【技术实现步骤摘要】
本专利技术涉及电量预测，具体为一种基于深度学习和联邦学习的居民用电量预测方法。
技术介绍
1、居民电量预测在新的市场环境中具有重要的地位。目前，针对居民电量的预测方法主要分为两类，一类是基于历史数据探索时序发展规律的方法，包括回归分析、灰色预测、指数平滑法及差分自回归移动平均法等。另一类是将外部特征与历史数据进行拟合的预测方法，采用人工智能方法进行拟合预测，如支持向量机、人工神经网络等。传统的居民用电预测方法受不同居民用电习惯的影响，且存在难以保证用户隐私、收敛速度差等问题，故会导致居民电量预测精度的降低。
2、目前在进行居民用电量预测的时候经常使用的方法有时间序列法和人工智能方法；
3、时序类算法对数据质量依赖性较大，当数据呈现非线性特征或规律性不强时，拟合出的回归模型预测误差往往很大，且由于回归模型较为简单，算法较为低级，依据历史数据拟合出的回归模型有可能出现伪回归现象，即拟合的回归关系不能够真实反映变量和自变量之间存在的均衡关系；人工智能方法中历史居民用电数据的结构非常复杂，居民用电本身的特征决定了这些数据具有高度可变的特征。基于深度学习构建居民用电量预测模型，在训练过程中可能无法自由使用居民用电量的历史数据，难以在居民用电量预测过程中做出有效预测。
4、为此，现提出一种基于深度学习和联邦学习的居民用电量预测方法来解决上述提出的问题，将边缘计算与云计算相结合的方式构建云边协同架构，并在此基础上构建居民电量预测模型，通过引入联邦学习在边缘侧进行模型训练，然后进行采集，保证了用户数据在传输过
技术实现思路
1、本专利技术的目的在于提供一种基于深度学习和联邦学习的居民用电量预测方法，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：一种基于深度学习和联邦学习的居民用电量预测方法，该基于深度学习和联邦学习的居民用电量预测方法的具体步骤流程如下：
3、第一步：采集用户数据；
4、第二步：基于联邦学习构建边缘侧训练模型；
5、第三步：分解数据集；
6、第四步：建立联邦学习深度模型；
7、第五步：参数训练；
8、第六步：通过边缘侧训练获取每个边侧模型的可用模型参数；
9、第七步：加密所有边侧模型参数，并发送到云端的中心服务器；
10、第八步：构建聚合模型；
11、第九步：使用聚合模型进行rec的在线预测；
12、第十步：仿真分析。
13、优选的，所述第一步中采集用户数据是根据用户端的rec信息获取历史原始数据，并将该数据发送到最近的边缘节点，cec系统模型主要由用户端、多个边缘节点和云端组成，用户的rec数据被采集，并通过数据采集设备传输到边缘节点，边缘节点根据业务部署需求对已部署的服务进行处理或传输，边缘节点和云计算中心配置了与其计算能力相匹配的计算和存储资源，其中，云计算中心是具有强大存储和计算能力的服务器集群，在cec环境中，云计算中心主要负责从边缘侧提供服务，边缘计算主要是处理实时数据，为云计算中心提供所需的服务。
14、优选的，所述第二步中基于联邦学习构建边缘侧训练模型是基于联邦学习构建边缘侧训练的模型框架和参数加密传输机制，联邦学习是一种新兴的机器学习算法框架，最初用于解决android移动端用户在边缘侧更新语言预测模型的问题，联邦学习的设计目标是在符合法律的前提下，确保大数据交换过程中的隐私和数据安全，因此设计的形式不需要直接进行数据交换或收集，它不仅保护了用户隐私，还解决了人工智能行业面临的数据孤岛困境；联邦学习旨在建立基于分布式数据集的联邦学习模型，在联邦学习框架下，应该有不少于两个客户端节点在中心服务器的配合下共同训练一个全局模型，并且在全局模型训练过程中，要求原始数据不出边缘。
15、优选的，所述第三步分解数据集是根据rec数据选择特征输入，并使用emd分解rec的历史原始数据序列，将模态分解数据划分为训练集和测试集。
16、优选的，所述第四步建立联邦学习深度模型是将dl模型lstm应用于联邦学习中的边缘侧模型，形成联邦学习深度模型。
17、优选的，所述第五步参数训练是使用训练集训练每个边缘节点的边缘侧模型，并使用测试集验证训练后的模型，以确定模型是否满足精度要求；如果满足要求，继续执行下一步，相反，重新调整模型参数并重复训练过程。
18、优选的，所述第八步构建聚合模型是中心服务器通过不断优化和更新所有用户边缘侧模型的参数，构建聚合模型。
19、与现有技术相比，本专利技术的有益效果是：
20、本专利技术是基于云边协同(cec)架构下深度学习(dl)和联邦学习(fl)的居民电量预测方法，模型结构图如上图1所示，包括用户数据采集、边缘侧模型训练、形成聚合模型在线预测。该方法将边缘计算和云计算相结合，构建了快速收敛的rec预测模型。
21、首先，在用户端通过电力信息采集传输设备采集业务数据，根据用户所在位置将采集到信息传输到最近的边缘节点。
22、然后，每个边缘节点在接收到用户数据后，基于联邦学习和深度学习模型进行边缘侧训练，训练好的模型参数将被加密并发送到云端。通过引入联邦学习在边缘侧进行模型训练，然后进行采集，保证了用户数据在传输过程中的隐私性
23、最后，通过接收边缘侧的加密模型参数，更新和优化所有边缘侧模型，在云端实现边缘侧模型的聚合。基于emd-lstm构建了用于rec预测的fl边侧模型，对fl进行了个性化处理，降低了rec预测的误差。
本文档来自技高网...【技术保护点】
1.基于深度学习和联邦学习的居民用电量预测方法，其特征在于，该基于深度学习和联邦学习的居民用电量预测方法的具体步骤流程如下：
2.根据权利要求1所述的基于深度学习和联邦学习的居民用电量预测方法，其特征在于：所述第一步中采集用户数据是根据用户端的REC信息获取历史原始数据，并将该数据发送到最近的边缘节点，CEC系统模型主要由用户端、多个边缘节点和云端组成，用户的REC数据被采集，并通过数据采集设备传输到边缘节点，边缘节点根据业务部署需求对已部署的服务进行处理或传输，边缘节点和云计算中心配置了与其计算能力相匹配的计算和存储资源，其中，云计算中心是具有强大存储和计算能力的服务器集群，在CEC环境中，云计算中心主要负责从边缘侧提供服务，边缘计算主要是处理实时数据，为云计算中心提供所需的服务。
3.根据权利要求1所述的基于深度学习和联邦学习的居民用电量预测方法，其特征在于：所述第二步中基于联邦学习构建边缘侧训练模型是基于联邦学习构建边缘侧训练的模型框架和参数加密传输机制，联邦学习是一种新兴的机器学习算法框架，最初用于解决Android移动端用户在边缘侧更新语言预测模
4.根据权利要求1所述的基于深度学习和联邦学习的居民用电量预测方法，其特征在于：所述第三步分解数据集是根据REC数据选择特征输入，并使用EMD分解REC的历史原始数据序列，将模态分解数据划分为训练集和测试集。
5.根据权利要求1所述的基于深度学习和联邦学习的居民用电量预测方法，其特征在于：所述第四步建立联邦学习深度模型是将DL模型LSTM应用于联邦学习中的边缘侧模型，形成联邦学习深度模型。
6.根据权利要求1所述的基于深度学习和联邦学习的居民用电量预测方法，其特征在于：所述第五步参数训练是使用训练集训练每个边缘节点的边缘侧模型，并使用测试集验证训练后的模型，以确定模型是否满足精度要求；如果满足要求，继续执行下一步，相反，重新调整模型参数并重复训练过程。
7.根据权利要求1所述的基于深度学习和联邦学习的居民用电量预测方法，其特征在于：所述第八步构建聚合模型是中心服务器通过不断优化和更新所有用户边缘侧模型的参数，构建聚合模型。
...【技术特征摘要】
1.基于深度学习和联邦学习的居民用电量预测方法，其特征在于，该基于深度学习和联邦学习的居民用电量预测方法的具体步骤流程如下：
2.根据权利要求1所述的基于深度学习和联邦学习的居民用电量预测方法，其特征在于：所述第一步中采集用户数据是根据用户端的rec信息获取历史原始数据，并将该数据发送到最近的边缘节点，cec系统模型主要由用户端、多个边缘节点和云端组成，用户的rec数据被采集，并通过数据采集设备传输到边缘节点，边缘节点根据业务部署需求对已部署的服务进行处理或传输，边缘节点和云计算中心配置了与其计算能力相匹配的计算和存储资源，其中，云计算中心是具有强大存储和计算能力的服务器集群，在cec环境中，云计算中心主要负责从边缘侧提供服务，边缘计算主要是处理实时数据，为云计算中心提供所需的服务。
3.根据权利要求1所述的基于深度学习和联邦学习的居民用电量预测方法，其特征在于：所述第二步中基于联邦学习构建边缘侧训练模型是基于联邦学习构建边缘侧训练的模型框架和参数加密传输机制，联邦学习是一种新兴的机器学习算法框架，最初用于解决android移动端用户在边缘侧更新语言预测模型的问题，联邦学习的设计目标是在符合法律的前提下，确保大数据交换过程中的隐私和数据安全，因此设计的形式不需要直接进行数据交换或收集，它...
【专利技术属性】
技术研发人员：曹有霞，陈曦鸣，周开保，段玉卿，王品，汤旭，张世康，李智，陶红尘，常乐，倪妍妍，陆钦，王维胜，傅杨柳，魏敏俊，胡婧，刘梅，
申请(专利权)人：国网安徽省电力有限公司营销服务中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。