← 返回列表
不同时间尺度下多节点多元负荷联邦协同预测方法
摘要文本
本发明公开了不同时间尺度下多节点多元负荷联邦协同预测方法，包括如下三个阶段，第一阶段使用样条插值法对时间尺度较大的负荷数据进行插值补充，将负荷数据统一至相同的时间尺度，第二阶段利用每个节点自身数据得到它的本地多元负荷预测模型；第三阶段在不泄露数据隐私的前提下，对各节点模型进行联邦学习融合训练；训练完成后，在节点内对模型进行微调。使用本方法的模型得到的负荷预测结果更接近真实值。特别地，针对负荷波动幅度较大、负荷波动幅度小但频率高等复杂场景，本文所提算法都有最好的电气负荷预测结果。
申请人信息
- 申请人:中国矿业大学
- 申请人地址:221000 江苏省徐州市铜山区大学路1号
- 发明人: 中国矿业大学
专利详细信息
| 项目 | 内容 |
|---|---|
| 专利名称 | 不同时间尺度下多节点多元负荷联邦协同预测方法 |
| 专利类型 | 发明申请 |
| 申请号 | CN202311315635.6 |
| 申请日 | 2023/10/11 |
| 公告号 | CN117436576A |
| 公开日 | 2024/1/23 |
| IPC主分类号 | G06Q10/04 |
| 权利人 | 中国矿业大学 |
| 发明人 | 张勇; 陈志鹏; 宋贤芳; 孙晓燕; 彭超; 王军 |
| 地址 | 江苏省徐州市铜山区大学路1号 |
专利主权项内容
1.不同时间尺度下多节点多元负荷联邦协同预测方法，其特征在于，包括以下步骤：步骤1：使用样条插值法对时间尺度较大的负荷数据进行插值，统一各节点负荷数据的时间尺度；步骤2：在每个节点内部，利用自身同时间尺度的负荷数据，建立本地多元负荷预测模型；步骤3：通过参数共享的联邦学习机制在节点之间共享模型参数，使用联邦学习对各节点进行融合训练，并利用自身数据对分发后的模型进行微调，建立最终的联邦预测模型；步骤4：结果预测；使用当前节点内自身数据，对更新后的预测模型进行微调；每个节点使用最终微调得到的联邦预测模型，在本地进行多元负荷预测。