【技术实现步骤摘要】
基于联邦学习的电力负荷预测方法及系统
[0001]本专利技术涉及电力负荷分析
,更具体地说,它涉及基于联邦学习的电力负荷预测方法及系统。
技术介绍
[0002]电网数据分析影响着电网计划的制定,对能源系统的高效运行、能源平衡和能源储备管理至关重要。其中,电力负荷的精准预测有助于电网制定调度计划,平衡各阶段的电网输送,可减少电力事故,维护电网安全。然而,电力数据传输过程中可能会泄露数据造成数据隐私问题。原始电力数据的数据量大,传输时间长,难以保证电力负荷的实时预测。
[0003]联邦学习(Federated Learning,FL)技术是一种分布式机器学习,通过终端设备本地训练,终端设备与服务器的参数交互,可保护电力数据隐私,减少传输时间。因此,在电力系统中采用FL技术,能在保护数据隐私,保证实时预测的同时提高电力负荷预测的准确性。但是,终端设备上传的网络参数直接影响FL预测模型的训练效果,选择不可靠的终端设备参与FL预测模型的训练,会导致该模型的收敛速度慢,收敛性差。
[0004]因此,如何研究设计一种能够克服上述缺陷的基于联邦学习的电力负荷预测方法及系统是我们目前急需解决的问题。
技术实现思路
[0005]为解决现有技术中的不足,本专利技术的目的是提供基于联邦学习的电力负荷预测方法及系统,本专利技术基于设备选择率随机选取参与全局训练的终端设备,以及基于网络参数上传阈值判断是否上传本地训练网络的网络参数,提高了FL预测模型的收敛速度。
[0006]本专利技术的上述技术目的 ...
【技术保护点】
【技术特征摘要】
1.基于联邦学习的电力负荷预测方法,其特征是,包括以下步骤:依据设备选择率随机选取参与全局训练的终端设备;依据终端设备的用电量数据进行电力负荷预测模型的本地训练,得到本地训练网络参数;依据网络参数上传阈值判断是否将本地训练网络参数上传至服务器;将服务器所接收的本地训练网络参数聚合为全局参数;将全局参数下发至所选取的终端设备进行电力负荷预测模型的全局训练;通过训练完成的电力负荷预测模型进行电力负荷预测,得到电力负荷预测结果。2.根据权利要求1所述的基于联邦学习的电力负荷预测方法,其特征是,所述依据网络参数上传阈值判断是否将本地训练网络参数上传至服务器的过程具体为:确定当前次与上一次本地训练的平均损失函数的差值;若两次平均损失函数的差值大于或等于网络参数上传阈值,则对应终端设备的通信状态有效,对应的终端设备将相应的本地训练网络参数上传至服务器;若两次平均损失函数的差值小于网络参数上传阈值,则对应终端设备的通信状态无效,对应的终端设备不将相应的本地训练网络参数上传至服务器。3.根据权利要求1所述的基于联邦学习的电力负荷预测方法,其特征是,所述平均损失函数的表达式具体为:函数的表达式具体为:其中,表示终端设备k第n次本地训练时的平均损失函数;|S
k
|表示终端设备k的训练数据集数;表示终端设备k的第i个数据集S
i
在本地训练网络参数为时的均方误差;表示参与第m次全局训练的终端设备k在第n次本地训练时的本地训练网络参数;y
k,i
、x
k,i
分别为终端设备k第i个数据集的真实输出和输入;为x
k,i
在本地训练网络参数为时的预测输出。4.根据权利要求1所述的基于联邦学习的电力负荷预测方法,其特征是,所述网络参数上传阈值的计算公式具体为:其中,表示参与第m次全局训练的终端设备k的网络参数上传阈值;E
max
表示终端设备与服务器的最大通信次数;E
k
表示终端设备k的全局通信次数;表示本地训练网络的平均损失函数;表示当前次本地训练的本地训练网络参数;表示上一次本地训练的本地训练网络参数;q1、q2均表示第一权重系数。5.根据权利要求1所述的基于联邦学习的电力负荷预测方法,其特征是,所述全局参数的聚合公式具体为:
其中,w
m+1
表示下一次全局训练的全局参数;表示当前次本地训练的本地训练网络参数;表示终端设备k第m次全局训练时采用的数据集;K表示终端设备的总数量;S
m
表示第m次全局训练时采用的数据集总数。6.根据权利要求1所述的基于联邦学习的电力负荷预测方法,其特征是,所述设备选择率的计算公式具体为:r
m
=min(p1((E
max
‑
∑E
...
【专利技术属性】
技术研发人员:王鑫,李新民,张文谦,段雯雯,肖家锴,王峰,刘丽,张晓强,蔡翔,李龙跃,马俊杰,邢璐,付颖,
申请(专利权)人:西南科技大学成都产品质量检验研究院有限责任公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。