基于联邦学习的跨区域能源需求协同预测方法与流程

本发明涉及人工智能与能源交叉领域，尤其涉及基于联邦学习的跨区域能源需求协同预测方法。

背景技术：

1、联邦学习因为在分布式协同计算中具备数据隐私保护与跨域知识共享能力，近年来被广泛应用于区域电网负荷预测、新能源出力评估、综合能源管理等领域，成为跨区域能源协同预测的重要发展方向。然而在实际应用中，能源需求预测场景面临区域差异显著、时空关联隐式、数据分布动态演化等诸多挑战，联邦学习的部署效果仍受多方面制约。

2、目前多数跨区域能源预测方法依赖全局共享模型进行特征提取，难以充分剥离跨区域气象与经济等共性特征和区域用电行为等个性特征，导致对区域能源需求的建模缺乏针对性；部分系统仅采用静态图结构或孤立节点建模节点间关联，忽略了区域间隐式拓扑连接与空间流形约束的综合影响，限制了预测模型对跨区域时空耦合信息的自适应聚合能力。同时，传统联邦优化过程缺乏对时变数据分布的感知机制，难以向服务器或节点提供清晰的概念漂移量化依据，影响模型在数据突变场景下的鲁棒性与可用性。

3、此外，现有联邦学习在能源预测中的个性化正则化机制大多基于静态的欧氏距离约束设计，未能根据区域节点的概念漂移强度动态调整流形惩罚权重，导致部分发生强漂移的节点长期受全局参数过度拉扯而无法有效纠偏，难以适应能源需求场景的不断变化与演化，严重影响模型在真实场景中的实用价值与稳定性。

4、因此，如何提供基于联邦学习的跨区域能源需求协同预测方法是本领域技术人员亟需解决的问题。

技术实现思路

1、本发明的一个目的在于提出基于联邦学习的跨区域能源需求协同预测方法，本发明充分融合正交投影特征解耦、动态拓扑建图、注意力特征聚合、概念漂移量化、改进的pfedme模型优化与梯度水印噪声防护等关键步骤，构建了具备共性个性特征剥离、跨区域隐式关联挖掘、时变漂移自适应感知与隐私安全聚合的能源协同预测流程，实现了在分布式异构数据环境下对能源需求的全面感知、精准预测与动态优化。本发明具备特征解耦无冗余、拓扑关联挖掘深、漂移感知响应快等优点，特别是通过引入图拉普拉斯矩阵替换原生欧氏距离约束以重构moreau包络正则化项，结合漂移强度动态调节权重，能够显著提升模型在流形空间约束下的个性化适配与抗漂移纠偏能力，从而有效解决现有方法中区域个性表达受限与概念漂移应对迟缓等问题。

2、根据本发明实施例的基于联邦学习的跨区域能源需求协同预测方法，包括如下步骤：

3、s1、同步采集各区域的历史能源负荷数据及关联影响参数，提取出高维动力学特征并进行正交投影分解计算，得出全局共享特征和局部私有特征；

4、s2、利用各区域节点本地与其他各区域节点的全局共享特征构建自适应局部邻接矩阵后上传至联邦服务器，进行加权平均，得出全局动态拓扑图并下发至各区域节点；

5、s3、各区域节点以局部私有特征作为查询向量，以全局动态拓扑图中存在边连接关系的相邻节点所对应的全局共享特征作为键向量和值向量，计算注意力系数，得出本地能源需求的初步预测特征；

6、s4、各区域节点计算初步预测特征与真实能源负荷数据之间的残差，得出本地预测误差的滑动平均值，当判定触发概念漂移，将当前的滑动平均值与预设漂移阈值的差值比例作为计算结果，得出本区域的漂移强度系数；

7、s5、联邦服务器将漂移强度系数和全局动态拓扑图输入至改进的pfedme模型中，生成全局底座参数梯度和个性化顶层参数梯度，所述改进的pfedme模型包括底层梯度接收模块、拓扑感知正则化模块、图流形近端优化模块和个性化参数输出模块，所述图流形近端优化模块中引入图拉普拉斯矩阵替换原生欧氏距离约束，重构moreau包络正则化项；

8、s6、各区域节点生成正交水印向量，并与全局底座参数梯度叠加，对个性化顶层参数梯度添加拉普拉斯噪声，得出混合梯度数据，并上传联邦服务器聚合，各区域节点接收聚合后的混合梯度数据替换本地原有参数执行前向推理，得出最终的跨区域能源需求预测结果。

9、可选的，所述s1具体包括：

10、s11、通过同步采集系统同时触发部署于各区域的智能电表与传感器，分别采集历史能源负荷数据以及气象和经济因素数据作为关联影响参数；

11、s12、根据预设的时间延迟参数对历史能源负荷数据进行逐步延迟偏移，将偏移后的数据序列按预设的嵌入维度进行排列组合，构建出历史能源负荷数据在多维延迟坐标下的轨迹矩阵，对轨迹矩阵执行奇异值分解计算提取主要奇异值对应的特征向量，将提取的特征向量与轨迹矩阵执行投影计算，得出高维动力学特征；

12、s13、将高维动力学特征与关联影响参数沿特征通道方向进行拼接操作，得出联合特征矩阵，计算联合特征矩阵的总体协方差矩阵，对总体协方差矩阵执行特征值分解操作，得出特征向量矩阵与对应的特征值；

13、s14、按照特征值的大小顺序对特征向量矩阵中的列向量进行重排序，选取前预设数量的特征向量构建全局共享投影矩阵，将剩余的特征向量构建局部私有投影矩阵；

14、s15、将联合特征矩阵分别与全局共享投影矩阵和局部私有投影矩阵执行矩阵乘法计算，得出全局共享特征和局部私有特征。

15、可选的，所述s2具体包括：

16、s21、各区域节点计算本地的全局共享特征与所有其他各区域节点的全局共享特征之间的皮尔逊相似度，得出本地区域与其他各区域之间的相似度数值；

17、s22、将相似度数值与预设相似度阈值进行比较，当相似度数值大于预设相似度阈值时将对应的矩阵元素置为1，当相似度数值小于或等于预设相似度阈值时将对应的矩阵元素置为0，组合所有矩阵元素构建出初始邻接矩阵；

18、s23、在初始邻接矩阵中，将元素值为1对应的区域节点作为邻居节点，计算本地区域节点与各个邻居节点的全局共享特征之间的欧氏距离，将欧氏距离的倒数作为权重值赋给对应的矩阵元素，将元素值为0对应的矩阵元素保持为0，替换完成后得出自适应局部邻接矩阵并上传至联邦服务器；

19、s24、联邦服务器接收各区域节点上传的自适应局部邻接矩阵，对各自适应局部邻接矩阵中同一区域节点对对应的矩阵位置元素执行加权平均计算，得出全局动态拓扑图并下发至各区域节点。

20、可选的，所述s3具体包括：

21、s31、各区域节点提取本地的局部私有特征，将局部私有特征通过线性映射矩阵进行变换，得出查询向量，各区域节点在全局动态拓扑图中查找与本地区域节点存在边连接关系的所有相邻节点，提取各个相邻节点对应的全局共享特征，将提取的全局共享特征通过线性映射矩阵进行变换，分别得出键向量和值向量；

22、s32、计算查询向量与每一个键向量之间的点积，得出未归一化的注意力得分，将所有未归一化的注意力得分除以键向量维度的平方根数值后输入至softmax函数中，归一化处理后得到注意力系数；

23、s33、将每一个注意力系数与对应的值向量执行相乘计算，将所有相乘计算后的值向量进行相加求和，得出加权求和结果，将加权求和结果输入至全连接层执行线性变换，得出本地能源需求的初步预测特征。

24、可选的，所述s4具体包括：

25、s41、各区域节点计算初步预测特征与同一时间步的真实能源负荷数据之间的差值，得出当前时间步的残差，建立长度为预设窗口大小的滑动时间窗口，将滑动时间窗口内所有时间步的残差执行累加求和并除以预设窗口大小，得出本地预测误差的滑动平均值；

26、s42、将本地预测误差的滑动平均值与预设漂移阈值进行比较，当本地预测误差的滑动平均值小于或等于预设漂移阈值时判定未触发概念漂移，将漂移强度系数置为零，当本地预测误差的滑动平均值超出预设漂移阈值时判定触发概念漂移，计算当前的滑动平均值与预设漂移阈值的差值，将差值除以预设漂移阈值得出差值比例，将差值比例作为计算结果赋值给漂移强度系数，得出本区域的漂移强度系数并上传至联邦服务器。

27、可选的，所述s5具体包括：

28、s51、底层梯度接收模块定位各区域节点本地前向推理参数在内存中的存储地址并读取至计算单元，将本地能源需求的初步预测特征与真实能源负荷数据执行均方误差计算得出本地预测损失函数，对本地预测损失函数中的前向推理参数求偏导数计算得出本地参数梯度向量；

29、s52、将本地参数梯度向量按预设的网络层级切分为对应底层共享网络的底层梯度向量与对应顶层个性化网络的顶层梯度向量，将所有节点的底层梯度向量执行逐元素相加并除以节点总数，得出全局底座参数梯度；

30、s53、拓扑感知正则化模块读取全局动态拓扑图，提取全局动态拓扑图中所有节点之间的连接关系构建邻接矩阵a，计算邻接矩阵a每一行元素的和构建对角矩阵d，将对角矩阵d与邻接矩阵a执行矩阵减法操作，得出图拉普拉斯矩阵l，读取各区域节点的漂移强度系数，将漂移强度系数与预设正则化基数执行标量相乘操作，得出动态正则化权重；

31、s54、图流形近端优化模块定位并提取各区域节点的顶层梯度向量与全局底座参数梯度，沿特征维度拼接为本地完整参数向量，联邦服务器提取上一轮全局底座参数向量，将上一轮全局底座参数向量与当前轮次计算得出的全局底座参数梯度执行逐元素相加操作，得出当前轮次的全局底座参数向量，将本地完整参数向量与当前轮次的全局底座参数向量执行逐元素相减操作，得出参数偏差向量；

32、s55、将图拉普拉斯矩阵l与参数偏差向量执行矩阵乘法操作得出一次投影向量，将一次投影向量与参数偏差向量的转置执行矩阵乘法操作，得出流形空间约束项，将流形空间约束项与动态正则化权重执行标量相乘操作，得出加权流形惩罚项；

33、s56、在改进的pfedme模型中剔除moreau包络正则化项，引入加权流形惩罚项得出全局优化目标函数并计算输出全局底座参数梯度与个性化顶层参数梯度。

34、可选的，所述s56具体包括：

35、s561、定位改进的pfedme模型中待重构的moreau包络正则化项在内存中的存储地址并读取，由本地预测损失函数、moreau包络正则化项与预设个性化平衡超参数执行标量相乘并相加操作构成原生全局优化目标函数；

36、s562、将原生全局优化目标函数中的moreau包络正则化项剔除，保留本地预测损失函数与预设个性化平衡超参数的乘积项作为基础目标项，将加权流形惩罚项与预设个性化平衡超参数执行标量相乘操作得出加权拓扑约束项，将基础目标项与加权拓扑约束项执行标量相加操作，得出全局优化目标函数；

37、s563、对重构后的全局优化目标函数中的本地完整参数向量求偏导数，得出参数梯度向量，将参数梯度向量与预设学习率执行逐元素相乘操作，得出梯度更新步长，将本地完整参数向量减去梯度更新步长，得出局部近似最优参数向量，将局部近似最优参数向量与本地完整参数向量执行逐元素相减操作，得出个性化参数更新步长；

38、s564、个性化参数输出模块将个性化参数更新步长与动态正则化权重执行逐元素相乘操作，得出个性化顶层参数偏移量，根据预设的顶层网络层级索引表定位本地完整参数向量中对应顶层网络层级的参数子向量在内存中的存储地址并读取，将个性化顶层参数偏移量与参数子向量执行逐元素相加操作，得出个性化顶层参数梯度，将全局底座参数梯度与个性化顶层参数梯度组合输出。

39、可选的，所述s6具体包括：

40、s61、各区域节点读取本地的地理区域编码与当前时间戳作为时空标识，将地理区域编码与当前时间戳拼接为字符串输入至伪随机数生成器中，生成一组与全局底座参数梯度维度相同的初始随机向量，按列依次提取初始随机向量中的当前处理向量，计算当前处理向量与排在当前处理向量之前的所有已完成正交化向量之间的内积得出投影标量；

41、s62、将当前处理向量与投影标量执行相乘操作得出投影向量，将当前处理向量减去所有投影向量得出正交化中间向量，将正交化中间向量除以自身的模长得出单位正交向量作为当前已完成正交化向量，遍历初始随机向量中的所有列向量执行上述操作，将所有单位正交向量组合得出正交随机向量作为正交水印向量；

42、s63、读取各区域节点的全局底座参数梯度，将正交水印向量与全局底座参数梯度执行逐元素相加操作，得出叠加水印后的全局底座参数梯度；

43、s64、读取各区域节点的个性化顶层参数梯度，生成服从拉普拉斯分布的随机噪声向量，将随机噪声向量与个性化顶层参数梯度执行逐元素相加操作，得出添加噪声后的个性化顶层参数梯度；

44、s65、将叠加水印后的全局底座参数梯度与添加噪声后的个性化顶层参数梯度沿特征维度拼接，得出混合梯度数据，各区域节点将混合梯度数据上传至联邦服务器；

45、s66、联邦服务器接收所有区域节点上传的混合梯度数据，对所有混合梯度数据中同一矩阵位置的元素执行累加求和并除以节点总数，得出聚合后的混合梯度数据并下发至各区域节点；

46、s67、各区域节点接收聚合后的混合梯度数据，定位本地原有参数在内存中的存储地址，将本地原有参数替换为聚合后的混合梯度数据，将替换后的参数输入至本地模型执行前向推理计算，得出最终的跨区域能源需求预测结果。

47、本发明的有益效果是：

48、本发明通过同步采集历史能源负荷数据及关联影响参数并进行正交投影分解计算，针对跨区域能源数据共性特征与个性特征耦合交织的问题，生成表征跨区域共性的全局共享特征和表征区域个性的局部私有特征；通过计算全局共享特征的皮尔逊相似度与欧氏距离赋权构建自适应局部邻接矩阵，经联邦服务器加权平均生成全局动态拓扑图，以局部私有特征为查询向量对全局动态拓扑图中的邻居全局共享特征执行注意力聚合，输出初步预测特征；在漂移感知阶段，结合初步预测特征与真实能源负荷数据计算残差与滑动平均值，判定概念漂移并量化漂移强度系数上传至联邦服务器；进一步将漂移强度系数和全局动态拓扑图输入改进的pfedme模型，通过引入图拉普拉斯矩阵替换原生欧氏距离约束以重构moreau包络正则化项，结合漂移强度系数动态调节正则化权重，输出全局底座参数梯度与个性化顶层参数梯度；最终基于时空标识生成正交水印向量叠加至全局底座参数梯度，并对个性化顶层参数梯度添加拉普拉斯噪声完成安全聚合与本地前向推理。最终实现对跨区域能源需求的特征解耦协同预测、时空关联隐式挖掘与概念漂移自适应响应的闭环智能优化，有效提升特征表达的针对性、拓扑聚合的精准性与联邦模型抗漂移的鲁棒性。