一种区域互联电网交换功率的预测方法及系统技术方案

本发明专利技术涉及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。本发明专利技术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。度。度。

【技术实现步骤摘要】
一种区域互联电网交换功率的预测方法及系统


[0001]本专利技术涉及区域互联电网交换功率预测
，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。

技术介绍

[0002]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。
[0003]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。

技术实现思路

[0004]本专利技术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。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种区域互联电网交换功率的预测方法，其特征在于，包括：
[0007]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；
[0008]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。
[0009]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：
[0010]接收云服务器发送的全局模型参数；
[0011]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；
[0012]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。
[0013]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：
[0014]向边缘服务器发送全局模型参数；
[0015]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；
[0016]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；
[0017]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。
[0018]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，ω
k
为第k个局部模型参数，N为边缘服务器数量；D
k
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，X
i
、X
c
、X
d
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；X
i
'为节点i的新特征；
[0030]所述新特征为：
[0031]X＝[X1,X2,X3,...,X
m
]。
[0032]本专利技术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]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0036]本专利技术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。本专利技术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专利技术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，下面描述中的附图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种区域互联电网交换功率的预测方法，其特征在于，包括：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；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。2.根据权利要求1所述的方法，其特征在于，所述局部模型的训练方法，具体包括：接收云服务器发送的全局模型参数；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；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。3.根据权利要求1所述的方法，其特征在于，所述局部模型的训练方法，具体包括：向所述边缘服务器发送所述全局模型参数；接收所述边缘服务器发送的所述局部模型参数；所述局部模型参数为所述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；对各所述边缘服务器发送的所述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；判断更新后的全局模型参数是否收敛，若否，将所述更新后的全局模型参数发送至各所述边缘服务器，若是，则结束训练。4.根据权利要求3所述的方法，其特征在于，所述加权处理采用的加权公式为：其中，ω为全局模型参数，ω
k
为第k个局部模型参数，N为边缘服务器数量；D
k
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...

【专利技术属性】
技术研发人员：李依萱，
申请(专利权)人：广西大学，
类型：发明
国别省市：