基于个性化联邦学习预测分布式屋顶光伏的方法及系统与流程

本申请涉及光伏预测，尤其涉及一种基于个性化联邦学习预测分布式屋顶光伏的方法及系统。

背景技术：

1、随着新能源技术的发展，屋顶分布式光伏大量接入配电网，大大提高了配电网运行灵活性。然而，光伏出力具有随机性、间歇性与波动性，给电网运行决策带来挑战。对分布式光伏出力及负荷功率的准确预测是配电网运行决策的基础。

2、现有的分布式光伏及负荷功率预测通过扩充样本、增强数据、特征筛选、分组聚类等方法，解决了一些特定预测场景下存在的问题，但对于每个用户单独建模效率低下，对于获取气象信息能力差，原始数据缺乏的县、市、区屋顶分布式光伏用户个性化差异和信息挖掘不足，对单一用户适应性较低。因此，需要一种方法来服务县市区的分布式屋顶光伏用户。

技术实现思路

1、本申请提供了一种基于个性化联邦学习预测分布式屋顶光伏的方法及系统，用于解决现有光伏预测方法对每个用户建模效率低，个性化特征挖掘不完全，预测准确性差的问题。

2、有鉴于此，本申请第一方面提供了一种基于个性化联邦学习预测分布式屋顶光伏的方法，所述方法包括：

3、s1、基于中心服务器对各分布式光伏用户进行联合建模得到各自的本地lstm预测模型后，中心服务器对本地lstm预测模型进行模型参数初始化，从而将初始化得到模型参数并发送至各分布式光伏用户；

4、s2、通过光伏用户各自的本地设备获取本地数据，并作为本地lstm预测模型的数据集，所述本地数据包括：光伏输出最大功率限值，及以半小时为时间间隔的各时段光伏输出功率及负荷功率均值；

5、s3、各分布式光伏用户根据中心服务器下发的模型参数初始化本地lstm预测模型，得到各自的模型参数后根据所述数据集进行训练；

6、s4、各分布式光伏用户的模型参数发送至中心服务器通过联邦学习聚合算法进行聚合更新后，得到全局模型的新参数并下发至分布式光伏用户各作为各分布式光伏用户下一轮训练的模型参数；

7、s5、重复步骤s3和步骤s4直至本地lstm预测模型的预测效果达到预置预测效果评价指标，停止训练得到最终的lstm预测模型，各分布式光伏用户根据最终的lstm预测模型进行光伏预测，并分别将预测的数据上传至中心服务器。

8、可选地，所述联邦学习聚合算法，具体为自适应优化算法 fedadam；

9、所述自适应优化算法fedadam的算式包括：

10、；

11、式中，为适应性参数，、为衰减常数，为中心服务器学习率，下标表示中心服务器,下标表示用户端,为用户端集合。

12、可选地，所述lstm预测模型包括：3个lstm层和1个全连接层；

13、其中，第1、第2的lstm层模型参数参与数据交换，包括参数更新、上传与参数聚合；

14、第3 lstm 层和全连接层模型参数仅在本地进行更新，以作为各分布式用户个性层，除读取初始化数据外，不进行与中心服务器的数据交换。

15、可选地，步骤s2之后还包括：

16、对所述本地数据进行归一化处理，表达式为：

17、；

18、式中，为原始数据，为归一化后数据，和分别为系列数据中的最大值和最小值。

19、可选地，所述预置预测效果评价指标包括：平均绝对误差 mae、均方误差 mse。

20、本申请第二方面提供一种基于个性化联邦学习预测分布式屋顶光伏的系统，所述系统包括：

21、建模单元，用于基于中心服务器对各分布式光伏用户进行联合建模得到各自的本地lstm预测模型后，中心服务器对本地lstm预测模型进行模型参数初始化，从而将初始化得到模型参数并发送至各分布式光伏用户；

22、获取单元，用于通过光伏用户各自的本地设备获取本地数据，并作为本地lstm预测模型的数据集，所述本地数据包括：光伏输出最大功率限值，及以半小时为时间间隔的各时段光伏输出功率及负荷功率均值；

23、训练单元，用于各分布式光伏用户根据中心服务器下发的模型参数初始化本地lstm预测模型，得到各自的模型参数后根据所述数据集进行训练；

24、聚合单元，用于各分布式光伏用户的模型参数发送至中心服务器通过联邦学习聚合算法进行聚合更新后，得到全局模型的新参数并下发至分布式光伏用户各作为各分布式光伏用户下一轮训练的模型参数；

25、预测单元，用于重复触发训练单元和聚合单元直至本地lstm预测模型的预测效果达到预置预测效果评价指标，停止训练得到最终的lstm预测模型，各分布式光伏用户根据最终的lstm预测模型进行光伏预测，并分别将预测的数据上传至中心服务器。

26、可选地，所述联邦学习聚合算法，具体为自适应优化算法 fedadam；

27、所述自适应优化算法fedadam的算式包括：

28、；

29、式中，为适应性参数，、为衰减常数，为中心服务器学习率，下标表示中心服务器,下标表示用户端,为用户端集合。

30、可选地，所述lstm预测模型包括：3个lstm 层和1个全连接层；

31、其中，第1、第2的lstm 层模型参数参与数据交换，包括参数更新、上传与参数聚合；

32、第3lstm层和全连接层模型参数仅在本地进行更新，以作为各分布式用户个性层，除读取初始化数据外，不进行与中心服务器的数据交换。

33、可选地，还包括：归一化单元；

34、所述归一化单元，用于对所述本地数据进行归一化处理，表达式为：

35、；

36、式中，为原始数据，为归一化后数据，和分别为系列数据中的最大值和最小值。

37、可选地，所述预置预测效果评价指标包括：平均绝对误差mae、均方误差mse

38、从以上技术方案可以看出，本申请具有以下优点：

39、(1)个性化联邦学习算法框架对每个参与建模的用户有针对性地建立一个预测模型，能够有效挖掘每个用户的个性化特征，对各个用户预测准确度高。

40、(2)与普通联邦学习算法相比，个性化联邦学习在处理异质性数据方面具有优势，在县市区具有获取气象信息能力弱、原始数据不完善特性的分布式屋顶光伏场景中的不平衡数据集上适应性良好。针对历史数据不足的新增站点，可以从其他具有数据共性的站点中获得基础层的学习模型进行预测，再通过新站点模型训练过程中的个性层进行修改调整。

41、(3)个性化联邦学习算法收敛迅速，耗时短，训练效率高。同时，该框架具有良好的数据隐私保护效果。

技术特征：

1.一种基于个性化联邦学习预测分布式屋顶光伏的方法，其特征在于，包括：

2.根据权利要求1所述的基于个性化联邦学习预测分布式屋顶光伏的方法，其特征在于，所述联邦学习聚合算法，具体为自适应优化算法 fedadam；

3.根据权利要求1所述的基于个性化联邦学习预测分布式屋顶光伏的方法，其特征在于，所述lstm预测模型包括：3个lstm层和1个全连接层；

4.根据权利要求1所述的基于个性化联邦学习预测分布式屋顶光伏的方法，其特征在于，步骤s2之后还包括：

5.根据权利要求1所述的基于个性化联邦学习预测分布式屋顶光伏的方法，其特征在于，所述预置预测效果评价指标包括：平均绝对误差mae、均方误差mse。

6.一种基于个性化联邦学习预测分布式屋顶光伏的系统，其特征在于，包括：

7.根据权利要求6所述的基于个性化联邦学习预测分布式屋顶光伏的系统，其特征在于，所述联邦学习聚合算法，具体为自适应优化算法fedadam；

8.根据权利要求6所述的基于个性化联邦学习预测分布式屋顶光伏的系统，其特征在于，所述lstm预测模型包括：3个lstm层和1个全连接层；

9.根据权利要求6所述的基于个性化联邦学习预测分布式屋顶光伏的系统，其特征在于，还包括：归一化单元；

10.根据权利要求6所述的基于个性化联邦学习预测分布式屋顶光伏的系统，其特征在于，所述预置预测效果评价指标包括：平均绝对误差mae、均方误差mse。

技术总结本申请公开了一种基于个性化联邦学习预测分布式屋顶光伏的方法及系统，通过使用个性化联邦算法进行光伏预测，对每个参与建模的用户都建立针对性的预测模型，有效挖掘每个用户的特征，弥补了现有的分布式光伏预测通过扩充样本、增强数据、特征筛选、分组聚类等方法在预测单一用户场景下精度低的不足，从而解决了现有光伏预测方法对每个用户建模效率低，个性化特征挖掘不完全，预测准确性差的问题。技术研发人员：吴任博,彭依明,牛振勇,张扬,李东旭,胡扬,黄锦波受保护的技术使用者：广东电网有限责任公司广州供电局技术研发日：技术公布日：2024/7/23