【技术实现步骤摘要】
本专利技术涉及电网负荷预测，尤其涉及一种基于联邦学习的短期负荷预测方法及装置。
技术介绍
1、随着大数据和智能技术的快速发展，传统电力系统逐步向智能电网转型，短期负荷预测作为电力系统中的关键应用，能有效帮助电力部门平衡发电和用电，优化资源分配并提升能源利用效率。短期负荷预测通过分析历史负荷数据及外部影响因素，如气象和社会经济数据，来预测未来电力需求。
2、然而，随着多源数据的引入，隐私保护问题逐渐成为阻碍跨行业和跨区域数据共享的主要挑战。数据的分散性和敏感性使得各个部门和组织难以直接共享数据，导致数据孤岛现象的加剧，进而限制了负荷预测模型的性能提升。
技术实现思路
1、本专利技术实施例提供了一种基于联邦学习的短期负荷预测方法及装置，以解决短期负荷预测过程中数据隐私保护性差的问题。
2、第一方面，本专利技术实施例提供了一种基于联邦学习的短期负荷预测方法，应用于客户端；包括：
3、步骤1：获取中央服务器发送的初始的短期负荷预测模型，所述短期负荷预测模型为所述中央服务器构建的神经网络模型；
4、步骤2：采用本地的训练样本对所述短期负荷预测模型进行训练，并计算训练后的模型参数矩阵的梯度敏感度；所述训练样本的输入数据包括最近n个周期的电力数据、气象数据和社会金融数据；所述训练样本的标签包括下一周期的负荷数据；
5、步骤3：基于模型参数矩阵中各个模型参数的梯度敏感度，将模型参数分为敏感参数和非敏感参数；
6、步骤4：采用p
7、步骤5：基于模型参数平均值矩阵更新所述短期负荷预测模型，返回至步骤2，重复上述过程，直至达到训练完成条件，得到短期负荷预测模型。
8、第二方面，本专利技术实施例提供了一种基于联邦学习的短期负荷预测方法，应用于中央服务器，包括：
9、步骤1：构建神经网络模型，并基于联邦学习算法采用公共的训练样本训练所述神经网络模型，得到初始的短期负荷预测模型；所述训练样本的输入数据包括最近n个周期的电力数据、气象数据和社会金融数据；所述训练样本的标签包括下一周期的负荷数据；
10、步骤2：发送所述初始的神经网络模型至各个客户端；以使各个客户端采用本地的训练样本对所述短期负荷预测模型进行训练，并计算训练后的模型参数矩阵的梯度敏感度；基于模型参数矩阵中各个模型参数的梯度敏感度，将模型参数分为敏感参数和非敏感参数；采用paillier同态加密算法加密敏感参数；
11、步骤3：获取各个客户端发送的经过处理的模型参数矩阵；并对所有客户端发送的模型参数矩阵进行联邦平均操作，得到模型参数平均值矩阵；
12、步骤4：发送所述模型参数平均值矩阵至各个客户端，以使各个客户端采用模型参数平均值矩阵更新所述短期负荷预测模型，返回至步骤3，重复上述过程，直至达到训练完成条件，得到短期负荷预测模型。
13、第二方面，本专利技术实施例提供了一种基于联邦学习的短期负荷预测装置，应用于客户端；包括：
14、模型获取模块，用于获取中央服务器发送的初始的短期负荷预测模型，所述短期负荷预测模型为所述中央服务器构建的神经网络模型；
15、敏感度计算模块，用于采用本地的训练样本对所述短期负荷预测模型进行训练，并计算训练后的模型参数矩阵的梯度敏感度；所述训练样本的输入数据包括最近n个周期的电力数据、气象数据和社会金融数据；所述训练样本的标签包括下一周期的负荷数据；
16、敏感参数确定模块，用于基于模型参数矩阵中各个模型参数的梯度敏感度，将模型参数分为敏感参数和非敏感参数；
17、加密发送模块，用于采用paillier同态加密算法加密敏感参数，并将经过处理的模型参数矩阵发送至所述中央服务器；以使所述中央服务器对所有客户端发送的模型参数矩阵进行联邦平均操作，得到模型参数平均值矩阵；
18、模型参数更新模块，用于基于模型参数平均值矩阵更新所述短期负荷预测模型，返回至敏感度计算模块，重复上述过程，直至达到训练完成条件，得到短期负荷预测模型。
19、本专利技术实施例提供一种基于联邦学习的短期负荷预测方法及装置，该方法首先获取中央服务器发送的初始的短期负荷预测模型，所述短期负荷预测模型为所述中央服务器构建的神经网络模型；然后采用本地的训练样本对所述短期负荷预测模型进行训练，并计算训练后的模型参数矩阵的梯度敏感度；所述训练样本的输入数据包括最近n个周期的电力数据、气象数据和社会金融数据；所述训练样本的标签包括下一周期的负荷数据；基于模型参数矩阵中各个模型参数的梯度敏感度，将模型参数分为敏感参数和非敏感参数；采用paillier同态加密算法加密敏感参数，并将经过处理的模型参数矩阵发送至所述中央服务器；以使所述中央服务器对所有客户端发送的模型参数矩阵进行联邦平均操作，得到模型参数平均值矩阵；最后基于模型参数平均值矩阵更新所述短期负荷预测模型，再次训练，重复上述过程，直至达到训练完成条件，得到短期负荷预测模型。本实施例为保证数据的隐私性，对模型参数进行敏感度分析，并在传输过程中采用paillier同态加密算法只对敏感参数进行加密，能够在保证数据隐私的前提下，有效提高短期负荷预测的准确性和计算效率。
本文档来自技高网...【技术保护点】
1.一种基于联邦学习的短期负荷预测方法，其特征在于，应用于客户端；包括：获取中央服务器发送的初始的短期负荷预测模型，短期负荷预测模型为中央服务器构建的神经网络模型；训练步骤：采用本地的训练样本对短期负荷预测模型进行训练，并计算训练后的模型参数矩阵的梯度敏感度；训练样本的输入数据包括最近N个周期的电力数据、气象数据和社会金融数据；训练样本的标签包括下一周期的负荷数据；基于模型参数矩阵中各个模型参数的梯度敏感度，将模型参数分为敏感参数和非敏感参数；采用Paillier同态加密算法加密敏感参数，并将经过处理的模型参数矩阵发送至中央服务器；以使中央服务器对客户端发送的模型参数矩阵进行联邦平均操作，得到模型参数平均值矩阵；基于模型参数平均值矩阵更新短期负荷预测模型，返回至训练步骤，重复上述过程，直至达到训练完成条件，得到短期负荷预测模型。
2.根据权利要求1所述的基于联邦学习的短期负荷预测方法，其特征在于，所述计算训练后的模型参数矩阵的梯度敏感度，包括：
3.根据权利要求1所述的基于联邦学习的短期负荷预测方法，其特征在于，所述基于模型参数矩阵中各个模型参数的梯度敏感
4.根据权利要求1所述的基于联邦学习的短期负荷预测方法，其特征在于，所述将经过处理的模型参数矩阵发送至所述中央服务器；以使所述中央服务器对所有客户端发送的模型参数矩阵进行联邦平均操作，得到模型参数平均值矩阵，包括：
5.根据权利要求1所述的基于联邦学习的短期负荷预测方法，其特征在于，所述采用Paillier同态加密算法加密敏感参数，并将经过处理的模型参数矩阵发送至所述中央服务器，包括：
6.根据权利要求1所述的基于联邦学习的短期负荷预测方法，其特征在于，在所述采用本地的训练样本对所述短期负荷预测模型进行训练之前，本实施例提供的方法还包括：
7.根据权利要求1所述的基于联邦学习的短期负荷预测方法，其特征在于，所述短期负荷预测模型为LSTM网络模型；
8.一种基于联邦学习的短期负荷预测方法，其特征在于，应用于中央服务器，包括：
9.根据权利要求8所述的基于联邦学习的短期负荷预测方法，其特征在于，所述对所有客户端发送的模型参数矩阵进行联邦平均操作，得到模型参数平均值矩阵，包括：
10.一种基于联邦学习的短期负荷预测装置，其特征在于，应用于客户端；包括：
...【技术特征摘要】
1.一种基于联邦学习的短期负荷预测方法，其特征在于，应用于客户端；包括：获取中央服务器发送的初始的短期负荷预测模型，短期负荷预测模型为中央服务器构建的神经网络模型；训练步骤：采用本地的训练样本对短期负荷预测模型进行训练，并计算训练后的模型参数矩阵的梯度敏感度；训练样本的输入数据包括最近n个周期的电力数据、气象数据和社会金融数据；训练样本的标签包括下一周期的负荷数据；基于模型参数矩阵中各个模型参数的梯度敏感度，将模型参数分为敏感参数和非敏感参数；采用paillier同态加密算法加密敏感参数，并将经过处理的模型参数矩阵发送至中央服务器；以使中央服务器对客户端发送的模型参数矩阵进行联邦平均操作，得到模型参数平均值矩阵；基于模型参数平均值矩阵更新短期负荷预测模型，返回至训练步骤，重复上述过程，直至达到训练完成条件，得到短期负荷预测模型。
2.根据权利要求1所述的基于联邦学习的短期负荷预测方法，其特征在于，所述计算训练后的模型参数矩阵的梯度敏感度，包括：
3.根据权利要求1所述的基于联邦学习的短期负荷预测方法，其特征在于，所述基于模型参数矩阵中各个模型参数的梯度敏感度，将模型参数分为敏感参数和非敏感参数，包括：
【专利技术属性】
技术研发人员：王梦迪，辛锐，左志峰，葛茵茵，陈曦，张鹏飞，常永娟，郑涛，
申请(专利权)人：国网河北省电力有限公司信息通信分公司，
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。