CN117036101A - 基于联邦学习的虚拟电厂居民需求响应预测方法及系统 - Google Patents

基于联邦学习的虚拟电厂居民需求响应预测方法及系统 Download PDF

Info

Publication number
CN117036101A
CN117036101A CN202311051232.5A CN202311051232A CN117036101A CN 117036101 A CN117036101 A CN 117036101A CN 202311051232 A CN202311051232 A CN 202311051232A CN 117036101 A CN117036101 A CN 117036101A
Authority
CN
China
Prior art keywords
demand response
load
data
response
flexibility
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202311051232.5A
Other languages
English (en)
Inventor
黄蔚亮
王斐
史云鹏
李扬
蔡莹
曾顺奇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN202311051232.5A priority Critical patent/CN117036101A/zh
Publication of CN117036101A publication Critical patent/CN117036101A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/098—Distributed learning, e.g. federated learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Public Health (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于联邦学习的虚拟电厂居民需求响应预测方法及系统，涉及电力系统自动化技术领域，包括以下步骤：接收需求响应日响应时段的实际负荷与需求响应日响应时段的基线负荷，将需求响应日响应时段的实际负荷与需求响应日响应时段的基线负荷作差值，得到需求响应灵活性；接收居民用电负荷数据和问卷调查数据，对居民用电负荷数据和问卷调查数据进行预处理，得到用电有效特征数据；将需求响应灵活性与用电有效特征数据进行特征融合得到需求响应数据；将需求响应数据输入至预先建立的居民灵活性预测模型内进行训练，得到预测结果。

Description

基于联邦学习的虚拟电厂居民需求响应预测方法及系统
技术领域
本发明涉及电力系统自动化技术领域，具体的是基于联邦学习的虚拟电厂居民需求响应预测方法及系统。
背景技术
虚拟电厂需要对其聚合的储能、光伏、风电等多种灵活资源进行日前预测，将预测结果作为响应能力上报电力市场交易及调度中心便于后续出清调度操作。然而，多种灵活资源例如风电、居民负荷等难以建立解析的模型得到其日前出力；对于每一个单独的用户侧资源独立构建数据驱动模型，需要获取单个用户的完整数据信息，并不能进行有效的隐私保护；同时，同一地区的灵活资源具有相似数据分布的数据资源，需要充分利用数据。数据驱动的需求响应潜力评估技术，对于负荷聚合商进行投标竞价、电网运营商的调度决策具有重大意义；同时，电力用户愈发重视隐私保护以及数据价值重要性。
发明内容
为解决上述背景技术中提到的不足，本发明的目的在于提供基于联邦学习的虚拟电厂居民需求响应预测方法及系统。
本发明的目的可以通过以下技术方案实现：基于联邦学习的虚拟电厂居民需求响应预测方法，方法包括以下步骤：
接收需求响应日响应时段的实际负荷与需求响应日响应时段的基线负荷，将需求响应日响应时段的实际负荷与需求响应日响应时段的基线负荷作差值，得到需求响应灵活性；
接收居民用电负荷数据和问卷调查数据，对居民用电负荷数据和问卷调查数据进行预处理，得到用电有效特征数据；
将需求响应灵活性与用电有效特征数据进行特征融合得到需求响应数据；
将需求响应数据输入至预先建立的居民灵活性预测模型内进行训练，得到预测结果。
优选地，所述需求响应日响应时段的基线负荷的计算公式如下：
其中，为用户n在需求响应t时刻的基线负荷值，N为相似日的数量，/>为用户n在第i个相似日t时刻的负荷值。
优选地，所述需求响应灵活性的计算公式如下：
其中，为用户n在需求响应t时刻的基线负荷值，/>为用户n在需求响应t时刻的实际负荷值，/>为用户n在需求响应t时刻的需求响应灵活性。
优选地，所述居民用电负荷数据包括负荷率、最高利用小时率、日峰谷差率、最大负荷出现时间、最小负荷出现时间、峰期负载率、平期负载率和谷期负载率；所述问卷调查数据的特征包括：住房类型、房屋面积、家庭成员数量、主要经济来源者职业、受教育程度、收入水平、大功率电器数量、生活用水加热方式、愿意参与需求响应。
优选地，所述居民用电负荷数据和问卷调查数据进行预处理的过程包括对数据进行缺失值填补以及高斯平滑处理。
优选地，所述居民灵活性预测模型的模型参数为LSTNet各层神经元的权重系数与偏置，对模型参数进行本地训练达到设置的训练批次后，响应用户上传本地参数到电网运营商；电网运营商设置中央服务器端收集各客户端的训练参数，使用FedAvg算法对本地模型的参数进行聚合形成全局模型并将模型参数发放给各本地客户端，用户根据发放的全局模型参数更新本地模型后继续训练，重复此过程达到设置的通信轮次，最终得到预测结果。
优选地，所述电网运营商进行联邦训练的过程如下：
电网运营商的中央服务器将初始化后的模型参数发给所有负荷聚合商，负荷聚合商接收到模型参数后，在本地基于梯度下降算法训练LSTNet模型，在第t轮交互中，第k个负荷聚合商更新：
客户端将模型参数发给位于电网运营商的中央服务器，中央服务器在收集到所有负荷聚合商更新后的模型参数后，对模型参数做聚合处理生成全局参数
其中，ωt为第t个客户端的全局参数，nk为响应用户k的样本数量，n为所有响应用户的样本总数；
中央服务器将全局参数ωt发送给所有负荷聚合商，负荷聚合商基于全局参数更新本地参数；
继续训练直至完成第T次交互。
优选地，所述居民灵活性预测模型的输入n个需求响应数据，其中xi为第i个用户包含的K维用户特征变量x(i)＝{L1,L2,...,SK-1,SK}，输出预测值为Y＝f(L1,L2,...,SK-1,SK)。
优选地，所述LSTNet由卷积层、循环层和循环-跳跃层、全连接层和自回归层组成，卷积层的输出同时输入到循环层和循环-跳跃层，循环层和循环-跳跃层的输出输入至全连接层得到全连接层的输出，所述自回归层负责提供线性分量，将全连接层的输出与自回归层的线性分量相叠加得到预测结果。
第二方面，为了达到上述目的，本发明公开了基于联邦学习的虚拟电厂居民需求响应预测系统，包括：
灵活性模块：用于接收需求响应日响应时段的实际负荷与需求响应日响应时段的基线负荷，将需求响应日响应时段的实际负荷与需求响应日响应时段的基线负荷作差值，得到需求响应灵活性；
预处理模块：用于接收居民用电负荷数据和问卷调查数据，对居民用电负荷数据和问卷调查数据进行预处理，得到用电有效特征数据；
结合模块：用于将需求响应灵活性与用电有效特征数据进行特征融合得到需求响应数据；
预测模块：用于将需求响应数据输入至预先建立的居民灵活性预测模型内进行训练，得到预测结果。
本发明的有益效果：
本发明在联邦学习算法框架在隐私保护前提下实现基于联邦学习的虚拟电厂居民需求响应灵活性多源异构数据预测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图；
图1是本发明方法流程示意图；
图2是本发明居民用户需求响应预测结果示意图；
图3是本发明系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
如图1所示，基于联邦学习的虚拟电厂居民需求响应预测方法，方法包括以下步骤：
接收需求响应日响应时段的实际负荷与需求响应日响应时段的基线负荷，将需求响应日响应时段的实际负荷与需求响应日响应时段的基线负荷作差值，得到需求响应灵活性；
需要进行说明的是，在本实施例中，所述需求响应日响应时段的基线负荷的计算公式如下：
其中，为用户n在需求响应t时刻的基线负荷值，N为相似日的数量，/>为用户n在第i个相似日t时刻的负荷值。
所述需求响应灵活性的计算公式如下：
其中，为用户n在需求响应t时刻的基线负荷值，/>为用户n在需求响应t时刻的实际负荷值，/>为用户n在需求响应t时刻的需求响应灵活性。
接收居民用电负荷数据和问卷调查数据，对居民用电负荷数据和问卷调查数据进行预处理，得到用电有效特征数据；
在具体实施过程中，所述居民用电负荷数据包括负荷率、最高利用小时率、日峰谷差率、最大负荷出现时间、最小负荷出现时间、峰期负载率、平期负载率和谷期负载率；所述问卷调查数据的特征包括：住房类型、房屋面积、家庭成员数量、主要经济来源者职业、受教育程度、收入水平、大功率电器数量、生活用水加热方式、愿意参与需求响应。
所述居民用电负荷数据和问卷调查数据进行预处理的过程包括对数据进行缺失值填补以及高斯平滑处理。
将需求响应灵活性与用电有效特征数据进行特征融合得到需求响应数据；
将需求响应数据输入至预先建立的居民灵活性预测模型内进行训练，得到预测结果。
需要进行说明的是，所述居民灵活性预测模型的模型参数为LSTNet各层神经元的权重系数与偏置，对模型参数进行本地训练达到设置的训练批次后，响应用户上传本地参数到电网运营商；电网运营商设置中央服务器端收集各客户端的训练参数，使用FedAvg算法对本地模型的参数进行聚合形成全局模型并将模型参数发放给各本地客户端，用户根据发放的全局模型参数更新本地模型后继续训练，重复此过程达到设置的通信轮次，最终得到预测结果。
所述电网运营商进行联邦训练的过程如下：
电网运营商的中央服务器将初始化后的模型参数发给所有负荷聚合商，负荷聚合商接收到模型参数后，在本地基于梯度下降算法训练LSTNet模型，在第t轮交互中，第k个负荷聚合商更新：
客户端将模型参数发给位于电网运营商的中央服务器，中央服务器在收集到所有负荷聚合商更新后的模型参数后，对模型参数做聚合处理生成全局参数
其中，ωt为第t个客户端的全局参数，nk为响应用户k的样本数量，n为所有响应用户的样本总数；
中央服务器将全局参数ωt发送给所有负荷聚合商，负荷聚合商基于全局参数更新本地参数；
继续训练直至完成第T次交互。
所述居民灵活性预测模型的输入n个需求响应数据，其中xi为第i个用户包含的K维用户特征变量x(i)＝{L1,L2,...,SK-1,SK}，输出预测值为Y＝f(L1,L2,...,SK-1,SK)。LSTNet由卷积层、循环层和循环-跳跃层、全连接层和自回归层三部分组成卷积层：
卷积层设置有m个大小为n的卷积核，其中，m为卷积核的宽度，n为特征数。第个卷积核扫描输入序列后输出长度为T的hk向量。
hk＝RELU(Wk*X+bk)
其中，*为卷积运算，Wk和bk分别为权重系数和偏置。卷积层的输出矩阵由dc个hk向量组成，大小为(dc,T)，对应的权重系数和偏置分别为WC和bC。
循环层和循环-跳跃层：
卷积层的输出同时输入到循环层和循环-跳跃层。循环层为GRU模型，GRU的单元结构由更新门和激活函数为：
rt＝σ(Wr[ht-1,xt]+br)
zt＝σ(Wz[ht-1,xt]+bz)
ct＝RELU(Wc[rt*ht-1,xt]+bc)
ht＝(1-zt)*ht-1+zt*ct
其中，rt、zt和ct分别为t时刻的重置门系数、更新门系数和候选隐藏层系数；Wr、Wz和Wc分别为重置门、更新门和候选隐藏层的权重系数；br、bz和bc分别为重置门、更新门和候选隐藏层的偏置；ht-1和ht分别为t-1时刻和t时刻循环层的输出值。
全连接层和自回归层
全连接层接收循环层和循环-跳跃层的输出
其中，为t时刻全连接层的输出值，/>为t时刻循环-跳跃层的输出值，WR和Wi S分别为t时刻循环层和i时刻循环-跳跃层的权重系数，bD为全连接层的偏置。
自回归层负责提供线性分量，如下式所示：
其中，为自回归层的输出，qar为作用在输入序列上的输入窗口的大小，War和bar分别为自回归层的权重系数和偏置。
最终输出的预测结果为神经网络的输出和自回归层的线性分量的叠加。
在另一方面，如图3所示，本发明还提供了基于联邦学习的虚拟电厂居民需求响应预测系统，包括：
灵活性模块：用于接收需求响应日响应时段的实际负荷与需求响应日响应时段的基线负荷，将需求响应日响应时段的实际负荷与需求响应日响应时段的基线负荷作差值，得到需求响应灵活性；
预处理模块：用于接收居民用电负荷数据和问卷调查数据，对居民用电负荷数据和问卷调查数据进行预处理，得到用电有效特征数据；
结合模块：用于将需求响应灵活性与用电有效特征数据进行特征融合得到需求响应数据；
预测模块：用于将需求响应数据输入至预先建立的居民灵活性预测模型内进行训练，得到预测结果。
基于同一种发明构思，本发明还提供一种计算机设备，该计算机设备包括包括：一个或多个处理器，以及存储器，用于存储一个或多个计算机程序；程序包括程序指令，处理器用于执行存储器存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其用于实现一条或一条以上指令，具体用于加载并执行计算机存储介质内一条或一条以上指令从而实现上述方法。
需要进一步进行说明的是，基于同一种发明构思，本发明还提供一种计算机存储介质，该存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述方法。该存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电、磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本公开的基本原理、主要特征和本公开的优点。本行业的技术人员应该了解，本公开不受上述实施例的限制，上述实施例和说明书中描述的只是说明本公开的原理，在不脱离本公开精神和范围的前提下，本公开还会有各种变化和改进，这些变化和改进都落入要求保护的本公开范围内容。

Claims (10)

1.基于联邦学习的虚拟电厂居民需求响应预测方法，其特征在于，方法包括以下步骤：
接收需求响应日响应时段的实际负荷与需求响应日响应时段的基线负荷，将需求响应日响应时段的实际负荷与需求响应日响应时段的基线负荷作差值，得到需求响应灵活性；
接收居民用电负荷数据和问卷调查数据，对居民用电负荷数据和问卷调查数据进行预处理，得到用电有效特征数据；
将需求响应灵活性与用电有效特征数据进行特征融合得到需求响应数据；
将需求响应数据输入至预先建立的居民灵活性预测模型内进行训练，得到预测结果。
2.根据权利要求1所述的基于联邦学习的虚拟电厂居民需求响应预测方法，其特征在于，所述需求响应日响应时段的基线负荷的计算公式如下：
其中，为用户n在需求响应t时刻的基线负荷值，N为相似日的数量，/>为用户n在第i个相似日t时刻的负荷值。
3.根据权利要求1所述的基于联邦学习的虚拟电厂居民需求响应预测方法，其特征在于，所述需求响应灵活性的计算公式如下：
其中，为用户n在需求响应t时刻的基线负荷值，/>为用户n在需求响应t时刻的实际负荷值，/>为用户n在需求响应t时刻的需求响应灵活性。
4.根据权利要求1所述的基于联邦学习的虚拟电厂居民需求响应预测方法，其特征在于，所述居民用电负荷数据包括负荷率、最高利用小时率、日峰谷差率、最大负荷出现时间、最小负荷出现时间、峰期负载率、平期负载率和谷期负载率；所述问卷调查数据的特征包括：住房类型、房屋面积、家庭成员数量、主要经济来源者职业、受教育程度、收入水平、大功率电器数量、生活用水加热方式、愿意参与需求响应。
5.根据权利要求4所述的基于联邦学习的虚拟电厂居民需求响应预测方法，其特征在于，所述居民用电负荷数据和问卷调查数据进行预处理的过程包括对数据进行缺失值填补以及高斯平滑处理。
6.根据权利要求1所述的基于联邦学习的虚拟电厂居民需求响应预测方法，其特征在于，所述居民灵活性预测模型的模型参数为LSTNet各层神经元的权重系数与偏置，对模型参数进行本地训练达到设置的训练批次后，响应用户上传本地参数到电网运营商；电网运营商设置中央服务器端收集各客户端的训练参数，使用FedAvg算法对本地模型的参数进行聚合形成全局模型并将模型参数发放给各本地客户端，用户根据发放的全局模型参数更新本地模型后继续训练，重复此过程达到设置的通信轮次，最终得到预测结果。
7.根据权利要求6所述的基于联邦学习的虚拟电厂居民需求响应预测方法，其特征在于，所述电网运营商进行联邦训练的过程如下：
电网运营商的中央服务器将初始化后的模型参数发给所有负荷聚合商，负荷聚合商接收到模型参数后，在本地基于梯度下降算法训练LSTNet模型，在第t轮交互中，第k个负荷聚合商更新：
客户端将模型参数发给位于电网运营商的中央服务器，中央服务器在收集到所有负荷聚合商更新后的模型参数后，对模型参数做聚合处理生成全局参数
其中，ωt为第t个客户端的全局参数，nk为响应用户k的样本数量，n为所有响应用户的样本总数；
中央服务器将全局参数ωt发送给所有负荷聚合商，负荷聚合商基于全局参数更新本地参数；
继续训练直至完成第T次交互。
8.根据权利要求6所述的基于联邦学习的虚拟电厂居民需求响应预测方法，其特征在于，所述居民灵活性预测模型的输入n个需求响应数据，其中xi为第i个用户包含的K维用户特征变量x(i)＝{L1,L2,...,SK-1,SK}，输出预测值为Y＝f(L1,L2,...,SK-1,SK)。
9.根据权利要求7所述的基于联邦学习的虚拟电厂居民需求响应预测方法，其特征在于，所述LSTNet由卷积层、循环层和循环-跳跃层、全连接层和自回归层组成，卷积层的输出同时输入到循环层和循环-跳跃层，循环层和循环-跳跃层的输出输入至全连接层得到全连接层的输出，所述自回归层负责提供线性分量，将全连接层的输出与自回归层的线性分量相叠加得到预测结果。
10.基于联邦学习的虚拟电厂居民需求响应预测系统，其特征在于，包括：
灵活性模块：用于接收需求响应日响应时段的实际负荷与需求响应日响应时段的基线负荷，将需求响应日响应时段的实际负荷与需求响应日响应时段的基线负荷作差值，得到需求响应灵活性；
预处理模块：用于接收居民用电负荷数据和问卷调查数据，对居民用电负荷数据和问卷调查数据进行预处理，得到用电有效特征数据；
结合模块：用于将需求响应灵活性与用电有效特征数据进行特征融合得到需求响应数据；
预测模块：用于将需求响应数据输入至预先建立的居民灵活性预测模型内进行训练，得到预测结果。
CN202311051232.5A 2023-08-21 2023-08-21 基于联邦学习的虚拟电厂居民需求响应预测方法及系统 Pending CN117036101A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311051232.5A CN117036101A (zh) 2023-08-21 2023-08-21 基于联邦学习的虚拟电厂居民需求响应预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311051232.5A CN117036101A (zh) 2023-08-21 2023-08-21 基于联邦学习的虚拟电厂居民需求响应预测方法及系统

Publications (1)

Publication Number Publication Date
CN117036101A true CN117036101A (zh) 2023-11-10

Family

ID=88626121

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311051232.5A Pending CN117036101A (zh) 2023-08-21 2023-08-21 基于联邦学习的虚拟电厂居民需求响应预测方法及系统

Country Status (1)

Country Link
CN (1) CN117036101A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117674303A (zh) * 2024-02-02 2024-03-08 华北电力大学 一种基于数据价值阈值的虚拟电厂并行控制方法
CN118677031A (zh) * 2024-08-22 2024-09-20 陕西思极科技有限公司 一种基于联邦学习的虚拟电厂资源调度方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117674303A (zh) * 2024-02-02 2024-03-08 华北电力大学 一种基于数据价值阈值的虚拟电厂并行控制方法
CN117674303B (zh) * 2024-02-02 2024-05-14 华北电力大学 一种基于数据价值阈值的虚拟电厂并行控制方法
CN118677031A (zh) * 2024-08-22 2024-09-20 陕西思极科技有限公司 一种基于联邦学习的虚拟电厂资源调度方法

Similar Documents

Publication Publication Date Title
Li et al. A hybrid deep learning model for short-term PV power forecasting
Wang et al. Deep learning method based on gated recurrent unit and variational mode decomposition for short-term wind power interval prediction
Yan et al. Frequency-domain decomposition and deep learning based solar PV power ultra-short-term forecasting model
Hao et al. A novel two-stage forecasting model based on error factor and ensemble method for multi-step wind power forecasting
Yang et al. Intelligent data-driven decision-making method for dynamic multisequence: An E-seq2seq-based SCUC expert system
Raza et al. An ensemble framework for day-ahead forecast of PV output power in smart grids
Qu et al. A temporal distributed hybrid deep learning model for day-ahead distributed PV power forecasting
Wu et al. Multi-timescale forecast of solar irradiance based on multi-task learning and echo state network approaches
CN117036101A (zh) 基于联邦学习的虚拟电厂居民需求响应预测方法及系统
CN108429256B (zh) 电力系统运行优化方法及终端设备
Toubeau et al. Capturing spatio-temporal dependencies in the probabilistic forecasting of distribution locational marginal prices
CN117131974A (zh) 一种模型的训练方法、功率预测方法及设备
Islam et al. LSTM-based electrical load forecasting for Chattogram city of Bangladesh
He et al. Probabilistic solar irradiance forecasting via a deep learning‐based hybrid approach
Li et al. A hybrid deep interval prediction model for wind speed forecasting
CN113962491A (zh) 基于季节分解的短期冷热电负荷联合预测方法及装置
CN113449904A (zh) 多能负荷预测方法、装置及设备
Mukherjee et al. Solar irradiance prediction from historical trends using deep neural networks
CN116826699A (zh) 光伏集群功率预测方法、装置、设备及介质
Subbiah et al. A review of short term load forecasting using deep learning
Mohanty et al. Artificial intelligence based forecasting & optimization of solar cell model
Li et al. Deep learning model for short-term photovoltaic power forecasting based on variational mode decomposition and similar day clustering
Arshad et al. Wind power prediction using genetic programming based ensemble of artificial neural networks (GPeANN)
CN116365512A (zh) 基于特征选择和组合预测模型的母线负荷短期预测方法
CN116109018A (zh) 一种光伏电站功率预测方法、装置及相关设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination