基于差分隐私联邦学习的虚拟电厂可交易容量预测方法技术

本发明专利技术公开了一种基于差分隐私联邦学习的虚拟电厂可交易容量预测方法，包括：预测服务器根据本地数据集进行LSTM预测模型训练，并下发全局模型参数；交易聚合商使用全局模型参数进行本地LSTM模型训练，得到本地训练参数后，添加自适应的高斯噪声，并上传到预测服务器；预测服务器对上传的模型参数进行聚合，得到新的全局模型参数，更新得到新的全局模型，应用测试数据集预测虚拟电厂可交易容量。本发明专利技术，基于联邦学习实现，虚拟电厂可交易容量预测由交易聚合商训练本地预测模型，不需要和中心服务器共享原始数据，可保护交易聚合商的可交易容量数据隐私，并且对联邦学习中的本地模型参数实施差分隐私保护，可防御模型推理攻击。击。击。

【技术实现步骤摘要】
基于差分隐私联邦学习的虚拟电厂可交易容量预测方法


[0001]本专利技术涉虚拟电厂管理
，具体涉及一种基于差分隐私联邦学习的虚拟电厂可交易容量预测方法。

技术介绍

[0002]虚拟电厂分布式电力交易是“双碳”战略背景下的电力系统转型方向之一。虚拟电厂可交易容量数据能够指导聚合商合理报价，稳定虚拟电厂市场供需，具有十分重要的意义。
[0003]预测虚拟电厂可交易容量数据，不仅要考虑到温度、节假日等因素的影响，还需要考虑到虚拟电厂分布式特性。传统的中心化机器学习预测模型需要可信的中心服务器，存在以下问题：
[0004]第一，分布式环境下的预测模型，无法有效保护交易聚合商的可交易容量数据隐私；
[0005]第二，预测模型容易受到推理攻击。
[0006]有鉴于此，需要对现有的虚拟电厂可交易容量预测方法进行改进，以保护交易聚合商的可交易容量数据隐私，保护预测模型参数，使预测模型免受推理攻击。

技术实现思路

[0007]针对上述缺陷，本专利技术所要解决的技术问题在于提供一种基于差分隐私联邦学习的虚拟电厂可交易容量预测方法，以解决现有技术无法有效保护交易聚合商的可交易容量数据隐私，预测模型容易受到推理攻击的问题。
[0008]为此，本专利技术提供的基于差分隐私联邦学习的虚拟电厂可交易容量预测方法，包括以下步骤：
[0009]预测服务器根据本地数据集进行LSTM预测模型训练，并下发LSTM预测全局模型参数给参与本轮训练的交易聚合商；
[0010]参与本轮训练的交易聚合商使用预测服务器下发的LSTM预测全局模型参数进行本地LSTM模型训练；
[0011]参与本轮训练的交易聚合商得到本地LSTM模型训练参数后，对本地训练模型的参数添加自适应的高斯噪声，并上传到预测服务器；
[0012]预测服务器对参与该轮训练的交易聚合商上传的模型参数进行聚合，得到新的全局模型参数；
[0013]预测服务器使用新的全局模型参数进行参数更新，得到新的全局模型，并应用测试数据集预测虚拟电厂可交易容量。
[0014]在上述技术方法中，优选地，预测服务器进行LSTM预测模型训练前，首先对本地数据集进行归一化处理，使得输入数据在[0,1]内。
[0015]在上述技术方法中，优选地，交易聚合商进行本地LSTM模型训练前，首先对本地数
据集进行归一化处理，使得输入数据在[0,1]内。
[0016]在上述技术方法中，优选地，预测服务器根据LSTM模型，选取对应的特征输入量X和输出量Y进行模型训练，其中，输入特征量X包括：星期、月份、节假日、碳排放量和气温；输出特征量Y为某天的可交易容量Y
t
。
[0017]在上述技术方法中，优选地，星期包括星期一到星期五，月份包括十二个月，节假日为1，非节假日为0。
[0018]在上述技术方法中，优选地，气温分为七个等级，温度区间左闭右开，分别为小于零下10摄氏度、零下10摄氏度至零度、零度至10摄氏度、10摄氏度至20摄氏度，20摄氏度至30摄氏度，30摄氏度至40摄氏度，大于等于40摄氏度。
[0019]在上述技术方法中，优选地，预测服务器随机选择参与该轮训练的K个交易聚合商，下发LSTM预测全局模型参数给参与该轮训练的交易聚合商。
[0020]在上述方法中，优选地，噪声是独立同分布的高斯随机变量，0表示高斯分布的均值，随机变量的期望值为0，(Δf)2σ2表示高斯分布的方差，描述了随机变量Z的离散程度或分散程度，Δf是一个与随机变量Z相关的参数，根据预测需求和性能进行选择和优化。
[0021]在上述方法中，优选地，采用均方根误差RMSE和平均绝对百分比误差MAPE对预测服务器的预测效果进行评价。
[0022]在上述方法中，优选地，
[0023][0024][0025]与分别表示虚拟电厂可交易容量的预测值和实际值，n为样本数量。
[0026]由上述技术方案可知，本专利技术提供的基于差分隐私联邦学习的虚拟电厂可交易容量预测方法，解决了现有技术无法有效保护交易聚合商的可交易容量数据隐私，预测模型容易受到推理攻击的问题。与现有技术相比，本专利技术具有以下有益效果：
[0027]基于联邦学习，由交易聚合商在各自的本地设备上训练本地预测模型，不需要和中心服务器共享原始数据，可保护交易聚合商的可交易容量数据隐私。此外，通过添加噪声来隐藏个体的贡献，对联邦学习中的本地模型参数实施差分隐私保护，使得攻击者无法准确地推断出特定参与者的数据。可防御模型推理攻击。
附图说明
[0028]为了更清楚地说明本专利技术的实施例或现有技术中的技术方案，下面将对本专利技术实施例或现有技术描述中所需要使用的附图做出简单地介绍和说明。显而易见地，下面描述中的附图仅仅是本专利技术的部分实施例，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生成其他的附图。
[0029]图1为本专利技术实施例中虚拟电厂可交易容量预测实施布置示意图；
[0030]图2为本专利技术提供的基于差分隐私联邦学习的虚拟电厂可交易容量预测方法流程图。
具体实施方式
[0031]下面将结合本专利技术实施例附图，对本专利技术实施例的技术方案进行清楚、完整地描述，显然，以下所描述的实施例，仅仅是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术的实施例，本领域普通技术人员在没有做出创造性劳动的前提下，所生成的所有其他实施例，都属于本专利技术保护的范围。
[0032]为了对本专利技术的技术方案和实现方式做出更清楚地解释和说明，以下介绍实现本专利技术技术方案的几个优选的具体实施例。
[0033]需要说明的是，本文中“内、外”、“前、后”及“左、右”等方位词是以产品使用状态为基准对象进行的表述，显然，相应方位词的使用对本方案的保护范围并非构成限制。
[0034]本专利技术基于差分隐私联邦学习实现虚拟电厂可交易容量预测，其中联邦学习(Federated Learning)是一种分布式机器学习方法，旨在保护用户数据隐私的同时实现模型的训练和共享。传统的机器学习方法通常要求将数据集集中在单个中心化的位置进行模型训练，而联邦学习则使得多个参与者能够在各自的本地设备上训练模型，只共享模型的更新而不共享原始数据。
[0035]如图1所示，基于差分隐私联邦学习的虚拟电厂可交易容量预测方法，包含预测服务器和n个交易聚合商。实线代表交易聚合商和预测服务器的通信。其中
①
表示预测服务器下发LSTM预测全局模型参数。
②
表示交易聚合商进行本地LSTM模型训练。
③
表示对本地训练模型的参数添加自适应的高斯噪声。
④
表示本地模型参数上传。
⑤
表示预测服务器进行参数的全局聚合，得到新的预测全局模型。
[0036]请参见图1，图1为本专利技术提供的一种虚拟电厂邀约需求匿名响应及方法流程图。
[0037]如图1所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于差分隐私联邦学习的虚拟电厂可交易容量预测方法，其特征在于，包括以下步骤：预测服务器根据本地数据集进行LSTM预测模型训练，并下发LSTM预测全局模型参数给参与本轮训练的交易聚合商；参与本轮训练的交易聚合商使用预测服务器下发的LSTM预测全局模型参数进行本地LSTM模型训练；参与本轮训练的交易聚合商得到本地LSTM模型训练参数后，对本地训练模型的参数添加自适应的高斯噪声，并上传到预测服务器；预测服务器对参与该轮训练的交易聚合商上传的模型参数进行聚合，得到新的全局模型参数；预测服务器使用新的全局模型参数进行参数更新，得到新的全局模型，并应用测试数据集预测虚拟电厂可交易容量。2.根据权利要求1所述的方法，其特征在于，预测服务器进行LSTM预测模型训练前，首先对本地数据集进行归一化处理，使得输入数据在[0,1]内。3.根据权利要求1所述的方法，其特征在于，交易聚合商进行本地LSTM模型训练前，首先对本地数据集进行归一化处理，使得输入数据在[0,1]内。4.根据权利要求1所述的方法，其特征在于，预测服务器根据LSTM模型，选取对应的特征输入量X和输出量Y进行模型训练，其中，输入特征量X包括：星期、月份、节假日、碳排放量和气温；输出特征量Y为某天的可交易容量Y
t...

【专利技术属性】
技术研发人员：戴观权，曾顺奇，马溪原，张子昊，张扬，余志文，潘世贤，徐全，
申请(专利权)人：广东电网有限责任公司广州供电局，
类型：发明
国别省市：