本發(fā)明涉及電力系統(tǒng)的人工智能應(yīng)用領(lǐng)域，具體為一種面向不平衡數(shù)據(jù)的短期風(fēng)功率聯(lián)邦學(xué)習(xí)分布式預(yù)測方法。

背景技術(shù)：

1、隨著環(huán)保意識的提升和可再生能源技術(shù)的發(fā)展，風(fēng)電、光伏等分布式能源在我國能源結(jié)構(gòu)中的比重上升。然而，風(fēng)力發(fā)電的固有特性，如風(fēng)速等氣候因素是決定風(fēng)力發(fā)電功率輸出的核心因素，其變化不僅具有時間上的時變性，還存在空間上的不均勻性，這種雙重特性導(dǎo)致風(fēng)力發(fā)電的功率輸出具有顯著的不穩(wěn)定性。因此，為提升電網(wǎng)的穩(wěn)定性和可靠性，需要運用先進的預(yù)測技術(shù)和方法，以實現(xiàn)對區(qū)域內(nèi)多風(fēng)電場功率輸出的準(zhǔn)確預(yù)測，從而保障電網(wǎng)的安全、穩(wěn)定和高效運行。

2、近年來機器學(xué)習(xí)法中的深度學(xué)習(xí)逐漸受到關(guān)注?；跀?shù)據(jù)驅(qū)動的深度學(xué)習(xí)算法通過訓(xùn)練大量數(shù)據(jù)來優(yōu)化預(yù)測模型，能夠自動提取數(shù)據(jù)中的特征并學(xué)習(xí)復(fù)雜的映射關(guān)系，不僅能夠處理非線性、非平穩(wěn)的氣象數(shù)據(jù)特征，同時能夠適應(yīng)不同時間尺度和空間尺度的預(yù)測需求。文獻(符楊,任子旭,魏書榮,等.基于改進lstm-tcn模型的海上風(fēng)電超短期功率預(yù)測[j].中國電機工程學(xué)報,2022,42(12):4292-4303.)提出了一種融合lstm(long?short-term?memory，簡稱lstm)和時間卷積神經(jīng)網(wǎng)絡(luò)的預(yù)測方法，充分考慮了風(fēng)電場群的空間分布特性，算例結(jié)果證明該方法在應(yīng)對海上風(fēng)速驟變工況時表現(xiàn)出色，具備較高的適應(yīng)性，可以提升海上風(fēng)電出力預(yù)測模型的準(zhǔn)確性。文獻(周家慷.基于深度學(xué)習(xí)的風(fēng)電集群短期功率預(yù)測方法研究[d].華北電力大學(xué)(北京),2022.)提出了一種基于卷積長短期記憶網(wǎng)絡(luò)的日前風(fēng)電場群短期功率集中式預(yù)測模型，該模型相較于分場建模模型，展現(xiàn)出了更高的預(yù)測精度。從上述文獻分析中可以看出，基于數(shù)據(jù)驅(qū)動的深度學(xué)習(xí)方法，通過輸入龐大的數(shù)據(jù)集提高了區(qū)域集中式多風(fēng)電場的功率預(yù)測精度，然而，龐大的訓(xùn)練集同樣使得數(shù)據(jù)驅(qū)動模型存在以下兩個方面的局限性：(1)風(fēng)電數(shù)據(jù)的時空特征難以有效挖掘，需要同時考慮多個變量在時間和空間維度上的復(fù)雜交互關(guān)系，限制了模型在復(fù)雜場景中的預(yù)測能力；(2)區(qū)域多風(fēng)電場不同數(shù)據(jù)集存在non-iid(non-independent?identically?distribution，簡稱non-iid)分布和不平衡不充分現(xiàn)象，傳統(tǒng)的集中式訓(xùn)練會造成較大的預(yù)測誤差，并且多源數(shù)據(jù)集中的氣象信息和功率信息通常分布在不同的地理位置和運營單位中，數(shù)據(jù)收集、整合和傳輸困難，造成數(shù)據(jù)驅(qū)動模型的訓(xùn)練數(shù)據(jù)不足。

3、基于上述問題，需要一種能夠整合不平衡數(shù)據(jù)，并對風(fēng)功率進行分布式預(yù)測的方法。

技術(shù)實現(xiàn)思路

1、本發(fā)明為了解決龐大的訓(xùn)練集同樣使得數(shù)據(jù)驅(qū)動模型存在局限，限制了模型在復(fù)雜場景中的預(yù)測能力同時數(shù)據(jù)驅(qū)動模型的訓(xùn)練數(shù)據(jù)不足的問題，提供了一種面向不平衡數(shù)據(jù)的短期風(fēng)功率聯(lián)邦學(xué)習(xí)分布式預(yù)測方法。

2、本發(fā)明是通過如下技術(shù)方案來實現(xiàn)的：一種面向不平衡數(shù)據(jù)的短期風(fēng)功率聯(lián)邦學(xué)習(xí)分布式預(yù)測方法，包括如下步驟：

3、階段一：對數(shù)據(jù)進行清洗，包括異常數(shù)據(jù)刪除與缺失數(shù)據(jù)填補，采用基于四分位法和三次樣條插值法的數(shù)據(jù)清洗方法；針對風(fēng)功率原始數(shù)據(jù)集中的異常值，首先利用四分位法對區(qū)域多風(fēng)電場數(shù)據(jù)集中的異常數(shù)據(jù)進行刪除；然后采用三次樣條插值法根據(jù)連續(xù)數(shù)據(jù)通過對三彎矩方程組求解，計算出曲線函數(shù)組，從而對刪除的異常數(shù)據(jù)進行填補；具體為：

4、s1-1：異常數(shù)據(jù)刪除：對區(qū)域多風(fēng)電場數(shù)據(jù)集中的異常數(shù)據(jù)進行刪除，利用四分位法將數(shù)據(jù)集從小到大排序后，劃分為四個等份，每份包含相同數(shù)量的數(shù)據(jù)點；其中，下四分位數(shù)q1表示前25％的數(shù)據(jù)的界限，中位數(shù)q2是數(shù)據(jù)集的中間值，而上四分位數(shù)q3則代表后25％的數(shù)據(jù)的界限；通過計算四分位距iqr，即q3與q1的差值，從而定義了數(shù)據(jù)的正常范圍；超出此范圍的數(shù)據(jù)點，即被視為異常值；對于原始數(shù)據(jù)樣本x＝[x1,x2,…,xn]，q1、q2和q3具體的計算公式如下：

5、

6、

7、式中，e＝0,1,2,…；和分別代表原始數(shù)據(jù)的四分之一處和四分之三處向上取整；根據(jù)q1和q3的計算值得到四分位距位iqr為：

8、iqr＝q3-q1??????????????????????????(4)

9、對于原始數(shù)據(jù)樣本的正常數(shù)據(jù)范圍為：

10、[f1,f2]＝[q1-1.5iqr,q3+1.5iqr]?????????????????????(5)

11、s1-2：缺失數(shù)據(jù)填補：步驟1)中異常數(shù)據(jù)直接剔除，會嚴(yán)重影響風(fēng)功率數(shù)據(jù)集中多變量序列的連續(xù)性，因此，基于三次樣條插值法對刪除的異常數(shù)據(jù)進行填補，具體的計算過程如下：

12、對于函數(shù)y＝f(x)，自變量區(qū)間為[a,b]，被n+1個采樣點等分，即a＝x0＜x1＜…xn＝b，y＝f(xi),i＝0,1,…,n；若任一分段函數(shù)z(x)滿足下列條件，則該函數(shù)即為三次樣條插值函數(shù)：

13、①在區(qū)間[a,b]上具有連續(xù)二階導(dǎo)數(shù)；

14、②在每個子區(qū)間[xi,xi+1]上最高為三次多項式；

15、③函數(shù)滿足z(xi)＝y(tǒng)i；

16、定義函數(shù)y節(jié)點xi處的一階和二階導(dǎo)數(shù)分別為si和si，即

17、f'(xi)＝si?????????????????????(6)

18、f"(xi)＝si?????????????????(7)

19、對于函數(shù)y＝f(x)，其二階導(dǎo)數(shù)f"(x)在區(qū)間[xi,xi+1]上為線性函數(shù)，數(shù)學(xué)表達式為：

20、

21、hi＝xi+1-xi????????????????????????????(9)

22、三次樣條的數(shù)學(xué)表達式即為對f"(x)二次積分：

23、

24、階段二：提出基于vmd-tpa-lstm的短期風(fēng)功率預(yù)測本地模型：首先利用變分模態(tài)分解vmd(variational?mode?decomposition，簡稱vmd)將原始數(shù)據(jù)集清洗后仍存在的少量異常值和噪聲分解到不同頻率的分量序列中，豐富模型的輸入信息；其次，利用時序模式注意力機制tpa(temporal?pattern?attention?mechanism，簡稱tpa)對vmd分量序列輸入矩陣進行重要特征的自動提取與權(quán)重分配；最后利用長短期記憶lstm(long?short-termmemory，簡稱lstm)網(wǎng)絡(luò)捕獲時間序列中的長期依賴關(guān)系，提取時空耦合特征，進行短期風(fēng)功率預(yù)測；為后續(xù)聯(lián)邦學(xué)習(xí)框架下的分布式預(yù)測提供本地模型基礎(chǔ)；具體為：

25、s2-1：vmd分解原始數(shù)據(jù)：vmd將復(fù)雜的多分量信號分解為若干個具有不同中心頻率的模態(tài)分量；vmd能夠解決傳統(tǒng)信號分解方法中存在的一些問題，如模態(tài)混疊、端點效應(yīng)等。vmd將原始時間序列u0(t)分解為有限帶寬的多個分量uk(t)，對每一個uk(t)進行hilbert變換得到單側(cè)頻譜：

26、

27、式中，δ(t)為單位脈沖函數(shù)；為沖激響應(yīng)；各個分量與算子相乘，將所有分量調(diào)制到相應(yīng)的基頻帶：

28、

29、計算式(12)的最小平方范數(shù)l2，約束變分模型如下表示：

30、

31、式中，uk＝{u1,u2,…,uk}表示分解后的分量，wk＝{w1,w2,…,wk}表示各個分量的中心頻率，為滿足所有分量重構(gòu)后的和等于原始輸入的時間序列u0(t)，約束條件為：

32、

33、利用二次懲罰項和拉格朗日乘數(shù)法，引入增廣拉格朗日lagrangian函數(shù)將約束問題轉(zhuǎn)化為非約束問題，既保證約束條件的嚴(yán)格，又保證高斯噪聲環(huán)境下分解序列重構(gòu)的準(zhǔn)確性，表達式為：

34、

35、式中，τ(t)為lagrangian乘子；α為二次懲罰項因子；使用乘法算子交替方向法(alternate?direction?method?of?multipliers，簡稱admm)，連續(xù)更新每個分量和每個分量的中心頻率，最終得到原始序列分解變分問題的最優(yōu)解；分量uk(t)、中心頻率wk、拉格朗日乘子τ(t)的更新過程如下：

36、

37、式中，分別為u0(t)，uk(t)，τ(t)的傅里葉變換；w為頻率；n為迭代次數(shù)；λ為噪聲，當(dāng)信號含有強噪聲時，設(shè)定λ＝0達到更好的去噪效果；重復(fù)計算公式(16)、(17)、(18)，直到滿足精度μ后停止迭代，最終獲得k個模態(tài)分量；迭代條件為：

38、

39、s2-2：tpa-lstm提取時空耦合特征，進行短期風(fēng)功率預(yù)測：tpa對歷史輸入序列的每個時間步驟進行加權(quán)，將重要元素的權(quán)重賦值增高，不重要元素的權(quán)重賦值降低，使lstm模型更加關(guān)注與目標(biāo)預(yù)測相關(guān)的數(shù)據(jù)特征；風(fēng)功率原始數(shù)據(jù)集為x＝[x1,x2,…xn]，n為輸入特征數(shù)量；利用vmd分解算法，根據(jù)預(yù)設(shè)的分解個數(shù)m對輸入層分解得到vmd分解層的輸入矩陣；在lstm迭代過程中，前向單元隱層狀態(tài)為ht，單元狀態(tài)信息為st，當(dāng)前時刻對應(yīng)各歷史時刻的時間注意力權(quán)重向量lt為：

40、lt＝relu(wdht+bd)?????????????????????????(20)

41、式中，為輸入序列的時間窗口長度；wd為可訓(xùn)練權(quán)重矩陣；bd為計算時間注意力權(quán)重的偏置向量；

42、利用softmax函數(shù)進行歸一化處理，得到時間注意力權(quán)重βt：

43、

44、式中，為第個時刻的注意力權(quán)重值，綜合時序信息狀態(tài)ct為：

45、

46、最后將綜合時序狀態(tài)輸入到全連接層，通過vmd分量重構(gòu)獲得輸出層的預(yù)測結(jié)果，最終將vmd-tpa-lstm確立為聯(lián)邦學(xué)習(xí)框架下的本地模型。

47、階段三：進行基于橫向聯(lián)邦學(xué)習(xí)的短期風(fēng)功率分布式預(yù)測：首先，區(qū)域內(nèi)各風(fēng)電場以“本地訓(xùn)練-參數(shù)上傳”的形式完成分布式訓(xùn)練，利用差分隱私保護機制提高風(fēng)電場私有數(shù)據(jù)保留在本地的安全性，避免了各方數(shù)據(jù)源對數(shù)據(jù)隱私安全的擔(dān)憂，從而打破了數(shù)據(jù)壁壘對集中式預(yù)測的限制；其次，利用scaffold機制解決了多個數(shù)據(jù)源由于數(shù)據(jù)量不足或數(shù)據(jù)分布不均而造成的準(zhǔn)確性下降問題，提高全局模型的預(yù)測性能和魯棒性；最后利用回歸模型評價指標(biāo)，驗證所提橫向聯(lián)邦學(xué)習(xí)框架分布式訓(xùn)練的有效性?；诼?lián)邦學(xué)習(xí)框架，各個風(fēng)電場可以利用私有數(shù)據(jù)集在本地進行訓(xùn)練，本地訓(xùn)練完成后，各風(fēng)電場上傳模型參數(shù)至聯(lián)邦中央服務(wù)器，服務(wù)器負責(zé)聚合這些參數(shù)，以更新全局的風(fēng)功率預(yù)測模型。這種方式的優(yōu)點在于風(fēng)電場的數(shù)據(jù)集在整個訓(xùn)練過程中都無需離開本地設(shè)備，從而確保了數(shù)據(jù)的安全性和隱私性。同時，區(qū)域內(nèi)多個風(fēng)電場的數(shù)據(jù)集呈現(xiàn)非獨立同分布(non-independentidentically?distribution，簡稱non-iid)和不平衡不充分的特點，通過聯(lián)邦分布式訓(xùn)練，全局模型能夠?qū)W習(xí)到此區(qū)域內(nèi)單個風(fēng)電場模型所無法捕捉到的數(shù)據(jù)特點，進而提升預(yù)測的準(zhǔn)確性和泛化能力。具體為：

48、s3-1：差分隱私保護機制：基于差分隱私拉普拉斯噪聲改進本地模型參數(shù)傳遞機制，在風(fēng)電場訓(xùn)練本地模型時將保護噪聲注入到梯度參數(shù)中，從而實現(xiàn)所有本地模型參數(shù)傳遞到中央服務(wù)器的過程中，數(shù)據(jù)隱私信息無法被反演還原，具體原理如下：

49、拉普拉斯分布是以0為中心，以b為尺度，其概率密度分布為：

50、

51、對于p(x|b)，可記為lap(b)，表示隨機變量x～lap(b)；對于風(fēng)功率數(shù)據(jù)集d的函數(shù)f:d→rd，對任意輸入a，拉普拉斯機制為：

52、

53、式中，ε表示隱私預(yù)算；拉普拉斯機制滿足(ε,0)-差分隱私的定義，設(shè)m∈d，n∈d'，滿足||m-n||1≤1；pm表示概率密度函數(shù)h(m)，pn表示給概率密度函數(shù)h(n)，比較兩者任意時間點t的概率密度：

54、

55、式(26)表示為t的概率，k′輸出之間相互獨立，對等式進行化簡：

56、

57、利用范數(shù)變形，并根據(jù)||f(m)i-f(n)i||1≤1得到：

58、

59、s3-2：scaffold中央服務(wù)器聚合策略的算法流程如下：

60、a：輸入：客戶端總數(shù)n；全局迭代選擇客戶端數(shù)量k；全局迭代次數(shù)t；全局更新學(xué)習(xí)率ηg；全局控制變量c；客戶端的編號k″＝1,2,…,n；每個客戶端上的數(shù)據(jù)量nk″；客戶端本地更新迭代次數(shù)e；本地更新學(xué)習(xí)率ηl；控制變量ck；

61、b：輸出：全局模型參數(shù)wt；

62、b1：中央服務(wù)器端算法流程server如下：

63、1：初始化全局模型權(quán)重參數(shù)w0；

64、2：for?t＝0,1,…,t-1do；

65、3：st←選取k個客戶端集合；

66、4：for?k″∈st?do；

67、5：

68、6：end?for；

69、7：

70、8：wt+1←wt+ηgδwt+1,

71、9：end?for；

72、10：return?wt；

73、b2：客戶端算法流程client：

74、1：上一輪全局參數(shù)下發(fā)更新客戶端參數(shù)；

75、2：for?k″∈st?do；

76、3：for?i＝0,1,…,e-1do

77、4：計算梯度；

78、5：end?for；

79、6：或

80、7：將發(fā)送給中央服務(wù)器；

81、8：

82、9：end?for；

83、10：returnck″；

84、s3-3：模型性能評估指標(biāo)：采用均方根誤差rmse(root?mean?squared?error，簡稱rmse)和平均絕對誤差mae(mean?absolute?error，簡稱mae)作為回歸模型誤差度量指標(biāo)；rmse和mae的計算公式如下所示：

85、

86、式中，yi代表真實值；代表預(yù)測值；n代表樣本數(shù)。

87、本發(fā)明所設(shè)計的一種面向不平衡數(shù)據(jù)的短期風(fēng)功率聯(lián)邦學(xué)習(xí)分布式預(yù)測方法，綜述如下：通過四分位法和三次樣條插值法對區(qū)域多風(fēng)電場數(shù)據(jù)集中的異常數(shù)據(jù)進行清洗；基于vmd-tpa-lstm算法構(gòu)建聯(lián)邦學(xué)習(xí)框架下的本地模型，充分提取數(shù)據(jù)集中的時空耦合特征，提高預(yù)測精度；最后基于差分隱私保護機制優(yōu)化聯(lián)邦學(xué)習(xí)框架的本地模型參數(shù)上傳過程，基于scaffold機制優(yōu)化所有本地模型參數(shù)聚合方向，最終完成分布式訓(xùn)練，完善聯(lián)邦學(xué)習(xí)的全局模型。

88、與現(xiàn)有技術(shù)相比本發(fā)明具有以下有益效果：本發(fā)明所提供的一種面向不平衡數(shù)據(jù)的短期風(fēng)功率聯(lián)邦學(xué)習(xí)分布式預(yù)測方法，改善了以下兩方面難題：(1)區(qū)域多風(fēng)電場數(shù)據(jù)集存在non-iid和不平衡不充分的特點，導(dǎo)致區(qū)域多風(fēng)電場的功率預(yù)測變得復(fù)雜且不準(zhǔn)確，造成了嚴(yán)重的棄風(fēng)現(xiàn)象；(2)現(xiàn)有的數(shù)據(jù)驅(qū)動風(fēng)功率預(yù)測方法往往基于單一數(shù)據(jù)源和集中式的數(shù)據(jù)處理模式，而區(qū)域多風(fēng)電場數(shù)據(jù)集中的氣象信息和功率信息通常分布在不同的地理位置和運營單位中，使得多源數(shù)據(jù)信息的收集、整合和傳輸存在“數(shù)據(jù)孤島”問題。