一种区域互联电网交换功率的预测方法及系统

1.本发明涉及区域互联电网交换功率预测技术领域，特别是涉及一种区域互联电网交换功率的预测方法及系统。


背景技术：

2.随着我国电力系统的发展，区域电网的互联数量日益增加，区域互联电网的交换功率预测为区域电网的运行计划提供基础数据。大量新能源的接入使区域互联电网的交换功率的波动性增大，交换功率预测是否准确对电力系统经济调度、稳定性控制等会产生很大影响。区域互联电网整体预测交换功率能够利用所有区域电网的数据特征，是一个有效的预测交换功率方法。但是为了保护数据隐私，各区域电网不愿意对外公开数据，即使愿意公开数据，在各区域电网传输数据到数据中心时也可能造成数据泄露，因此，区域电网的数据隐私保护是必要的。
3.区域电网的数据隐私保护具有如下特点：1)区域电网数据不再上传到数据中心，避免了传输过程中数据泄露；2)区域电网之间除了交换功率，其他数据不能相互访问。在保护数据隐私的前提下，区域互联电网交换功率的传统方式预测，需要各个区域电网分别对本区域连接点的交换功率进行单独预测，区域预测只能使用本区域电网的数据，使得某区域电网预测模型的输入特征不全面。因此，不同区域电网预测仅使用本区域的数据进行预测，每个区域电网预测的交换功率可能会有差别，也必然与实际的交换功率产生偏差，导致电力系统调度成本增加，甚至威胁电网的安全。各区域电网的交换功率独立预测已经不能满足预测精度的要求。在各区域电网保护数据隐私的前提下，如果各区域电网能够共享特征信息，将会很大程度上提高交换功率的预测精度。基于此，亟需一种区域互联电网交换功率的预测方法及系统，能够在保护区域电网互联数据隐私的前提下，提高区域互联电网交换功率预测精度。


技术实现要素：

4.本发明的目的是提供一种区域互联电网交换功率的预测方法及系统，能够在保护区域电网互联数据隐私的前提下，提高区域互联电网交换功率预测精度。
5.为实现上述目的，本发明提供了如下方案：
6.一种区域互联电网交换功率的预测方法，其特征在于，包括：
7.获取目标边缘特征，所述目标边缘特征包括待预测区域的节点电压幅值、节点电压相角、节点有功功率和节点无功功率；
8.将所述目标边缘特征输入预训练的局部模型，得到待预测区域互联电网交换功率；所述预训练的局部模型是以区域的样本边缘特征数据为输入，以样本边缘特征数据对应的交换功率为标签，基于联邦学习对局部模型进行训练得到的。
9.作为一种可选的实施方式，所述局部模型的训练方法，具体包括：
10.接收云服务器发送的全局模型参数；
11.所述局部模型基于所述全局模型参数、边缘服务器所属区域的样本边缘特征以及所述样本边缘特征的标签对所述局部模型中的参数进行迭代训练，得到局部模型参数；
12.将所述局部模型参数发送至所述云服务器；所述云服务器用于对各所述边缘服务器发送的局部模型参数进行加权处理，采用加权处理结果更新所述全局模型参数，并判断更新后的全局模型是否收敛，若否，将更新后的全局模型参数发送至各边缘服务器，若是，则结束训练。
13.作为另一种可选的实施方式，所述局部模型的训练方法，具体包括：
14.向边缘服务器发送全局模型参数；
15.接收边缘服务器发送的局部模型参数；所述局部模型参数为边缘服务器根据所述全局模型参数、所述边缘服务器所属区域的样本边缘特征以及所述样本边缘特征的标签对所述局部模型中的参数进行迭代训练得到；
16.对各边缘服务器发送的局部模型参数进行加权处理，并采用加权处理结果更新所述全局模型参数；
17.判断更新后的全局模型参数是否收敛，若否，将更新后的全局模型参数发送至各边缘服务器，若是，则结束训练。
18.所述加权处理采用的加权公式为：
[0019][0020]
其中，ω为全局模型参数，ωk为第k个局部模型参数，n为边缘服务器数量；dk为第k个边缘服务器中局部模型的数据集数量；d为各所述边缘服务器局部模型的数据集数量之和。
[0021]
作为一种可选的实施方式，所述局部模型包括图注意力网络和长短期记忆网络；
[0022]
所述图注意力网络用于对输入的边缘特征进行加权聚合，得到新特征；所述新特征作为所述长短期记忆网络的输入，所述长短期记忆网络的输出为所述区域交换功率。
[0023]
可选的，所述图注意力网络通过节点间注意力系数对所述边缘特征进行加权聚合，得到所述新特征；
[0024]
所述节点间注意力系数为：
[0025][0026]
其中，α
ic
为节点间注意力系数，c为节点i的邻居节点，xi、xc、xd分别为节点i、c、d的特征向量，d(i)为节点i的邻居节点集合，||表示拼接操作，为单层的前馈神经网络，w为注意力网络权重矩阵，leakyrelu函数为计算节点i和其邻居节点c之间的注意力权重；
[0027]
所述加权聚合公式为：
[0028][0029]
其中，elu为激活函数；xi'为节点i的新特征；
[0030]
所述新特征为：
[0031]
x＝[x1,x2,x3,...,xm]。
[0032]
本发明还提供一种区域互联电网交换功率的预测系统，包括：
[0033]
目标边缘特征获取模块，用于获取目标边缘特征，所述目标边缘特征包括待预测区域的节点电压幅值、节点电压相角、节点有功功率和节点无功功率；
[0034]
互联电网交换功率预测模块，用于将所述目标边缘特征输入预训练的局部模型，得到待预测区域互联电网交换功率；所述预训练的局部模型是以区域的样本边缘特征数据为输入，以样本边缘特征数据对应的交换功率为标签，基于联邦学习对局部模型进行训练得到的。
[0035]
根据本发明提供的具体实施例，本发明公开了以下技术效果：
[0036]
本发明提供一种区域互联电网交换功率的预测方法及系统，首先获取目标边缘特征，将目标边缘特征输入预训练的局部模型，得到待测区域互联网交换功率。其中，预训练的局部模型是以区域的样本边缘特征数据为输入，以样本边缘特征对应的交换功率为标签，基于联邦学习对局部模型进行训练得到的。本发明采用了基于联邦学习的模型训练方法，利用联邦学习在多个区域电网之间进行分布式模型训练，在不需要交换各区域本地数据的前提下，仅通过交换模型参数的方式，构建基于融合数据下的全局模型，从而实现各区域数据隐私的保护和数据共享计算的平衡，实现“数据可用不可见”，从而在保护各区域数据隐私的情况下，提高了交换功率的预测精度。
附图说明
[0037]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0038]
图1为本发明实施例1提供的区域互联电网交换功率的预测方法流程图；
[0039]
图2为本发明实施例1提供的区域互联系统结构图；
[0040]
图3为本发明实施例1提供的区域互联电网云边协同架构图；
[0041]
图4为本发明实施例1提供的区域互联电网的交换功率边缘预测模型；
[0042]
图5为本发明实施例1提供的区域互联电网的交换功率联邦学习示意图；
[0043]
图6为本发明实施例2提供的区域互联电网交换功率的预测系统结构图。
具体实施方式
[0044]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0045]
本发明的目的是提供一种区域互联电网交换功率的预测方法及系统，能够在保护区域电网互联数据隐私的前提下，提高区域互联电网交换功率预测精度。
[0046]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实
施方式对本发明作进一步详细的说明。
[0047]
实施例1
[0048]
本实施例提供一种区域互联电网交换功率的预测方法，请参阅图1，所述方法包括：
[0049]
s1、获取目标边缘特征，所述目标边缘特征包括待预测区域的节点电压幅值、节点电压相角、节点有功功率和节点无功功率。
[0050]
其中，目标边缘特征用于输入到训练好的局部模型中，从而输出互联电网交换功率。关于训练好的局部模型的详细内容，在后续方案中进行介绍。
[0051]
s2、将所述目标边缘特征输入预训练的局部模型，得到待预测区域互联电网交换功率；所述预训练的局部模型是以区域的样本边缘特征数据为输入，以样本边缘特征数据对应的交换功率为标签，基于联邦学习对局部模型进行训练得到的。
[0052]
需要说明的是，基于联邦学习对局部模型进行训练这一过程在区域互联电网云边协同架构中实现。所述区域互联电网云边协同架构包括云服务器和设置于每一区域的边缘服务器；所述边缘服务器用于区域电网交换功率的边缘预测，所述云服务用于协调各所述边缘预测。
[0053]
区域互联电网云边协同架构是在区域互联系统的基础上构建的，区域电网互联系统如图2所示，图2以及后续的图3、图5均是以两个互联区域为例进行的说明，然而，本发明的方案并不限于仅有两个互联区域的情况。
[0054]
区域电网互联系统需要满足功率平衡约束，此处以两个互联区域为例，区域电网的功率平衡约束为：
[0055]
p＝p1[0056]
p＝p2 p
l
[0057]
其中，p为区域互联电网的交换功率，p1为区域电网1的有功功率，p2为区域电网2的有功功率，p
l
为互联电网联络线的有功损耗；该平衡假定有功潮流由区域电网1流向区域电网2，交换功率p在区域电网1的值为p1，交换功率在区域电网2的值为p2 p
l
。
[0058]
保护区域电网数据隐私时，各区域需要单独预测交换功率；由于各区域不能使用其他区域的特征，导致区域电网的预测输入特征不全面，会出现不满足功率平衡的情况。
[0059]
为了解决区域单独预测时出现的功率不平衡的情况，基于区域电网互联系统，建立区域互联电网云边协同架构，如图3所示。
[0060]
建立区域互联电网云边协同架构目的是：保护区域电网的数据隐私，并且实现区域互联电网预测交换功率的整体最优，整体最优指的是各边缘预测模型(局部模型)参数达到一致，通过一致模型参数预测的交换功率即为整体最优的交换功率。关于局部模型的内容，在后续方案中进行详细介绍。
[0061]
区域互联电网云边协同架构利用各区域电网的特征，统一协调区域电网交换功率的预测；由于连接点的交换功率可以相互访问，联邦学习时交换功率可从p1和p2取最大值进行预测；预测后再根据有功损耗p
l
即可计算出另外一端的有功功率。
[0062]
区域互联电网云边协同架构在每个区域设置边缘服务器，用于区域电网交换功率的边缘预测；区域互联电网云边协同架构还包括云服务器，用于协调各个局部模型，使交换功率的预测达到整体最优。同时，云边协调时，边缘服务器不上传电网数据，只上传局部模
型参数，避免了数据泄露，保护了区域电网数据隐私。
[0063]
作为一种可选的实施方式，请参阅图4，所述局部模型(交换功率边缘预测模型)包括图注意力网络(graph attention network，gat)和长短期记忆网络(long short-term memory，lstm)。
[0064]
所述图注意力网络用于对所述边缘特征进行加权聚合，得到新特征；所述新特征作为所述长短期记忆网络的输入，所述长短期记忆网络的输出为所述区域交换功率。
[0065]
作为一种可选的实施方式，请参阅图5，基于联邦学习的局部模型训练方法具体包括：
[0066]
s21、接收云服务器发送的全局模型参数；
[0067]
s22、所述局部模型基于所述全局模型参数、边缘服务器所属区域的样本边缘特征以及所述样本边缘特征的标签对所述局部模型中的参数进行迭代训练，得到局部模型参数；
[0068]
s23、将所述局部模型参数发送至所述云服务器；所述云服务器用于对各所述边缘服务器发送的局部模型参数进行加权处理，采用加权处理结果更新所述全局模型参数，并判断更新后的全局模型是否收敛，若否，将更新后的全局模型参数发送至各边缘服务器，若是，则结束训练。
[0069]
具体的，局部模型训练时，以区域的样本边缘特征作为gat的输入；边缘特征x由本区域的节点电压幅值、节点电压相角、节点有功功率和节点无功功率属性构成。
[0070]
gat通过节点间注意力系数对邻域节点属性进行加权聚合，节点间注意力系数为：
[0071][0072]
其中，c为节点i的邻居节点，xi、xc、xd节点i、c、d的特征向量，d(i)为节点i的邻居节点集合，||表示拼接操作，为单层的前馈神经网络，w为权重矩阵，leakyrelu函数计算节点i和其邻居节点c之间的注意力权重。
[0073]
根据gat注意力系数对各节点信息进行加权聚合，作为目标节点新的特征向量，加权聚合方式为：
[0074][0075]
其中，elu为激活函数；xi'为节点i的新特征向量，因此得到新的特征向量(新特征)：
[0076]
x
‘
＝[x1',x2',x3',...,xm']
[0077]
新的特征向量x
‘
作为lstm的输入，lstm利用全连接层结构的遗忘门、输入门及输出门实现对单元状态的控制。
[0078]
其中，遗忘门计算公式为：
[0079]ft
＝sigmoid(wf·
[h
t-1
,x
t
] bf]
[0080]
其中，sigmoid为激活函数，wf为遗忘门权重矩阵；bf是遗忘门偏置；x
t
为输入特征；h
t-1
为上一时刻的输出，[h
t-1
,x
t
]为h
t-1
和x
t
的拼接。
[0081]
输入门计算公式为：
[0082]it
＝sigmoid(wi·
[h
t-1
,x
t
] bi)
[0083]
其中，wi为输入门权重矩阵；bi是输入门偏置。
[0084]
由遗忘门和输入门可得，当前时刻单元状态：
[0085]ct
＝f
t
οc
t-1
i
t
οc
t
'
[0086]
其中，ο表示元素乘；c
t-1
为上一时刻单元状态；c
t
'计算公式如下：
[0087]ct
'＝tanh(wc·
[h
t-1
,x
t
] bc)
[0088]
其中，tanh为激活函数；wc为当前单元状态的权重矩阵；bc是当前单元状态的偏置。
[0089]
输出门计算公式为：
[0090]ht
＝o
t
οtanh(c
t
)
[0091]
其中，o
t
计算公式如下：
[0092]ot
＝tanh(wo·
[h
t-1
,x
t
] bo)
[0093]
其中，wo为输出门权重矩阵；bo是输出门偏置。
[0094]
lstm中的输入特征x
t
对应gat中输出的新的特征向量x
‘
；初始化时，h
t-1
和c
t-1
为空。
[0095]
lstm输出h
t
为交换功率。
[0096]
各边缘服务器中的局部模型经过上述训练之后，可以得到局部模型参数：
[0097][0098]
其中，ωk为第k个局部模型的参数。
[0099]
云服务器收到各边缘服务器的局部模型参数后，对各局部模型参数加权处理，获取全局模型参数：
[0100][0101]
上述过程可理解为各局部模型根据接收到的全局模型参数，并根据样本边缘特征、样本边缘特征对应的标签(区域交换功率)对局部模型进行训练，得到局部模型参数，并将局部模型参数传输到云服务器，云服务器用于将各局部模型参数进行加权处理，得到全局模型参数。不断重复上述过程，直到全局模型收敛。所述全局模型收敛指的是各局部模型参数的差值小于预设的第一阈值，也可以指全局模型得到的相邻两次全局模型参数之差小于预设的第二阈值。
[0102]
模型训练的过程即为对局部模型参数进行更新的过程，当模型训练好之后，得到最优的模型参数，最优的模型参数对应的局部模型为训练好的局部模型，将目标边缘特征输入到训练好的局部模型，即可得到待预测的交换功率。
[0103]
作为另一种可选的实施方式，基于联邦学习的局部模型的训练方法，具体包括：
[0104]
向边缘服务器发送全局模型参数；
[0105]
接收边缘服务器发送的局部模型参数；所述局部模型参数为边缘服务器根据所述全局模型参数、所述边缘服务器所属区域的样本边缘特征以及所述样本边缘特征的标签对所述局部模型中的参数进行迭代训练得到；
[0106]
对各边缘服务器发送的局部模型参数进行加权处理，并采用加权处理结果更新所
述全局模型参数；
[0107]
判断更新后的全局模型参数是否收敛，若否，将更新后的全局模型参数发送至各边缘服务器，若是，则结束训练。
[0108]
需要说明的是，上述提供的两种模型训练方式分别是针对不同的执行主体而言的，第一种训练方法是以局部模型为执行主体，第二种训练方式是以云服务器为执行主体，两种训练方法的结果相同。
[0109]
本实施例提供了一种能够提高区域互联电网交换功率精度的区域互联电网交换功率的预测方法。首先获取目标边缘特征，将目标边缘特征输入训练好的局部模型，得到待测交换功率。其中，局部模型训练是在区域互联电网云边协同架构下基于联邦学习的方法实现的，该协同架构包括云服务器和设置于每一区域中的边缘服务器，各边缘服务器和云服务器协同进行联邦学习，更新各区域电网局部模型参数，且边缘服务器和云服务器之间只传输局部模型参数和梯度，而不传输区域电网数据，从而有效地保护了区域电网的数据隐私。在保护数据隐私的情况下，采用全网特征进行预测，既提高了交换功率的预测精度，又保证了各区域电网的交换功率一致。
[0110]
为验证本发明方案的技术效果，现提供一实例进行说明。为了更加全面的验证本发明的有效性，本发明的案例仿真采用某实际区域互联电网，表1给出了采用和未采用本发明的交换功率预测结果对比。
[0111]
表1某区域互联电网交换功率预测结果对比
[0112][0113]
通过对算例中不同方法的交换功率预测值进行对比，能够发现采用本发明的预测方法得到的结果接近交换功率实际值。各区域电网单独预测时，由于保护数据隐私，预测特征只采用本区域的数据，预测精度较低，且各区域预测值不同；本发明方法由于采用了全网特征，其预测值与实际值相近，且只有一个预测值；本发明方法虽然使用了全网特征，但联邦学习时只是传递模型参数，并没有泄露数据，有效地保护了区域电网的数据隐私。在保护区域电网数据隐私的前提下，本发明的预测方法具有明显优越性，有效提高了预测精度，可以证明本方法的有效性。
[0114]
实施例2
[0115]
本实施例提供一种区域互联电网交换功率的预测系统，请参阅图6，包括：
[0116]
目标边缘特征获取模块m1，用于获取目标边缘特征，所述目标边缘特征包括待预测区域的节点电压幅值、节点电压相角、节点有功功率和节点无功功率；
[0117]
互联电网交换功率预测模块m2，用于将所述目标边缘特征输入预训练的局部模型，得到待预测区域互联电网交换功率；所述预训练的局部模型是以区域的样本边缘特征数据为输入，以样本边缘特征数据对应的交换功率为标签，基于联邦学习对局部模型进行训练得到的。
[0118]
作为一种可选的实施方式，所述局部模型包括图注意力网络和长短期记忆网络；
[0119]
所述图注意力网络用于对所述边缘特征进行加权聚合，得到新特征；所述新特征作为所述长短期记忆网络的输入，所述长短期记忆网络的输出为所述区域交换功率。
[0120]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0121]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。