一种对用电负荷进行预测的方法及系统技术方案

本发明专利技术公开了一种对用电负荷进行预测的方法及系统，其中方法包括：选择边缘终端的历史负荷数据，基于所述历史负荷数据建立边缘终端的分项训练集合；对所述分项训练集合进行数据格式处理；基于经过数据格式处理后的分项训练集合，通过机器学习随机梯度下降SGD算法计算边缘终端的分析预测模型权重系数；基于多个边缘终端计算出的分析预测模型权重系数，通过联邦学习算法计算累加分析预测模型权重系数；基于所述累加分析预测模型权重系数，通过累加分析预测模型对预设步长期间内的用电负荷进行预测，获取用电负荷预测结果。获取用电负荷预测结果。获取用电负荷预测结果。

【技术实现步骤摘要】
一种对用电负荷进行预测的方法及系统


[0001]本专利技术涉及人工智能机器学习与通信
，更具体地，涉及一种对用电负荷进行预测的方法及系统。

技术介绍

[0002]目前基于“云
‑
管
‑
边
‑
端”多层电力通讯架构的用电信息采集系统已经成为覆盖千家万户的数据采集网络，已安装的具备高频次功率信号监测的分项计量电力表计和智能终端已经数以亿计。随着国家电网及南方电网新型电力系统与电网数字化建设的逐步推进，用电信息采集系统扩展了很多新兴应用业务，如：分布式能源管理、电动汽车有序用电管理、居民家庭智慧用能管理等，这些新兴业务需要用电信息采集系统及采集终端为其提供数据支撑，同时对用户数据的隐私性也提出了要求。因此，需要在台区用户侧智能电表和智能终端中加载智能化的用户负荷分析及预测功能，电力负荷预测是电力生产部门的重要工作，通过准确预测电网负荷，能够合理安排电力生产，保障电网安全运行。
[0003]现有技术一，(申请号：2021109435615，申请名称：电力负荷预测方法及终端)，提出日前负荷历史数据分析方法，根据参考日的影响因素信息，预测未来远期的影响因素信息，并对参考日电网的历史负荷数据进行更新调整；依赖集中式的计算框架将调整后的参考日电网的历史负荷数据输入至神经网络预测模型中存储分析，滚动更新当天采集监测到的负荷数据。现有技术一提出的技术方案往往基于集中式计算框架，对于全数据链需要完整加载于云端进行同步计算，难以有效利用本地边缘计算单元的实时信息处理能力，并且只适用于大规模用户负荷集群的低确定性预测和数据简单存储功能，缺乏考虑用户数据隐私性保护和用户用能数据实时采集分析等问题，不能利用有限信息交互进行算法迭代更新，不能在台区用户侧分布式负荷资源分散的工程现场使用。现有技术一根据参考日的影响因素信息，预测未来远期的影响因素信息，并对参考日电网的历史负荷数据进行调整，这类负荷预测方法往往基于集中式计算框架，适用于大规模用户集群的低确定性预测，缺乏考虑用户数据隐私性的本地边缘计算能力，不能在台区用户侧分布式负荷资源分散的工程现场使用。
[0004]因此，需要一种技术，以实现基于联邦学习分布式计算对用电负荷进行预测。

技术实现思路

[0005]本专利技术技术方案提供一种基于联邦学习分布式计算的用电负荷预测方法及系统，以解决如何基于联邦学习分布式计算对用电负荷进行预测的问题。
[0006]为了解决上述问题，本专利技术提供了一种对用电负荷进行预测的方法，所述方法包括：
[0007]选择边缘终端的历史负荷数据，基于所述历史负荷数据建立边缘终端的分项训练集合；
[0008]对所述分项训练集合进行数据格式处理；
[0009]基于经过数据格式处理后的分项训练集合，通过机器学习随机梯度下降SGD算法计算边缘终端的分析预测模型权重系数；
[0010]基于多个边缘终端计算出的分析预测模型权重系数，通过联邦学习算法计算累加分析预测模型权重系数；
[0011]基于所述累加分析预测模型权重系数，通过累加分析预测模型对预设步长期间内的用电负荷进行预测，获取用电负荷预测结果。
[0012]优选地，所述方法还包括：
[0013]多次对用电负荷进行预测，当多次预测出的用电负荷结果误差精度小于阈值时，将用电负荷预测结果作为最终的用电负荷预测结果。
[0014]优选地，当多次预测出的用电负荷结果误差精度大于阈值时，基于所述历史负荷数据重新建立边缘终端的分项训练集合。
[0015]优选地，所述方法还包括：
[0016]根据当前用电负荷预测结果和上一次用电负荷预测结果对所述分析预测模型权重系数W
j，i
进行修正，包括：
[0017][0018]其中，W
j，i
为第j个边缘终端在第i轮预测中计算出的分析预测模型权重系数，W
j，i
‑1为第j个边缘终端在第i
‑
1轮预测中计算出的分析预测模型权重系数，LR
edge
为边缘终端的计算单元的学习速率，为标准熵型误差梯度函数。
[0019]优选地，还包括：
[0020]确定分析预测模型的结构参数，包括：链接层N
layer
，输出层Input_size，隐含层Hidden_size，随机失活率Dropout。
[0021]优选地，还包括：
[0022]累加分析预测模型权重系数更新机制包括异步更新机制或同步更新机制。
[0023]优选地，所述通过机器学习随机梯度下降SGD算法计算边缘终端的分析预测模型权重系数，包括：
[0024][0025]其中，W
j
为第j个边缘终端计算出的分析预测模型权重系数，r
jk
为分析预测模型系数，m为边缘终端总数。
[0026]基于本专利技术的另一方面，本专利技术提供一种对用电负荷进行预测的系统，所述系统包括：
[0027]边缘终端，用于选择历史负荷数据，基于所述历史负荷数据建立边缘终端的分项训练集合；
[0028]数据预处理模块，用于对所述分项训练集合进行数据格式处理；
[0029]联邦学习算法加载模块，用于基于经过数据格式处理后的分项训练集合，通过机器学习随机梯度下降SGD算法计算边缘终端的分析预测模型权重系数；基于多个边缘终端计算出的分析预测模型权重系数，通过联邦学习算法计算累加分析预测模型权重系数；基于所述累加分析预测模型权重系数，通过累加分析预测模型对预设步长期间内的用电负荷
进行预测，获取用电负荷预测结果。
[0030]优选地，所述联邦学习算法加载模块还用于：
[0031]多次对用电负荷进行预测，当多次预测出的用电负荷结果误差精度小于阈值时，将用电负荷预测结果作为最终的用电负荷预测结果。
[0032]优选地，所述联邦学习算法加载模块还用于：
[0033]当多次预测出的用电负荷结果误差精度大于阈值时，基于所述历史负荷数据重新建立边缘终端的分项训练集合。
[0034]优选地，所述联邦学习算法加载模块还用于：
[0035]根据当前用电负荷预测结果和上一次用电负荷预测结果对所述分析预测模型权重系数W
j，i
进行修正，包括：
[0036][0037]其中，W
j，i
为第j个边缘终端在第i轮预测中计算出的分析预测模型权重系数，W
j，i
‑1为第j个边缘终端在第i
‑
1轮预测中计算出的分析预测模型权重系数，LR
edge
为边缘终端的计算单元的学习速率，为标准熵型误差梯度函数。
[0038]优选地，所述联邦学习算法加载模块还用于：
[0039]确定分析预测模型的结构参数，包括：链接层N
layer
，输出层Input_size，隐含层Hidden_size，随机失活率Dropo本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种对用电负荷进行预测的方法，所述方法包括：选择边缘终端的历史负荷数据，基于所述历史负荷数据建立边缘终端的分项训练集合；对所述分项训练集合进行数据格式处理；基于经过数据格式处理后的分项训练集合，通过机器学习随机梯度下降SGD算法计算边缘终端的分析预测模型权重系数；基于多个边缘终端计算出的分析预测模型权重系数，通过联邦学习算法计算累加分析预测模型权重系数；基于所述累加分析预测模型权重系数，通过累加分析预测模型对预设步长期间内的用电负荷进行预测，获取用电负荷预测结果。2.根据权利要求1所述的方法，所述方法还包括：多次对用电负荷进行预测，当多次预测出的用电负荷结果误差精度小于阈值时，将用电负荷预测结果作为最终的用电负荷预测结果。3.根据权利要求2所述的方法，当多次预测出的用电负荷结果误差精度大于阈值时，基于所述历史负荷数据重新建立边缘终端的分项训练集合。4.根据权利要求2所述的方法，所述方法还包括：根据当前用电负荷预测结果和上一次用电负荷预测结果对所述分析预测模型权重系数W
j，i
进行修正，包括：其中，W
j，i
为第j个边缘终端在第i轮预测中计算出的分析预测模型权重系数，W
j，i
‑1为第j个边缘终端在第i
‑
1轮预测中计算出的分析预测模型权重系数，LR
edge
为边缘终端的计算单元的学习速率，为标准熵型误差梯度函数。5.根据权利要求1所述的方法，还包括：确定分析预测模型的结构参数，包括：链接层N
layer
，...

【专利技术属性】
技术研发人员：刘岩，祝恩国，赵兵，张海龙，郑国权，郜波，成情，李然，卢继哲，任毅，侯帅，翟梦迪，王朝亮，陆春光，
申请(专利权)人：国网浙江省电力有限公司营销服务中心，
类型：发明
国别省市：