【技术实现步骤摘要】
本专利技术涉及发配电，尤其涉及一种联邦学习架构下采用环境感知的光伏发电量预测方法。
技术介绍
1、在可再生能源领域，光伏发电作为一项具有巨大潜力和广泛应用的技术，已在全球范围内广泛推广和采用。然而，由于天气和环境条件的不稳定性，光伏发电量的波动性成为实际应用中的一个重要问题。为了更好地管理和利用光伏发电系统，准确预测光伏发电量已成为研究的热点之一。光伏发电量预测对于光伏发电系统的规划、调度和优化至关重要。传统的光伏发电量预测方法主要基于历史数据和气象数据进行建模和预测，但这种方法无法充分考虑实际环境的变化和光伏系统的动态调整，而且传统的光伏发电量预测方法通常基于历史数据和气象数据进行建模和预测，但存在一些限制，如数据隐私问题和数据分布不均衡等。
2、为此，我们设计出了一种联邦学习架构下采用环境感知的光伏发电量预测方法来解决以上问题。
技术实现思路
1、本专利技术的目的是为了解决现有技术中存在的传统的光伏发电量预测方法通常基于历史数据和气象数据进行建模和预测，存在数据隐私保护不到位，和数据分布不均衡等缺陷，导致光伏发电量难以准确预测，为了克服这些问题，近年来，联邦学习作为一种保护数据隐私的分布式机器学习方法逐渐受到关注。联邦学习是一种在分布式环境中进行模型训练的机器学习方法，无需将原始数据集传输到中央服务器即可实现。在基于联邦学习的光伏发电量预测方法中，多个光伏发电系统的数据可以在本地设备上进行训练，每个设备都保持其原始数据的隐私。通过在本地设备上训练模型并仅共享模型参数
2、因此，为了实现上述目的，本专利技术采用了如下技术方案：
3、一种联邦学习架构下采用环境感知的光伏发电量预测方法，包括以下步骤：
4、步骤1，采集本地与光伏发电量相关的数据，对数据进行预处理后建立环境数据库；
5、步骤2，建立联邦学习预测架构，每个参与方使用本地的环境数据库训练本地模型，参与方将本地模型的参数经加密后上传到中央服务器，中央服务器整合上传的参数，生成全局模型，全局模型反馈给参与方更新本地模型参数，形成联邦学习预测架构；
6、步骤3，构建本地基于双向长短期记忆模型的发电量预测网络，预测本地光伏发电量；
7、步骤4，根据发电量预测网络，使用联邦学习预测架构建优化模型，采用滑动窗口机制进行光伏电网全局发电量预测。
8、在本专利技术的方案中进一步优选的，步骤1中，所述采集本地与光伏发电量相关的数据包括对待预测城市进行区域采集划分，根据划分后的区域进行数据采集，对各个划分后的区域，以日期为时间标签，获取历史日期内各项环境参数，使用安装在光伏发电区域内的传感器设备采集该区域的环境数据、利用气象站或气象卫星的公共资源来获取环境数据，通过与光伏发电区域的地理位置和气象数据进行匹配，获取该区域的环境数据、使用第三方数据提供商的数据，获取该区域与光伏发电量预测相关的环境数据。
9、在本专利技术的方案中进一步优选的，步骤1中，所述环境数据库包括风速、气压、太阳辐射量、气温、降水量、能见度、相对空气湿度以及发电量。
10、在本专利技术的方案中进一步优选的，步骤1中，所述对数据进行预处理包括对采集数据进行数据清洗和校验，处理缺失值、异常值和错误数据，在数据清洗过程中，使用统计方法或插值方法填补缺失值，剔除异常值，并纠正错误数据，对预处理后的数据进行归一化或标准化后形成环境数据库。
11、在本专利技术的方案中进一步优选的，步骤2中，所述中央服务器整合上传的参数，采用fedavg聚合算法来整合参与方上传的参数，聚合算法将不同参与方上传的参数进行加权平均，生成全局模型。
12、在本专利技术的方案中进一步优选的，步骤2中，在所述参与方将本地模型的参数经加密后上传到中央服务器中，对于每个周期的训练过程，设置一个中央服务器和参与方之间的通信机制，所述通信机制采用加密和安全传输协议的技术来保护参数传输的安全，加密技术采用非对称加密方法，通过加密和上传参数，每个参与方共享全局模型的信息。
13、在本专利技术的方案中进一步优选的，步骤2中，所述建立联邦学习预测架构过程中，整个联邦学习预测架构由若干个client和一个server组成，每个client所拥有的数据集互不重复，server用于模型的分发和针对client子模型的聚合，client用于接收全局模型后，将本地模型参数更新为全局模型的参数，然后通过读取环境数据库对本地模型进行训练，使用mssim和l1loss的混合损失函数作为本地的损失函数，利用梯度下降来求解更新本地模型的参数。
14、在本专利技术的方案中进一步优选的，步骤3中，所述构建本地基于双向长短期记忆模型的发电量预测网络采用lstm模型结构，选择作为适用于时间序列预测的循环神经网络的lstm模型作为参与方光伏发电量预测模型，以捕捉时间上的长期依赖关系。对于单个lstm神经元分为遗忘门ft、输入门it和输出门ot三个部分，令w,b分别为lstm中权重和偏置的统称，则遗忘门为：
15、ft＝σ[wf(ht-1,xt)+bf] (1)
16、其中，遗忘门ft表示有多少信息被遗忘，wf是权重矩阵，ht-1是上一个时间步的隐藏状态，xt是当前时间步的输入，bf是偏置向量，σ是sigmoid函数。
17、输入门为：
18、it＝σ[wi(ht-1,xt)+bi] (2)
19、其中，wi是权重矩阵，bi是偏置向量。
20、表示当前时刻的状态更新：
21、
22、其中，wc是权重矩阵，bc是偏置向量。
23、ct表示当前时刻的状态，是由前一时刻的状态值和当前时刻的状态更新值共同组成，并可以通过tanh函数来决定保留多少当前时刻的状态：
24、
25、其中ft·ct-1代表保留上一时刻的信息，代表当前时刻新加入的信息。
26、输出门为：
27、ot＝σ[wo(ht-1,xt)+bo] (5)
28、其中，wo是权重矩阵，bo是偏置向量。
29、当前时刻隐藏层的输出为：
30、ht＝ot·tanh(ct) (6)
31、其中，ht表示隐藏状态的输出向量，tanh表示双曲正切函数。
32、lstm模型通过输入门、遗忘门、记忆单元和输出门实现了对所采集的光伏发电数据和相关环境因素数据的精细处理，避免了梯度消失问题，使得模型对序列数据的建模能力得到了显著提升。
33、具体的，本地基于双向长短期记忆模型的发电量预测网络的构建包括以下步骤：
34、步骤3.1，异常数据处理：
35、采用基于统计学和机器学习的综合方法来处理异常数据，使用离群点检测算法识别并标记异常数据点，使用插值或者删除异常本文档来自技高网...
【技术保护点】
1.一种联邦学习架构下采用环境感知的光伏发电量预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种联邦学习架构下采用环境感知的光伏发电量预测方法，其特征在于，步骤1中，所述采集本地与光伏发电量相关的数据包括对待预测城市进行区域采集划分，根据划分后的区域进行数据采集，对各个划分后的区域，以日期为时间标签，获取历史日期内各项环境参数，使用安装在光伏发电区域内的传感器设备采集该区域的环境数据、利用气象站或气象卫星的公共资源来获取环境数据，通过与光伏发电区域的地理位置和气象数据进行匹配，获取该区域的环境数据、使用第三方数据提供商的数据，获取该区域与光伏发电量预测相关的环境数据。
3.根据权利要求1所述的一种联邦学习架构下采用环境感知的光伏发电量预测方法，其特征在于，步骤1中，所述环境数据库包括风速、气压、太阳辐射量、气温、降水量、能见度、相对空气湿度以及发电量。
4.根据权利要求1所述的一种联邦学习架构下采用环境感知的光伏发电量预测方法，其特征在于，步骤1中，所述对数据进行预处理包括对采集数据进行数据清洗和校验，处理缺失值、异常值和错误数
5.根据权利要求1所述的一种联邦学习架构下采用环境感知的光伏发电量预测方法，其特征在于，步骤2中，所述中央服务器整合上传的参数，采用FedAvg聚合算法来整合参与方上传的参数，聚合算法将不同参与方上传的参数进行加权平均，生成全局模型。
6.根据权利要求1所述的一种联邦学习架构下采用环境感知的光伏发电量预测方法，其特征在于，步骤2中，在所述参与方将本地模型的参数经加密后上传到中央服务器中，对于每个周期的训练过程，设置一个中央服务器和参与方之间的通信机制，所述通信机制采用加密和安全传输协议的技术来保护参数传输的安全，加密技术采用非对称加密方法，通过加密和上传参数，每个参与方共享全局模型的信息。
7.根据权利要求1所述的一种联邦学习架构下采用环境感知的光伏发电量预测方法，其特征在于，步骤2中，所述建立联邦学习预测架构过程中，整个联邦学习预测架构由若干个Client和一个Server组成，每个Client所拥有的数据集互不重复，Server用于模型的分发和针对Client子模型的聚合，Client用于接收全局模型后，将本地模型参数更新为全局模型的参数，然后通过读取环境数据库对本地模型进行训练，使用MSSIM和L1loss的混合损失函数作为本地的损失函数，利用梯度下降求解更新本地模型的参数。
8.根据权利要求1所述的一种联邦学习架构下采用环境感知的光伏发电量预测方法，其特征在于，步骤3中，所述构建本地基于双向长短期记忆模型的发电量预测网络采用LSTM模型结构，构建包括以下步骤：
9.根据权利要求1所述的一种联邦学习架构下采用环境感知的光伏发电量预测方法，其特征在于，步骤4中，所述根据发电量预测网络，使用联邦学习预测架构建优化模型，采用滑动窗口机制进行光伏电网全局发电量预测包括以下步骤：
...【技术特征摘要】
1.一种联邦学习架构下采用环境感知的光伏发电量预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种联邦学习架构下采用环境感知的光伏发电量预测方法，其特征在于，步骤1中，所述采集本地与光伏发电量相关的数据包括对待预测城市进行区域采集划分，根据划分后的区域进行数据采集，对各个划分后的区域，以日期为时间标签，获取历史日期内各项环境参数，使用安装在光伏发电区域内的传感器设备采集该区域的环境数据、利用气象站或气象卫星的公共资源来获取环境数据，通过与光伏发电区域的地理位置和气象数据进行匹配，获取该区域的环境数据、使用第三方数据提供商的数据，获取该区域与光伏发电量预测相关的环境数据。
3.根据权利要求1所述的一种联邦学习架构下采用环境感知的光伏发电量预测方法，其特征在于，步骤1中，所述环境数据库包括风速、气压、太阳辐射量、气温、降水量、能见度、相对空气湿度以及发电量。
4.根据权利要求1所述的一种联邦学习架构下采用环境感知的光伏发电量预测方法，其特征在于，步骤1中，所述对数据进行预处理包括对采集数据进行数据清洗和校验，处理缺失值、异常值和错误数据，在数据清洗过程中，使用统计方法或插值方法填补缺失值，剔除异常值，并纠正错误数据，对预处理后的数据进行归一化或标准化后形成环境数据库。
5.根据权利要求1所述的一种联邦学习架构下采用环境感知的光伏发电量预测方法，其特征在于，步骤2中，所述中央服务器整合上传的参数，采用fedavg聚合算法来整合参与方上传的参数，聚合算法将不同参与方上传的...
【专利技术属性】
技术研发人员：黄存强，李绚绚，刘兴文，安娟，田旭，张祥成，杨海林，李红霞，李俊贤，米金梁，张舜祯，王宇思，杜金烁，马国福，许辉，
申请(专利权)人：国网青海省电力公司，
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。