/p>
技术实现思路
1、针对现有技术的不足，本专利技术提供基于增强联邦学习的海上风电超短期功率预测框架及方法，首先设计了一种增强联邦学习的数据隐私双层框架，在下层通过基于变分模态分解的长短期记忆网络模型，实现对不同电厂的本地训练，待训练收敛后，分别提取各个电厂的模型参数，同时上层中央处理器接收来自不同电厂的模型参数，根据参数聚合策略实现参数聚合进而产生全局参数，将全局参数下发到不同电厂分别进行预测，通过模型参数的上传下达，可以实现多电厂联合预测。既解决了传统深度学习算法面对非平稳信号时预测精度低的问题，又能够保证电厂数据隐私不被侵犯。
2、为了达到上述目的，本专利技术采用以下方案实现：
3、基于增强联邦学习的海上风电超短期功率预测框架，包括上下两层；
4、所述下层针对不同海上风电场，考虑不同海上风电场之间信息的相互独立，数据信息不可能全部提供来进行功率预测，因此将基于变分模态分解的长短期记忆网络作为各个风电厂本地训练模型，各发电厂仅利用本电厂数据进行本地训练模型的初始参数必须保持一致，模型训练收敛后提取模型参数，通过数据传输通道将参数上传至上层中央处理器；
5、上层中央处理器将各个风电厂进行连接，接受来自于各电厂的模型参数数据，利用每个电厂发电量占各电厂发电量总和的比重，并基于参数聚合方法进行参数聚合产生全局参数，最终将全局参数下发到下层各电厂本地训练模型进行训练；通过参数不断的上传下发，直到全局参数收敛，利用全局参数建立全局预测模型，将模型应用于海上风电功率预测中，最终完成多电厂联合预测；
6、基于增强联邦学习的海上风电超短期功率预测方法，基于上述基于增强联邦学习的海上风电超短期功率预测框架实现，包括如下步骤：
7、步骤1：获取各海上风电厂的历史数据作为采样数据集，对其进行预处理，得到完整的历史数据；
8、所述历史数据包括海上气象信息数据和电厂功率信息数据，利用三次样条插值法对缺失值的数据进行补正，保证数据的准确性和完整性；
9、所述海上气象信息数据包括：风速、风向、温度、压强、湿度；
10、所述三次样条插值法根据采样数据集采样间隔时间划分插值区间，获得的三次样条方程要满足插值条件、满足函数连续性条件、满足三次样条函数一阶导数连续的条件、满足三次样条函数二阶导数连续的条件；具体包括以下步骤：
11、步骤1.1：获取各海上风电厂的历史数据作为采样数据集，根据采样数据集采样间隔时间进行插值区间划分；
12、根据海上风电历史时间序列数据的采样区间[a,b]，采样区间上共有n+1个样本点，n为正整数，将[a,b]区间划分成n个区间[(x0，x1)，(x1，x2)，…，(xn-1，xn)]，其中x0是第一个采样点，即区间左端点a，xn是最后一个采样点，即区间右端点b；
13、步骤1.2：建立三次样条方程条件；
14、首先，三次样条函数必须满足插值条件：
15、
16、其中为三次样条函数、为采样点的实际值；
17、其次，三次样条函数要满足连续性条件：
18、
19、再次，三次样条函数要满足一阶导数连续条件：
20、
21、最后，三次样条函数要满足二阶导数连续条件：
22、
23、步骤1.3：构建三次样条方程组；
24、在每个采样点区间中有四个未知量，总共有n个小采样区间，所以共有4n个未知量需要求解，那么至少需要4n个约束条件；
25、由于三次样条函数在区间[x1,xn-1]上一阶导数连续，也就是相邻两个采样点的三次样条函数的一阶导数值相等，即共有n-1个采样点，建立n-1个方程；
26、同样地，三次样条函数在区间[x1,xn-1]上二阶导数连续，共有n-1个采样点，也就是相邻两个采样点的三次样条函数的二阶导数值相等，即也建立n-1个方程；
27、由于三次样条函数是连续的，在区间[x1,xn-1]上都满足建立2(n-1)个方程，第一个采样点和最后一个采样点二阶导数不连续，则依据这两点只能建立两个方程；
28、以上一共建立4n-2个方程，还差两个方程，通过自然边界条件得到两个方程，即根据4n个方程，就能求解插值函数，实现对数据缺失值进行补全；
29、步骤2：由于历史数据包含复杂的气象特征，其维度较高，因此需要对插值补全后的历史数据进行降维，利用主成分分析法对历史数据其中气象特征进行提取，降低深度学习网络的输入维度，提高训练效率；
30、所述主成分分析法根据采集到历史数据中的气象信息数据，对其进行中心化，计算标准差并对数据进行标准化，计算协方差矩阵及其特征向量，根据贡献率和累计贡献率选择累计贡献率超过95％的主成分用于功率预测；具体为：
31、步骤2.1：对历史数据中的气象信息数据进行处理；
32、假设数据输入特征值有n个样本和p个指标，此样本构成大小为n×p的矩阵x：
33、
34、按照以下公式进行中心化：
35、
36、计算标准差：
37、
38、对数据进行标准化：
39、
40、
41、步骤2.2：计算协方差矩阵：
42、...
【技术保护点】
1.基于增强联邦学习的海上风电超短期功率预测框架，其特征在于，包括上下两层；
2.基于增强联邦学习的海上风电超短期功率预测方法，基于上述权利要求1基于增强联邦学习的海上风电超短期功率预测框架实现，其特征在于，包括如下步骤：
3.根据权利要求2所述的基于增强联邦学习的海上风电超短期功率预测方法，其特征在于，步骤1所述历史数据包括海上气象信息数据和电厂功率信息数据，利用三次样条插值法对缺失值的数据进行补正，保证数据的准确性和完整性。
4.根据权利要求3所述的基于增强联邦学习的海上风电超短期功率预测方法，其特征在于，步骤1所述海上气象信息数据包括：风速、风向、温度、压强、湿度。
5.根据权利要求3所述的基于增强联邦学习的海上风电超短期功率预测方法，其特征在于，步骤1所述三次样条插值法根据采样数据集采样间隔时间划分插值区间，获得的三次样条方程要满足插值条件、满足函数连续性条件、满足三次样条函数一阶导数连续的条件、满足三次样条函数二阶导数连续的条件；具体包括以下步骤：
6.根据权利要求2所述的基于增强联邦学习的海上风电超短期功率预测方法，其特征在于，步骤2所述主成分分析法根据采集到历史数据中的气象信息数据，对其进行中心化，计算标准差并对数据进行标准化，计算协方差矩阵及其特征向量，根据贡献率和累计贡献率选择累计贡献率超过95％的主成分用于功率预测；具体为：
7.根据权利要求2所述的基于增强联邦学习的海上风电超短期功率预测方法，其特征在于，步骤3所述风电功率时间序列分解分量作为输出，在于对风电历史时间序列进行变分模态分解，并确定分解分量的数量，从而建立基于变分模态分解的长短期记忆网络预测模型，具体包括：
8.根据权利要求2所述的基于增强联邦学习的海上风电超短期功率预测方法，其特征在于，步骤4具体为：
9.根据权利要求2所述的基于增强联邦学习的海上风电超短期功率预测方法，其特征在于，步骤5具体为：
...
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。