CN114970938B - 一种考虑用户隐私保护的自适应住宅负荷预测方法 - Google Patents

Abstract

本发明提出了一种考虑用户隐私保护的自适应住宅负荷预测方法，属于电力负荷预测领域。首先获得公共负荷数据和住宅负荷数据并处理；模型服务器构建公共负荷神经网络模型，将公共负荷神经网络模型发送给多个用户端；每个用户端利用住宅负荷训练样本在公共负荷神经网络模型的基础上训练住宅负荷神经网络模型，将住宅负荷神经网络模型传输至模型服务器；模型服务器通过加权平均用户的住宅负神经网络模型参数构建公共负荷神经网络模型；重复上述过程，直至公共负荷神经网络模型参数收敛；用户端利用住宅负荷训练样本对公共负荷神经网络模型进行自适应调整。本发明方法保护隐私并针对特定用户进行调整，使得模型的预测更加准确。

Description

一种考虑用户隐私保护的自适应住宅负荷预测方法

技术领域

本发明涉及用电负荷预测领域，具体是一种考虑用户隐私保护的自适应住宅负荷预测方法。

国际能源署已将建筑节能确定为确保能源部门长期去碳化的五项措施之一，人们在住宅中花费大量的时间，占据了能源消耗和二氧化碳排放的很大一部分。除了环境效益外，建筑节能也带来了巨大的经济效益。住宅能耗预测可以帮助各部门平衡能源生产和消费，以实现能源管理和节约，提高能源效率。

基于数据驱动的预测模型在能源消耗预测方面提供了有效准确的预测，已有许多专家和学者验证过这一点。但由于监管部门和用户都有隐私和安全方面的顾虑，所以不可能共享个人数据，数据以孤立的岛屿形式存在，这使得很难充分利用大的细粒度数据来训练强大的模型。同时对于数据导向的预测方法来说，由于不同住宅用户的用电习惯不同，导致数据分布不同，这使得模型应用于不同用户后预测效果下降。因此，以上两个问题亟待解决。

发明内容

针对现有技术的以上缺陷和改进需求，本发明提供了一种考虑用户隐私保护的自适应住宅负荷预测方法，其目的在于解决用户数据无法公开导致的数据孤岛及通用模型泛化能力弱的技术问题。

本发明系统包括：模型服务器、多个用户计算终端；所述模型服务器与所述多个用户计算终端依次连接；

一种考虑用户隐私保护的自适应住宅负荷预测方法，该方法包括以下步骤：

步骤1：获得多个历史时刻的公共负荷数据和多个用户的多个历史时刻的住宅负荷数据，将多个历史时刻的公共负荷数据划分为多个公共负荷训练样本，进一步标记每个公共负荷训练样本的负荷真值，将每个用户的多个历史时刻的住宅负荷数据分为每个用户的多个住宅负荷训练样本，进一步标记每个用户的每个住宅负荷训练样本的负荷真值；

步骤2：模型服务器构建公共负荷神经网络模型，将每个公共负荷训练样本输入至公共负荷神经网络模型，预测得到每个公共负荷训练样本的负荷预测值，结合每个公共负荷训练样本的负荷真值构建公共负荷神经网络损失函数模型，进一步通过使用梯度下降法优化得到优化后公共负荷神经网络模型参数，通过优化后公共负荷神经网络模型参数构建优化后公共负荷神经网络模型；

步骤3：模型服务器将优化后公共负荷神经网络模型参数以及优化后公共负荷神经网络模型发送给多个用户计算终端。

步骤4：每个用户计算终端将每个用户的每个住宅负荷训练样本输入至优化后公共负荷神经网络模型，预测得到每个用户的每个住宅负荷训练样本的负荷预测值，结合每个用户的每个住宅负荷训练样本的负荷真值构建每个用户的住宅负荷神经网络损失函数模型，进一步通过使用梯度下降法优化得到优化后每个用户的住宅负荷神经网络模型参数，每个用户计算终端将优化后每个用户的住宅负荷神经网络模型参数传输至模型服务器；

步骤5：模型服务器对多个用户的住宅负荷神经网络模型参数进行平均处理得到加权平均用户的住宅负荷神经网络模型参数，通过加权平均用户的住宅负荷神经网络模型参数构建模型服务器的公共负荷神经网络模型；

步骤6：重复步骤3至步骤6，直至加权平均用户的住宅负荷神经网络模型参数收敛；通过加权平均用户的住宅负荷神经网络模型的收敛参数构建加权平均用户的住宅负荷神经网络模型；模型服务器将加权平均用户的住宅负荷神经网络模型传输至每个用户计算终端；

步骤7：第m个用户的计算终端利用住宅负荷训练样本对加权平均用户的住宅负荷神经网络模型进行自适应调整：保持加权平均用户的住宅负荷网络模型中第一卷积层的参数、第二卷积层的参数、BiLSTM网络的参数不变，对全连接层参数进行自适应调整，具体为：同时使用公共负荷训练样本和每个用户的住宅负荷训练样本，构建每个用户的住宅负荷神经网络损失函数模型：

其中，Θ_u为第u个用户的网络中待优化的参数，y_n为第n个公共负荷训练样本的负荷真值，为第n个公共负荷训练样本的负荷预测值，/>为第u个用户第m个住宅负荷训练样本的负荷真值，/>是第u个用户第m个住宅负荷训练样本的的负荷预测值，D_S是多个历史时刻的公共负荷数据，D_u是第u个用户的多个历史时刻的住宅负荷数据，η是差异系数，是多核最大均值差异损失；多核最大均值差异损失/>计算方法如下：

其中，x_n为第n个公共负荷训练样本，为第u个用户第m个住宅负荷训练样本，φ(·)为映射函数；

映射函数φ(·)使用高斯核的凸组合进行计算，各个核需要满足如下条件：

其中，k_p表示高斯核，表示核函数系数，/>表示高斯核的凸组合；

映射函数计算方法转换为核函数的计算，如下所示：

φ(x_s)·φ(x_t)＝k(x_s,x_t)

其中，φ(x_s)表示数据x_s经过映射函数φ(·)的映射，φ(x_t)表示数据x_t经过映射函数φ(·)的映射，k(x_s,x_t)表示数据x_s和数据x_t经过高斯核函数k运算后的结果；

作为优选，步骤1所述多个公共负荷训练样本，具体定义为：

x_n＝{D_S,(n-1)·L+1,D_S,(n-1)·L+2,…,D_S,n·L}

n∈[1,N]

其中，x_n为第n个公共负荷训练样本，L为训练样本的长度，D_S,(n-1)·L+j为第n个公共负荷训练样本中第j个负荷值，即第(n-1)*L+j个历史时刻的公共负荷，其中j∈[1,L]；

步骤1所述每个公共负荷训练样本的负荷真值为：

y_n＝D_S,n·L+1

其中，y_n为第n个公共负荷训练样本的负荷真值；

步骤1所述用户u的M个住宅负荷训练样本，具体定义为：

u∈[1,U]

m∈[1,M]

其中，为第u个用户第m个住宅负荷训练样本，L为训练样本的长度，D_u,j为第u个用户第m个住宅负荷训练样本中第j个负荷值；U表示用户的数量，其中j∈[1,L-1]；

步骤1所述第u个用户的第m个住宅负荷训练样本的负荷真值为：

其中，为第u个用户第m个住宅负荷训练样本的负荷真值；

作为优选，步骤2所述预测得到每个公共负荷训练样本的负荷预测值，具体为：

每个公共负荷训练样本依次通过第一卷积层、池化层、第二卷积层、池化层、展平层、BiLSTM网络后、全连接层处理得到每个公共负荷训练样本的负荷预测值；

步骤2所述的公共负荷神经网络损失函数模型为：

其中，Θ_S表示待优化的公共负荷神经网络模型参数，所述待优化的公共负荷神经网络模型参数包括：第一卷积层参数，第二卷积层参数、BiLSTM网络参数、全连接层参数；

步骤2所述公共负荷神经网络损失函数使用均方误差；

其中，y_n是第n个公共负荷训练样本的负荷真值，为第n个公共负荷训练样本的负荷预测值；

作为优选，步骤4所述公共负荷神经网络模型由：

步骤4中第u个用户的负荷神经网络损失函数模型为：

其中，Θ_u表示第u个用户的网络中待优化的参数，包括：第一卷积层的参数Θ_u1，第二卷积层的参数Θ_u2、BiLSTM网络的参数Θ_u3、全连接层的参数Θ_u4；

是第u个用户第m个住宅负荷训练样本的负荷真值，/>是第u个用户第m个住宅负荷训练样本的的负荷预测值；

作为优选，步骤5所述进行平均处理得到加权平均用户的住宅负荷神经网络模型参数，具体为：

其中，Θ_S ^*为加权平均用户的住宅负荷神经网络模型参数，包括第一卷积层的参数Θ_S1 ^*，第二卷积层的参数Θ_S2 ^*、BiLSTM网络的参数Θ_S3 ^*、全连接层的参数Θ_S4 ^*；

将加权平均用户的住宅神经网络模型参数赋值给公共负荷神经网络模型参数Θ_S；

作为优选，步骤6所述直至加权平均用户的住宅负荷神经网络模型参数收敛，判定条件为：

|Θ_S ^*-Θ_S|＜ε；

其中，Θ_S公共负荷神经网络模型参数，Θ_S ^*为加权平均用户的住宅负荷神经网络模型参数，ε为设定的阈值；

与现有技术相比，本发明具有如下优点：

本发明中住宅数据在模型训练中不移动，在住宅本地的计算终端进行训练，只对模型服务器上传模型参数，有效保护了用户隐私。多终端协同计算模型的架构使得本文方法具有可扩展性，即面对数据增长以及设备增加的情况，模型依旧能在原有模型基础上进行更新。

本发明中对收敛的模型进行用户适应性调整，只对网络模型中最后两层全连接层参数进行调整，使得模型训练速度加快。通过多核最大均值差异的损失来优化模型，使得模型更适合对特定住宅用户负荷进行预测。

附图说明

图1：是本发明的住宅负荷预测方法流程图；

图2：是本发明的住宅负荷预测方法的网络模型结构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。本实施例主要包括了模型服务器与用户住宅，住宅内主要有智能电表用于采集负荷数据，计算终端用于本地的模型计算，模型服务器与住宅内的计算终端使用全双工通信。

本实施例的系统包括：模型服务器、多个用户计算终端；所述模型服务器与所述多个用户计算终端依次连接；

所述模型服务器选型为Raspberry PI Zero；

所述多个用户计算终端的选型均为Raspberry PI Zero；

本发明方法的实施例为一种考虑用户隐私保护的自适应住宅负荷预测方法，包括以下步骤：

实施方式如图1住宅负荷预测方法流程图所示；

步骤1：获得多个历史时刻的公共负荷数据和多个用户的多个历史时刻的住宅负荷数据，将多个历史时刻的公共负荷数据划分为多个公共负荷训练样本，进一步标记每个公共负荷训练样本的负荷真值，将每个用户的多个历史时刻的住宅负荷数据分为每个用户的多个住宅负荷训练样本，进一步标记每个用户的每个住宅负荷训练样本的负荷真值；

步骤1所述多个公共负荷训练样本，具体定义为：

x_n＝{D_S,(n-1)·L+1,D_S,(n-1)·L+2,…,D_S,n·L}

n∈[1,N]

其中，x_n为第n个公共负荷训练样本，L＝24为训练样本的长度，D_{S,(n-1)·24+j}为第n个公共负荷训练样本中第j个负荷值，即第(n-1)*24+j个历史时刻的公共负荷，其中j∈[1,24]；

步骤1所述每个公共负荷训练样本的负荷真值为：

y_n＝D_S,n·24+1

其中，y_n为第n个公共负荷训练样本的负荷真值；

步骤1所述用户u的M个住宅负荷训练样本，具体定义为：

u∈[1,U]

m∈[1,M]

其中，为第u个用户第m个住宅负荷训练样本，L＝24为训练样本的长度，D_u,j为第u个用户第m个住宅负荷训练样本中第j个负荷值；U表示用户的数量，其中j∈[1,24]；

步骤1所述第u个用户的第m个住宅负荷训练样本的负荷真值为：

其中，为第u个用户第m个住宅负荷训练样本的负荷真值；

步骤2：模型服务器构建公共负荷神经网络模型，将每个公共负荷训练样本输入至公共负荷神经网络模型，预测得到每个公共负荷训练样本的负荷预测值，结合每个公共负荷训练样本的负荷真值构建公共负荷神经网络损失函数模型，进一步通过使用梯度下降法优化得到优化后公共负荷神经网络模型参数，通过优化后公共负荷神经网络模型参数构建优化后公共负荷神经网络模型；

步骤2所述预测得到每个公共负荷训练样本的负荷预测值，具体为：

每个公共负荷训练样本依次通过第一卷积层、池化层、第二卷积层、池化层、展平层、BiLSTM网络后、全连接层处理得到每个公共负荷训练样本的负荷预测值，步骤2所述网络结构如图2所示网络结构；

步骤2所述的公共负荷神经网络损失函数模型为：

其中，Θ_S表示待优化的公共负荷神经网络模型参数，所述待优化的公共负荷神经网络模型参数包括：第一卷积层参数，第二卷积层参数、BiLSTM网络参数、全连接层参数；

步骤2所述公共负荷神经网络损失函数使用均方误差；

其中，y_n是第n个公共负荷训练样本的负荷真值，为第n个公共负荷训练样本的负荷预测值；

步骤3：模型服务器将优化后公共负荷神经网络模型参数以及优化后公共负荷神经网络模型发送给多个用户计算终端。

步骤4：每个用户计算终端将每个用户的每个住宅负荷训练样本输入至优化后公共负荷神经网络模型，预测得到每个用户的每个住宅负荷训练样本的负荷预测值，结合每个用户的每个住宅负荷训练样本的负荷真值构建每个用户的住宅负荷神经网络损失函数模型，进一步通过使用梯度下降法优化得到优化后每个用户的住宅负荷神经网络模型参数，每个用户计算终端将优化后每个用户的住宅负荷神经网络模型参数传输至模型服务器，步骤4所述网络结构如图2所示网络结构；

步骤4所述公共负荷神经网络模型由：

步骤4中第u个用户的负荷神经网络损失函数模型为：

其中，Θ_u表示第u个用户的网络中待优化的参数，包括：第一卷积层的参数Θ_u1，第二卷积层的参数Θ_u2、BiLSTM网络的参数Θ_u3、全连接层的参数Θ_u4；

是第u个用户第m个住宅负荷训练样本的负荷真值，/>是第u个用户第m个住宅负荷训练样本的的负荷预测值；

步骤5：模型服务器对多个用户的住宅负荷神经网络模型参数进行平均处理得到加权平均用户的住宅负荷神经网络模型参数，通过加权平均用户的住宅负荷神经网络模型参数构建模型服务器的公共负荷神经网络模型；

步骤5所述进行平均处理得到加权平均用户的住宅负荷神经网络模型参数，具体为：

其中，Θ_S ^*为加权平均用户的住宅负荷神经网络模型参数，包括第一卷积层的参数Θ_S1 ^*，第二卷积层的参数Θ_S2 ^*、BiLSTM网络的参数Θ_S3 ^*、全连接层的参数Θ_S4 ^*；

将加权平均用户的住宅神经网络模型参数赋值给公共负荷神经网络模型参数Θ_S；

步骤6：重复步骤3至步骤6，直至加权平均用户的住宅负荷神经网络模型参数收敛；通过加权平均用户的住宅负荷神经网络模型的收敛参数构建加权平均用户的住宅负荷神经网络模型；模型服务器将加权平均用户的住宅负荷神经网络模型传输至每个用户计算终端；

步骤6所述直至加权平均用户的住宅负荷神经网络模型参数收敛，判定条件为：

|Θ_S ^*-Θ_S|＜ε；

其中，Θ_S公共负荷神经网络模型参数，Θ_S ^*为加权平均用户的住宅负荷神经网络模型参数，ε为设定的阈值；

步骤7：第m个用户的计算终端利用住宅负荷训练样本对加权平均用户的住宅负荷神经网络模型进行自适应调整：保持加权平均用户的住宅负荷网络模型中第一卷积层的参数、第二卷积层的参数、BiLSTM网络的参数不变，对全连接层参数进行自适应调整，具体为：同时使用公共负荷训练样本和每个用户的住宅负荷训练样本，构建每个用户的住宅负荷神经网络损失函数模型：

其中，Θ_u为第u个用户的网络中待优化的参数，y_n为第n个公共负荷训练样本的负荷真值，为第n个公共负荷训练样本的负荷预测值，/>为第u个用户第m个住宅负荷训练样本的负荷真值，/>是第u个用户第m个住宅负荷训练样本的的负荷预测值，D_S是多个历史时刻的公共负荷数据，D_u是第u个用户的多个历史时刻的住宅负荷数据，η是差异系数，是多核最大均值差异损失；

多核最大均值差异损失计算方法如下：

其中，x_n为第n个公共负荷训练样本，为第u个用户第m个住宅负荷训练样本，φ(·)为映射函数；

映射函数φ(·)使用高斯核的凸组合进行计算，各个核需要满足如下条件：

其中，k_p表示高斯核，表示核函数系数，/>表示高斯核的凸组合；

k_p表示高斯核。映射函数计算方法转换为核函数的计算，如下所示：

φ(x_s)·φ(x_t)＝k(x_s,x_t)

其中，φ(x_s)表示数据x_s经过映射函数φ(·)的映射，φ(x_t)表示数据x_t经过映射函数φ(·)的映射，k(x_s,x_t)表示数据x_s和数据x_t经过高斯核函数k运算后的结果；

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (5)

1.一种考虑用户隐私保护的自适应住宅负荷预测方法，其特征在于，包括以下步骤：

步骤1：获得多个历史时刻的公共负荷数据和多个用户的多个历史时刻的住宅负荷数据，将多个历史时刻的公共负荷数据划分为多个公共负荷训练样本，进一步标记每个公共负荷训练样本的负荷真值，将每个用户的多个历史时刻的住宅负荷数据分为每个用户的多个住宅负荷训练样本，进一步标记每个用户的每个住宅负荷训练样本的负荷真值；

步骤2：模型服务器构建公共负荷神经网络模型，将每个公共负荷训练样本输入至公共负荷神经网络模型，预测得到每个公共负荷训练样本的负荷预测值，结合每个公共负荷训练样本的负荷真值构建公共负荷神经网络损失函数模型，进一步通过使用梯度下降法优化得到优化后公共负荷神经网络模型参数，通过优化后公共负荷神经网络模型参数构建优化后公共负荷神经网络模型；

步骤3：模型服务器将优化后公共负荷神经网络模型参数以及优化后公共负荷神经网络模型发送给多个用户计算终端；

步骤4：每个用户计算终端将每个用户的每个住宅负荷训练样本输入至优化后公共负荷神经网络模型，预测得到每个用户的每个住宅负荷训练样本的负荷预测值，结合每个用户的每个住宅负荷训练样本的负荷真值构建每个用户的住宅负荷神经网络损失函数模型，进一步通过使用梯度下降法优化得到优化后每个用户的住宅负荷神经网络模型参数，每个用户计算终端将优化后每个用户的住宅负荷神经网络模型参数传输至模型服务器；

步骤5：模型服务器对多个用户的住宅负荷神经网络模型参数进行平均处理得到加权平均用户的住宅负荷神经网络模型参数，通过加权平均用户的住宅负荷神经网络模型参数构建模型服务器的公共负荷神经网络模型；

步骤6：重复步骤3至步骤6，直至加权平均用户的住宅负荷神经网络模型参数收敛；通过加权平均用户的住宅负荷神经网络模型的收敛参数构建加权平均用户的住宅负荷神经网络模型；模型服务器将加权平均用户的住宅负荷神经网络模型传输至每个用户计算终端；

步骤7：第m个用户的计算终端利用住宅负荷训练样本对加权平均用户的住宅负荷神经网络模型进行自适应调整：保持加权平均用户的住宅负荷网络模型中第一卷积层的参数、第二卷积层的参数、BiLSTM网络的参数不变，对全连接层参数进行自适应调整，具体为：同时使用公共负荷训练样本和每个用户的住宅负荷训练样本，构建每个用户的住宅负荷神经网络损失函数模型：

其中，Θ_u为第u个用户的网络中待优化的参数，y_n为第n个公共负荷训练样本的负荷真值，为第n个公共负荷训练样本的负荷预测值，/>为第u个用户第m个住宅负荷训练样本的负荷真值，/>是第u个用户第m个住宅负荷训练样本的的负荷预测值，D_S是多个历史时刻的公共负荷数据，D_u是第u个用户的多个历史时刻的住宅负荷数据，η是差异系数，/>是多核最大均值差异损失；多核最大均值差异损失/>计算方法如下：

其中，x_n为第n个公共负荷训练样本，为第u个用户第m个住宅负荷训练样本，φ(·)为映射函数；

映射函数φ(·)使用高斯核的凸组合进行计算，各个核需要满足如下条件：

其中，k_p表示高斯核，表示核函数系数，/>表示高斯核的凸组合；

映射函数计算方法转换为核函数的计算，如下所示：

φ(x_s)·φ(x_t)＝k(x_s,x_t)

其中，φ(x_s)表示数据x_s经过映射函数φ(·)的映射，φ(x_t)表示数据x_t经过映射函数φ(·)的映射，k(x_s,x_t)表示数据x_s和数据x_t经过高斯核函数k运算后的结果。

2.根据权利要求1所述的考虑用户隐私保护的自适应住宅负荷预测方法，其特征在于，步骤1所述多个公共负荷训练样本，具体定义为：

x_n＝{D_S,(n-1)·L+1,D_S,(n-1)·L+2,…,D_S,n·L}

n∈[1,N]

其中，x_n为第n个公共负荷训练样本，L为训练样本的长度，D_S,(n-1)·L+j为第n个公共负荷训练样本中第j个负荷值，即第(n-1)*L+j个历史时刻的公共负荷，其中j∈[1,L]；

步骤1所述每个公共负荷训练样本的负荷真值为：

y_n＝D_S,n·L+1

其中，y_n为第n个公共负荷训练样本的负荷真值；

步骤1所述用户u的M个住宅负荷训练样本，具体定义为：

其中，为第u个用户第m个住宅负荷训练样本，L为训练样本的长度，D_u,j为第u个用户第m个住宅负荷训练样本中第j个负荷值；U表示用户的数量，其中j∈[1,L-1]；

步骤1所述第u个用户的第m个住宅负荷训练样本的负荷真值为：

其中，为第u个用户第m个住宅负荷训练样本的负荷真值。

3.根据权利要求1所述的考虑用户隐私保护的自适应住宅负荷预测方法，其特征在于，步骤2所述预测得到每个公共负荷训练样本的负荷预测值，具体为：

每个公共负荷训练样本依次通过第一卷积层、池化层、第二卷积层、池化层、展平层、BiLSTM网络后、全连接层处理得到每个公共负荷训练样本的负荷预测值；

步骤2所述的公共负荷神经网络损失函数模型为：

其中，Θ_S表示待优化的公共负荷神经网络模型参数，所述待优化的公共负荷神经网络模型参数包括：第一卷积层参数，第二卷积层参数、BiLSTM网络参数、全连接层参数；

步骤2所述公共负荷神经网络损失函数使用均方误差；

其中，y_n是第n个公共负荷训练样本的负荷真值，为第n个公共负荷训练样本的负荷预测值。

4.根据权利要求1所述的考虑用户隐私保护的自适应住宅负荷预测方法，其特征在于，步骤4所述公共负荷神经网络模型由：

步骤4中第u个用户的负荷神经网络损失函数模型为：

其中，Θ_u表示第u个用户的网络中待优化的参数，包括：第一卷积层的参数Θ_u1，第二卷积层的参数Θ_u2、BiLSTM网络的参数Θ_u3、全连接层的参数Θ_u4；

是第u个用户第m个住宅负荷训练样本的负荷真值，/>是第u个用户第m个住宅负荷训练样本的的负荷预测值。

5.根据权利要求1所述的考虑用户隐私保护的自适应住宅负荷预测方法，其特征在于，步骤5所述进行平均处理得到加权平均用户的住宅负荷神经网络模型参数，具体为：

其中，Θ_S ^*为加权平均用户的住宅负荷神经网络模型参数，包括第一卷积层的参数Θ_S1 ^*，第二卷积层的参数Θ_S2 ^*、BiLSTM网络的参数Θ_S3 ^*、全连接层的参数Θ_S4 ^*；

将加权平均用户的住宅神经网络模型参数赋值给公共负荷神经网络模型参数Θ_S；

作为优选，步骤6所述直至加权平均用户的住宅负荷神经网络模型参数收敛，判定条件为：

|Θ_S ^*-Θ_S|＜ε；

其中，Θ_S公共负荷神经网络模型参数，Θ_S ^*为加权平均用户的住宅负荷神经网络模型参数，ε为设定的阈值。