一种电力系统的日负荷预测方法与流程

摘要: 本申请涉及电力系统控制,尤其涉及一种电力系统的日负荷预测方法。背景技术:1、构建以新能源为主体的新型电力系统是电力行业重要发展方向,而精准的时空负荷预测是新型电...
一种电力系统的日负荷预测方法与流程

本申请涉及电力系统控制,尤其涉及一种电力系统的日负荷预测方法。

背景技术:

1、构建以新能源为主体的新型电力系统是电力行业重要发展方向,而精准的时空负荷预测是新型电力系统规划与运行的关键支撑。作为电力系统调度的核心环节,负荷预测需为电力市场购电、发电计划制定提供准确依据,以避免能源浪费。同时,在电力资源调度、可靠性分析及发电机维护规划等场景中,均对预测精度有着严苛要求。

2、随着高级量测体系(advanced metering infrastructure,ami)的广泛部署与通信技术的快速发展,供电企业积累了海量异构负荷数据,为前沿技术在负荷预测领域的应用奠定了坚实的数据基础。与此同时,数字技术的迅猛发展为电力系统负荷预测提供了新的技术手段。然而,当前电力负荷预测面临双重挑战:一方面,数据安全与隐私问题突出,集中式预测模型易遭遇数据窃取、篡改等恶意行为,用户用电数据的隐私保护需求日益迫切;另一方面,用户用电习惯差异导致数据异构性显著,使得传统预测模型收敛速度慢、预测精度不佳。

3、现有负荷预测方法主要分为统计方法、机器学习方法和深度学习方法。统计方法与传统机器学习方法在处理复杂非线性负荷数据时,特征挖掘能力有限;现有深度学习方法虽在一定程度上提升了预测精度,但仍存在隐私保护缺失、时空特征提取不充分、模型泛化能力不足等问题。

技术实现思路

1、本申请提供了一种电力系统的日负荷预测方法,以解决现有电力系统日负荷预测方法存在数据隐私保护失衡、模型聚合适配性差、计算效率与泛化能力不足的问题。

2、基于此,本申请提供了一种电力系统的日负荷预测方法,包括:

3、构建联邦学习系统架构,所述联邦学习系统架构包括第一节点、通信网络和n个第二节点,所述第一节点配置有参与联邦学习的中央服务器,每个第二节点配置有参与联邦学习的电力负荷运营商的负荷预测模型,所述第一节点的中央服务器通过所述通信网络与每个第二节点的负荷预测模型通信连接;

4、初始化所述中央服务器,得到初始权重参数,并将所述初始权重参数下发至每个第二节点的负荷预测模型;

5、在每个负荷预测模型接收到所述初始权重参数后,针对每个负荷预测模型,训练该负荷预测模型,得到训练完成的该负荷预测模型的权重参数,并将训练完成的该负荷预测模型的权重参数作为第一权重参数;

6、计算训练完成的每个负荷预测模型的隐私预算值,并基于每个隐私预算值,生成对应负荷预测模型的噪声数据;

7、基于训练完成的每个负荷预测模型的第一权重参数和噪声数据,确定相应负荷预测模型的第二权重参数,并将所有第二权重参数上传至所述中央服务器;

8、在所述中央服务器接收到所有第二权重参数后,采用fedadam算法对所有第二权重参数进行聚合计算,得到全局权重参数,并利用所述全局权重参数更新初始权重参数,继续执行所述将所述初始权重参数下发至每个第二节点的负荷预测模型步骤,直至达到交互轮次阈值,完成所述联邦学习系统架构的训练;

9、利用训练完成的联邦学习系统架构,预测目标区域的日负荷预测值,所述目标区域包括n个电力负荷运营商。

10、本申请提供一种电力系统的日负荷预测方法,通过构建联邦学习系统架构,将负荷预测模型分别部署于各电力负荷运营商节点,训练过程中无需集中传输、共享原始用电数据,从数据流转源头规避隐私泄漏风险;同时针对各节点负荷预测模型计算动态隐私预算值并生成匹配的噪声数据,为模型的权重参数上传提供差异化隐私保护,实现了电力数据隐私安全与模型训练有效性的双重保障;然后,本申请中各负荷运营商节点的预测模型为适配电力负荷数据时空特性设计,相较传统模型能够更充分挖掘历史负荷数据中蕴含的空间拓扑关联、动态空间特征及时间序列周期性、非线性特征,预测值更能表征实际负荷变化规律,尤其在节假日等负荷波动较大的场景下,预测精度提升效果更为显著;另外,采用fedadam算法对各节点上传的隐私保护后权重参数进行聚合计算,能够结合各电力负荷运营商的本地数据质量动态调整参数聚合权重,相较于传统联邦学习的简单参数平均策略,有效解决了参与方数据质量差异导致的全局模型适配性不足的问题,大幅提升了全局模型的收敛速度;其次,本申请采用分布式联邦学习训练模式,将模型训练任务分散至各电力负荷运营商节点,中央服务器仅负责模型初始化与参数聚合,避免了集中式模型随参与运营商数量增加导致的数据处理量指数级增长问题,大幅缩短了模型训练与预测的时间成本。

1.一种电力系统的日负荷预测方法,其特征在于,包括:

2.根据权利要求1所述的电力系统的日负荷预测方法,其特征在于,每个负荷预测模型均包括基于图卷积网络和时间卷积网络的第一模块和基于transformer模型的第二模块;

3.根据权利要求2所述的电力系统的日负荷预测方法,其特征在于,所述针对每个负荷预测模型,训练该负荷预测模型,得到训练完成的该负荷预测模型的权重参数,包括:

4.根据权利要求3所述的电力系统的日负荷预测方法,其特征在于,在所述获取该电力负荷运营商的历史数据,并获取该电力负荷运营商的历史数据对应的历史日负荷实际值之后,所述方法还包括:

5.根据权利要求3所述的电力系统的日负荷预测方法,其特征在于,在所述将该电力负荷运营商的历史数据作为输入数据,将该电力负荷运营商的历史数据对应的历史日负荷实际值作为输出数据,训练该负荷预测模型之后,所述方法还包括:

6.根据权利要求1所述的电力系统的日负荷预测方法,其特征在于,所述计算训练完成的每个负荷预测模型的隐私预算值,包括:

7.根据权利要求6所述的电力系统的日负荷预测方法,其特征在于,所述基于预设的查询操作在所述第一数据集和所述第二数据集上的输出差异,计算该负荷预测模型对应的隐私损失,包括:

8.根据权利要求6所述的电力系统的日负荷预测方法,其特征在于,所述利用该负荷预测模型对应的隐私损失计算适配所述预设的查询操作的隐私预算值,包括:

9.根据权利要求1所述的电力系统的日负荷预测方法,其特征在于,所述基于每个隐私预算值,生成对应负荷预测模型的噪声数据,包括:

10.根据权利要求1所述的电力系统的日负荷预测方法,其特征在于,所述采用fedadam算法对所有第二权重参数进行聚合计算,得到全局权重参数,包括: