型泛化能力较差、用户数据隐私泄露等复杂问题。（3）可以实现不同地区之间在不共享各自本地数据集的情况下协同训练同一个负荷预测模型，并且使用隐私保护技术对用户数据进行进一步保护，防止训练过程中出现用户隐私泄露的问题。
附图说明
[0010]图1是本专利技术实施例中的系统结构图。
[0011]图2是本专利技术实施例中的方法流程示意图。
具体实施方式
[0012]下面结合说明书附图对本专利技术的技术方案做进一步的详细说明。
[0013]图1给出了一种基于隐私保护的电力负荷短期预测系统，它主要包括三个部分：特征提取器、LSTM双向学习器、隐私保护器。图中的特征提取器主要用于对历史数据中的高维特征进行提取，简化预测模型的复杂度；LSTM双向学习器主要用于对客户端本地模型进行训练，并将训练完成后的超参数上传给服务器端；隐私保护器主要用于对客户端上传的参数进行加密并对加密后的参数进行聚合。
[0014]下面给出具体介绍：特征提取器：特征提取器单独作用于各个客户端，主要用于避免各个客户端数据集中的负荷特征量维度过高，导致模型复杂度过高，进而使模型预测精度降低。其通过随机森林算法，在各客户端进行本地训练之前，对高维度特征进行筛选，从而减少预测模型的复杂度，提高预测效率和预测精度。
[0015]LSTM双向学习器：LSTM双向学习器主要构建由特征提取器提取出来的t个特征量和历史负荷数据组成的t+1维训练特征集和测试特征集，将其作为BiLSTM模型的输入，并利用鲸鱼优化算法，对神经网络模型的参数进行优化。LSTM双向学习器使用训练特征集训练模型，训练完毕后，使用测试特征集对模型进行评估。
[0016]隐私保护器：隐私保护器首先利用差分隐私保护技术，通过对LSTM双向学习器上
传的超参数增加噪声，实现对用户数据隐私的保护；其次隐私保护器使用联邦平均算法(FedAVG)对加密后的参数进行聚合并下发到各客户端；最后隐私保护器将客户端接收到的加密参数进行解密，进而客户端更新本地模型。
[0017]结合系统，进行如下的方法流程说明：特征提取器首先读取各个客户端的本地数据集，对数据集进行统一预处理，包括剔除无效数据和错误数据、对缺失值进行补全、对异常数据进行数据异常检测分析并进行修补或直接剔除。其次针对各个客户端本地数据集在不同维度间存在量纲上的差异，利用线性函数将原始数据进行归一化处理，将原始数据进行等比缩放使其取值都在区间[0,1]内，其中d表示原始数据，表示原始数据最大值，表示原始数据最小值，表示归一化之后的数据。最后，特征提取器在经过数据预处理以及归一化之后，利用随机森林算法对时间日期因素及气象因素等高维特征变量进行重要度评估并对其进行排序，筛选出t个重要特征，减少预测模型的复杂度，提高预测精度和预测效率。基于随机森林的高维特征筛选流程如下所示：1）假设随机森林（Random forest）算法中共有k棵树，客户端本地数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于隐私保护的电力负荷短期预测系统，其特征在于：包括特征提取器、LSTM双向学习器、隐私保护器；特征提取器作用于各个客户端，对历史数据中的高维特征进行提取；LSTM双向学习器用于对客户端本地模型进行训练，并将训练完成后的超参数上传给服务器端；隐私保护器用于对客户端上传的参数进行加密并对加密后的参数进行聚合。2.根据权利要求1所述的一种基于隐私保护的电力负荷短期预测系统，其特征在于：LSTM双向学习器构建由特征提取器提取出来的 个特征量和历史负荷数据组成的维训练特征集和测试特征集，将其作为BiLSTM模型的输入，并利用鲸鱼优化算法，对神经网络模型的参数进行优化；LSTM双向学习器使用训练特征集训练模型，训练完毕后，使用测试特征集对模型进行评估。3.根据权利要求1所述的一种基于隐私保护的电力负荷短期预测系统，其特征在于：隐私保护器首先利用差分隐私保护技术，通过对LSTM双向学习器上传的超参数增加噪声，实现对用户数据隐私的保护；其次隐私保护器使用联邦平均算法对加密后的参数进行聚合并下发到各客户端；最后隐私保护器将客户端接收到的加密参数进行解密，进而客户端更新本地BiLSTM模型。4.根据权利要求3所述的一种基于隐私保护的电力负荷短期预测系统，其特征在于：LSTM双向学习器上传的超参数包括BiLSTM模型的隐藏层数、迭代次数、单元个数。5.一种基于隐私保护的电力负荷短期预测方法，其特征在于：所述方法包括如下步骤：步骤1：初始化服务器端参数并将本地模型下传至各客户端，进入步骤2；步骤2：各个客户端读取本地数据集，对数据集进行统一预处理，对无效数据、错误数据进行剔除，对缺失值进行补全，对异常数据进行检测并修补，并对原始数据进行归一化处理，进入步骤3；步骤3：使用随机森林算法对时间日期因素及气象因素等高维特征变量进行重要度评估并对其进行排序，并根据各客户端样本数量和样本丰富度计算各客户端的贡献度，最终筛选出最重要的个典型特征，进入步骤4；步骤4：利用历史负荷数据及提取到的个重要特征，建立维训练特征集和维测试特征集，进入步骤5；步骤5：客户端下载服务器端下传的服务器端的BiLSTM模型，更新本地BiLSTM神经网络模型，进入步骤6；步骤6：各客户端将其各自的维训练特征集随机划分为批量大小为的训练集，将其作为BiLSTM神经网络模型的输入，对预测模型进行训练，进入步骤7；步骤7：各客户端本地模型训练完毕后，根据模型评价指标，利用其各自的测试特征集对训练模型进行评价，进入步骤8；步骤8：当训练误差满足模型评价指标的设定条件或迭代次数达到最大值时，进入步骤9，否则进入步骤6；步骤9：服务器端随机选择k个客户端与其进行通信，并设定服务器端与客户端通信次
数为T，进入步骤10；步骤10：被选中的k个客户端在其本地模型训练过程中，通过增加噪声，并引入自适应模块调整噪声的大小，对其各自本地训练模型的隐藏层数、迭代次数、单元个数的超参数实行差分隐私保护，将加密后的参数上传至服务器端，进入步骤11；步骤11：在服务器端引入attention机制，通过attention机制对各客户端的权值进行分配，进入步骤12；步骤12：利用联邦平均算法对各客户端上传的加密后的超参数进行安全聚合，进入步骤13；步骤13：更新全局模型并将聚合后的加密参数下传至各客户端，进入步骤14；步骤14：各客户端下载更新后的全局模型并对其参数进行解密，更新各本地模型，利用公式计算全局误差，进入步骤15；步骤15：若全局误差小于给定值或达到最大通信次数T，进入步骤16，否则进入步骤6；步骤16：输出全局最优模型并下传至各个客户端，进入步骤17；步骤17：结束。6.根据...

【专利技术属性】
技术研发人员：邓松，孙宏伟，付雄，岳东，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：