【技术实现步骤摘要】
本专利技术涉及能源聚合服务商负荷预测的，尤其是指一种基于横向联邦学习的能源聚合服务商负荷预测方法及系统。
技术介绍
1、新能源市场主体如分布式光伏、电动汽车和储能是新型电力系统的重要结构支撑，与传统的燃煤和燃气发电厂等能源供应商相比，新能源供应商通常具有容量规模较小、在电力系统物理层面上分散且相互独立的特点，因此它们在电力市场中直接获取正收益的能力相对较弱。为解决这一问题，以撮合市场交易为服务的能源聚合服务商应运而生。然而，能源聚合服务商有效的负荷预测能力是其参与电力市场的基石，并且是实现最大化市场利润的关键因素。随着新能源供应商群体的不断壮大，大量具有不同时空维度颗粒度的电力数据将被产生。这些数据对负荷预测具有巨大价值，且将根据新能源供应商个体的能源类型和环境因素需求进行保存。但由于电力商品的安全和隐私特性，能源供应商不愿意将各自的数据共享给能源聚合服务商。因此，在确保能源供应商个体数据安全和隐私的前提下，如何让能源聚合服务商有效地利用电力数据进行负荷预测成为了一个重要的问题。
2、电力数据已被广泛应用于负荷预测等场景，其重要的社会和经济价值正不断被挖掘。传统的负荷预测方法主要包括小波神经网络wnn、广义回归神经网络grnn、最小二乘支持向量回归lssvr、数据迁移学习dtl、梯度提升决策树gbdt、深度信念网络dbn、双向长短期记忆网络bilstm等。然而，在电力市场环境下，能源聚合服务商在为旗下能源供应商提供多样化服务时，通常无法直接获取完整的数据集。从零售商角度看，电力数据涉及系统安全和隐私，与外部共享或泄露
3、联邦学习已在多个领域得到实际应用，包括移动设备、工业工程、医疗保健、金融等，尤其在医疗和金融行业的应用较为广泛。在fl技术架构中，主要包括去中心化和中心化两种模式。中心化模式即在聚合服务商处部署一台中央服务器，负责全局模型参数拟合；各个能源供应商部署一台客户端服务器，负责与中央服务器通信。在此过程中，能源供应商的电力数据保存在本地客户端，不参与数据交换。能源供应商仅需下载中央服务器的模型参数进行本地训练，之后将训练后的模型参数上传至中央服务器。中央服务器在进行全局优化拟合后，将更新后的参数下发给客户端进行迭代训练，直至获得最终预测模型。但在参与联邦学习训练时，会面临一个问题：在联邦学习框架下，预测网络可能因数据集的无关特征和庞大数据量导致预测性能不足。
技术实现思路
1、本专利技术的第一目的在于克服现有技术的缺点与不足，提供一种基于横向联邦学习的能源聚合服务商负荷预测方法，允许在不接触真实数据集的情况下共享新能源主体的信息，从而获得准确有效的负荷预测能力。
2、本专利技术的第二目的在于提供一种基于横向联邦学习的能源聚合服务商负荷预测系统。
3、本专利技术的第一目的通过下述技术方案实现：基于横向联邦学习的能源聚合服务商负荷预测方法，该方法是基于fedavg横向联邦学习框架与pca-bp神经网络模型实现数据隐私安全下能源聚合服务商的负荷预测，其中，数据和模型参数分别放置于各终端用户的本地服务器和能源聚合服务商的中央服务器中，本地服务器使用pca-bp神经网络模型对终端用户进行负荷预测并计算均方根误差rmse，该pca-bp神经网络模型是在原来bp神经网络模型的基础上基于pca算法提取主要特征，剔除聚合商用户本地数据集的无用和冗余特征，防止在bp神经网络模型中放大网络缺点；中央服务器采用fedavg算法聚合所有本地服务器的加权平均损失并更新pca-bp神经网络模型的参数；通过本地服务器和中央服务器的有限次交互，确保严格遵守数据安全和隐私协议，减少了模型数量和时间消耗，从而在不损害用户数据隐私的情况下实现了准确的负荷预测。
4、进一步，所述的基于横向联邦学习的能源聚合服务商负荷预测方法，包括以下步骤：
5、s1：采集时间数据、天气数据、行业数据、负荷数据和经济数据这五种特征类型初始数据并进行人工特征选取，形成聚合商用户本地数据集，对聚合商用户本地数据集进行预处理，包括异常值检测和缺失值补充，并对数据中的离散值采用独热编码和sin/cos循环编码，连续值采取均值方差归一化操作；接着，将预处理后的聚合商用户本地数据集划分为训练集与测试集，分别用于模型的训练与测试；
6、s2：把训练集的数据送入本地服务器的pca-bp神经网络模型中进行首次训练，此次训练中给定该模型的初始参数θ0；训练时先对训练集的数据采用pca进行特征提取，包括数据特征矩阵的标准化处理、协方差矩阵计算和奇异值分解，得到经过特征提取后的特征矩阵；再将提取的特征矩阵输入到pca-bp神经网络模型中得到初始各终端用户的负荷预测值；其中，在反向传播中采用平滑曲线交叉熵方法计算负荷预测结果和真实值的损失值，经过有限轮迭代至损失值最小，得到单次本地训练最优网络；
7、s3：将测试集的数据输入到单次本地训练最优网络中得到负荷预测信息，接着，计算该负荷预测信息与真实值的平滑曲线交叉熵损失函数和网络权重、网络阈值的反向传播梯度，生成单次本地最优网络参数更新值θ′；
8、s4：本地服务器将单次本地最优网络参数更新值θ′上传至中央服务器，中央服务器基于fedavg算法求出所有终端用户的加权平均损失，通过随机梯度下降sgd拟合全局模型参数θ；接着，中央服务器将全局模型参数θ发送给本地服务器，本地服务器基于θ更新本地参数θ′＝θ，本地服务器的pca-bp神经网络模型采用新的参数θ进行新一轮训练；
9、s5：重复步骤s2-s4直至完成第r次交互；通过中央服务器和本地服务器的不断交互迭代，获得针对当前市场环境下负荷预测的全局最优模型，采用最终的全局最优模型参数θ在本地服务器进行最终负荷预测，得到全局最优负荷预测值，并根据此全局最优负荷预测值制定相应市场策略以获取收益。
10、进一步，在步骤s1，采集的初始数据中影响因素包括：时间因素、天气因素、行业因素和经济因素；其中，时间因素的纬度数据选择年、月、日、时、分信息反映负荷的周期性变化；影响负荷变化的天气因素包括温度、湿度、降水量、日照、风向、风速和气压；行业因素通过农/林/牧/渔业、工业、交通运输/仓储/邮政业、信息传输/软件/信息技术服务业、批发和零售业、住宿和餐饮业、金融业、房地产业、租赁和商务服务业、公共服务及管理组织这10个行业用电量来描述对负荷的影响；经济因素直接选取当地gdp数据反映社会经济环境与负荷之间的联系。
11、进一步，在步骤s1，对聚合商用户本地数据集进行预处理，包括：
12、a、用3-sigma准则检测能源聚合服务商负荷数据集可能存在的异常值；
1本文档来自技高网...
【技术保护点】
1.基于横向联邦学习的能源聚合服务商负荷预测方法，其特征在于，该方法是基于FedAvg横向联邦学习框架与PCA-BP神经网络模型实现数据隐私安全下能源聚合服务商的负荷预测，其中，数据和模型参数分别放置于各终端用户的本地服务器和能源聚合服务商的中央服务器中，本地服务器使用PCA-BP神经网络模型对终端用户进行负荷预测并计算均方根误差RMSE，该PCA-BP神经网络模型是在原来BP神经网络模型的基础上基于PCA算法提取主要特征，剔除聚合商用户本地数据集的无用和冗余特征；中央服务器采用FedAvg算法聚合所有本地服务器的加权平均损失并更新PCA-BP神经网络模型的参数；通过本地服务器和中央服务器的有限次交互，确保严格遵守数据安全和隐私协议，在不损害用户数据隐私的情况下实现了准确的负荷预测。
2.根据权利要求1所述的基于横向联邦学习的能源聚合服务商负荷预测方法，其特征在于，包括以下步骤：
3.根据权利要求2所述的基于横向联邦学习的能源聚合服务商负荷预测方法，其特征在于，在步骤S1，采集的初始数据中影响因素包括：时间因素、天气因素、行业因素和经济因素；其中，时间因素
4.根据权利要求3所述的基于横向联邦学习的能源聚合服务商负荷预测方法，其特征在于，在步骤S1，对聚合商用户本地数据集进行预处理，包括：
5.根据权利要求4所述的基于横向联邦学习的能源聚合服务商负荷预测方法，其特征在于，在步骤S2，采用PCA-BP神经网络进行训练，包括以下步骤：
6.根据权利要求5所述的基于横向联邦学习的能源聚合服务商负荷预测方法，其特征在于，所述步骤S3包括以下步骤：
7.根据权利要求6所述的基于横向联邦学习的能源聚合服务商负荷预测方法，其特征在于，所述步骤S4包括以下步骤：
8.根据权利要求7所述的基于横向联邦学习的能源聚合服务商负荷预测方法，其特征在于，所述步骤S5包括以下步骤：
9.基于横向联邦学习的能源聚合服务商负荷预测系统，其特征在于，用于实现权利要求1-8任意一项所述的基于横向联邦学习的能源聚合服务商负荷预测方法，其包括：
...【技术特征摘要】
1.基于横向联邦学习的能源聚合服务商负荷预测方法，其特征在于，该方法是基于fedavg横向联邦学习框架与pca-bp神经网络模型实现数据隐私安全下能源聚合服务商的负荷预测，其中，数据和模型参数分别放置于各终端用户的本地服务器和能源聚合服务商的中央服务器中，本地服务器使用pca-bp神经网络模型对终端用户进行负荷预测并计算均方根误差rmse，该pca-bp神经网络模型是在原来bp神经网络模型的基础上基于pca算法提取主要特征，剔除聚合商用户本地数据集的无用和冗余特征；中央服务器采用fedavg算法聚合所有本地服务器的加权平均损失并更新pca-bp神经网络模型的参数；通过本地服务器和中央服务器的有限次交互，确保严格遵守数据安全和隐私协议，在不损害用户数据隐私的情况下实现了准确的负荷预测。
2.根据权利要求1所述的基于横向联邦学习的能源聚合服务商负荷预测方法，其特征在于，包括以下步骤：
3.根据权利要求2所述的基于横向联邦学习的能源聚合服务商负荷预测方法，其特征在于，在步骤s1，采集的初始数据中影响因素包括：时间因素、天气因素、行业因素和经济因素；其中，时间因素的纬度数据选择年、月、日、时、分信息反映负荷的周期性变化；影响负荷变化的天气因素包括温度、湿度、降水量、日照、风向、风速和气...
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。