一种配电网分层负荷预测方法

技术领域

本发明属于配电网技术领域，尤其涉及一种配电网分层负荷预测方法。

背景技术

随着新型有源配电网的发展，分布式新能源、电动汽车、储能蓄能设备在配电台区中开始出现。与传统负荷相比，新型负荷的波动性更强，改变了传统配电网中的负荷特性，给配电网规划带来了新的机遇与挑战。为了增强配电网自身的可靠性，保证配电网实时功率的平衡，需要进行有效的负荷预测。

负荷预测是保证电网系统稳定运行的基础性工作，本质是通过探索负荷随时间的变化规律，并将其模型化，进而对未来负荷变化进行预测。负荷预测方法已经有数十年的研究，主要方法包括经典预测方法和机器学习方法。经典预测方法主要包括回归分析、时间序列、法尔曼滤波等。这类方法的数学原理与统计学相关，但对负荷与影响因素的非线性关系难以准确表示。机器学习技术在近年来取得了长足的发展，因此目前针对负荷预测的研究主要集中在机器学习方法上。

针对配电网的层级结构，往往需要在不同层级都需要进行负荷预测，构建多级负荷预测模型。但是遇到的问题是分层模型需要满足聚合一致性，即下层负荷预测值之和应与上层节点预测值相同。而偏差的叠加性导致聚合一致性难以通过传统方式实现。联邦学习是一种具有本地数据隐私保护的分布式机器学习，它允许训练数据在不出本地的情况下通过参数交换的方式构建全局模型。然而，现有研究大部分依赖于参数服务器协同完成全局模型更新，存在单点失效、性能瓶颈、隐私泄露、模型不可信等问题。为保证模型可信性，利用区块链的技术特性构建了不依赖于参数服务器的可信联邦学习。

因此，现阶段新型电力系统负荷预测的研究重点是如何通过分布式联邦训练，打破数据孤岛并解决分布式优化问题，并利用分布式账本进行模型参数信息的存储，解决信任问题。因此，该研究内容具有重要的研究价值。

现有技术中包括：

技术方案1：专利号为CN113657668A的《基于LSTM网络的电力负荷预测方法及系统》专利，公开了基于LSTM神经网络的电力负荷预测方法及系统，应用于电力负荷预测技术领域，包括以下步骤：获取数据步骤、数据预处理步骤、数据划分步骤、LSTM神经网络参数优化步骤、LSTM神经网络训练步骤、电力负荷预测步骤。该发明引入环境影响因素，综合分析和预测，提高预测结果准确性；采用遗传算法优化LSTM神经网络模型参数组合，在参数空间快速找到最优参数组合；采用遗传算法和LSTM神经网络模型预测交通流，模型具有长期数据记忆的优势，提高预测精准度；模型计算量少，表现出更好的预测性能。该申请采用遗传算法和LSTM神经网络模型，表现出了较好的预测性能，但局限于单一电力系统，无法对多个电力系统进行统一调度处理。

技术方案2：专利号为CN111698322A的《基于联盟链和联邦学习的数据管理方法、装置及设备》该专利提供了一种基于联盟链和联邦学习的数据管理方法、装置及设备，方法包括，接收数据需求方发送的数据请求指令；调用智能合约将数据请求指令共享至联盟链上；在联盟链上，检索与请求数据类别相关联的数据相关节点，每个数据相关节点均包括有与请求数据类别相关联的本地数据集；基于联邦机器学习，对本地数据集进行训练，得到全局模型；根据全局模型和需求方标识输出目标数据至数据需求方，使得获得的目标数据不单单由某一节点所提供，而且基于联邦机器学习模型，使得能够将不同数据相关节点的相关数据进行融合发送至数据需求方，使得在获取到完整的目标数据的同时，还有效地保证了目标数据的准确度，提高了目标数据与需求数据的匹配度。该技术提出了联盟链与联邦学习结合的应用方法，但对具体场景研究不足。

技术方案3：专利号为CN114462683A的《基于联邦学习的云边协同多居民区负荷预测方法》该专利采用云边协同技术，通过同态加密技术实现云端服务器与分布于各居民区的计算客户端之间的负荷预测模型参数传输，达到降低通信成本与保护居民数据隐私的目的；通过采用统一的全局模型而非各异的局部模型对居民区进行负荷预测，避免了居民区由于数据数量少或计算能力不够导致的负荷预测结果不佳的问题。该发明使用与负荷相关性高的气象数据作为模型特征参与模型训练，合理运用不同计算客户端之间的数据量差异，提升了训练精度和效率。将居民区的用户数据留在本地，只传输模型参数，显著降低了通信耗时与通信所需带宽，提高模型效率与经济性。该方法能够保护居民区数据隐私，但对配电台区分层特性研究存在一定的不足之处。

发明内容

针对上述现有技术中存在的不足之处，本发明提供了一种基于可信联邦学习的配电网分层负荷预测方法。其目的是为了提出一种配电网负荷预测架构，利用分布式账本进行模型参数信息的存储，解决信任问题；提出分层优化模型，将分层预测问题转化为分布式优化问题；并且提出一种结合基于排序的ADMM算法的联邦学习方法，通过分布式联邦训练，打破数据孤岛并解决分布式优化问题的发明目的。

本发明为实现上述目的所采用的技术方案是：

一种基于可信联邦学习的配电网分层负荷预测方法，包括：

构建配电网负荷预测架构；

在所述配电网负荷预测架构中引入区块链，以实现对模型参数信息的存储和信任；

在所述配电网负荷预测架构中，针对配电网的层级结构，构建多级负荷预测模型；

基于多级负荷预测模型，结合基于排序的ADMM方法的联邦学习方法，通过分布式联邦训练，打破数据孤岛并进行分布式优化。

更进一步的，所述构建配电网负荷预测架构，包括配电台区、边缘计算节点、聚合中心和DLT平台；其中：

负荷净值的概念：

y

其中，y

配电台区层共有n个节点，其中

n个配电台区可以构建n个负荷预测模型，总体负荷预测目标函数表示为：

其中，

更进一步的，所述在配电网负荷预测架构中，针对配电网的层级结构，构建多级负荷预测模型；包括：

将配电台区负荷预测结果聚合，得到次级变电站层约束条件：

···

其中，

将次级变电站层负荷预测结果聚合，得到高压变电站层约束条件：

其中，

将分层负荷预测问题表示为共m+1个约束条件的分布式优化问题，对于式(1)、式(2)、式(3)中所表示的分布式优化，采用ADMM算法进行求解，提出了基于排序的ADMM算法，在求得满足式(1)中模型最小化的参数θ的同时，减少节点间的通信次数；

考虑一个基础无向图

为了求解式(1)，对于每一轮迭代k，节点m会向邻接节点广播本地参数

上式中，

本地对偶变量

当第k轮迭代开始时，每个节点m会计算初始本地参数

其中，α为步长，N

上式中，τ表示取一个尽量小的正数，c

广播完毕后，节点m更新自身状态参数

上式中：

更进一步的，所述在配电网负荷预测架构中引入区块链，包括：

各节点将自身信息注册在区块链上，完成注册流程，其他节点通过授权和访问机制实现对中间参数的上传与下载；

当本地节点计算得到状态参数与对偶变量后，以交易的形式存储在各区块链节点；

将存储的交易打包进区块，形成一个区块链上的新区块，运行共识机制，将区块广播至各节点，认证通过后加入至链上。

更进一步的，所述在配电网负荷预测架构中引入区块链，以实现对模型参数信息的存储和信任，是在区块链中引入差分隐私技术，将随机噪声添加到参数中，实现区块链中的隐私保护；

定义1：(ε,δ)-差分隐私，对于两个相邻数据集D和D'，给定一种随机化算法F作用于D和D'，有：

Pr[F(D)∈S]≤e

其中，S表示F所有可能的输出结果集合，ε表示差分隐私预算，差分隐私预算越小说明隐私保护性越好，但精度损失越大；

定义2：敏感度，对任意查询函数f:D→R

其中，两个相邻数据集为D和D'，||·||

定义3：高斯机制，通过向函数f的输出添加高斯噪声来提供(ε,δ)-差分隐私保护；

A(D)＝f(D)+N(0,(Δfσ)

其中，N(0,(Δfσ)

所述差分隐私的训练流程，包括：

输入：参与节点数量N，本地训练轮数L；

输出：本地更新后参数

1：在云端服务器利用D

2：FOR round＝1,2,…,r DO；

3:FOR n＝1,2,…,N DO；

4:FOR l＝1,2,…,L DO；

5:训练本地参数

6:进行梯度裁剪

7:END FOR；

8:添加噪声，生成加噪参数

9:END FOR；

10:

11:END。

更进一步的，所述基于多级负荷预测模型，结合基于排序的ADMM方法的联邦学习方法，通过分布式联邦训练，打破数据孤岛并进行分布式优化，包括：

LSTM采用门结构来加强各个神经元之间的信息传递，包括输入门、输出门、遗忘门三个门结构，分别负责控制细胞的输入、输出和历史依赖，实现对负荷数据的负荷预测；

LSTM的实现过程如下：

f

i

o

h

上述各式中，f

式(3-1)控制当前神经元在上一神经元所遗忘的信息，由遗忘门的Sigmoid层实现；通过读取前一神经元的输出h

式(3-2)与(3-3)共同控制神经元的输入；式(3-2)由输入门的sigmoid层实现；输入门读取前一神经元的输出h

式(3-6)得到的是最终输出；通过计算得到上一神经元留存的信息以及该神经元的信息后，输出门的sigmoid层会得出最终输出；神经元状态c

更进一步的，所述基于排序的ADMM方法，包括以下步骤：

步骤1.各节点本地搭建LSTM模型，并进行独立预训练，使本地模型达到准确度比较高的初始状态，减少联邦学习迭代次数；

步骤2.利用联邦学习架构，采用梯度下降法，按照ADMM迭代的方式交替训练模型，在联邦学习架构下对本地模型进行训练，采用构造好的本地参数与对偶变量计算式来更新参数；

步骤3.不断迭代各节点模型参数，最终得到相应节点的负荷预测结果以及各个层级的聚合一致性，保存参数并结束训练；

步骤4.将得到的下层负荷预测结果逐级聚合至上层，得到全部节点预测结果。

一种基于可信联邦学习的配电网分层负荷预测装置，包括：

构建模块，用于构建配电网负荷预测架构；

引入区块链模块，用于在配电网负荷预测架构中引入区块链，以实现对模型参数信息的存储和信任；

构建多级负荷预测模块，用于在配电网负荷预测架构中，针对配电网的层级结构，构建多级负荷预测模型；

分布式优化模块，用于基于多级负荷预测模型，结合基于排序的ADMM方法的联邦学习方法，通过分布式联邦训练，打破数据孤岛并进行分布式优化。

一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现任一所述的一种基于可信联邦学习的配电网分层负荷预测方法及装置的步骤。

一种计算机存储介质，所述计算机存储介质上存有计算机程序，所述计算机程序被处理器执行时实现任一所述的一种基于可信联邦学习的配电网分层负荷预测方法及装置的步骤。

本发明具有以下有益效果及优点：

本发明提出了一种配电网分层负荷预测方法，基于可信联邦学习，还设计了一种配电网负荷预测架构，通过引入分布式账本即区块链实现对模型参数信息的存储，解决了信任问题。

本发明针对配电网的层级结构，构建多级负荷预测模型，将分层预测问题转化为分布式优化问题。

本发明还提出一种结合基于排序的ADMM算法的联邦学习方法，通过分布式联邦训练，打破数据孤岛并解决分布式优化问题。与现有传统方法相比，本发明方法能够有效的提高预测精准度，使工作效率得到显著的提高。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明基于可信联邦学习的配电网负荷预测架构图；

图2是本发明配电网多层负荷预测架构图；

图3是本发明LSTM神经网络图；

图4是本发明基于ADMM的负荷预测协同联邦学习算法训练流程图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面将结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

下面参照图1-图4描述本发明一些实施例的技术方案。

实施例1

本发明提供了一个实施例，是一种配电网分层负荷预测方法，如图1所示，图1是本发明基于可信联邦学习的配电网负荷预测架构图。在图1中，模型主要包括配电台区、边缘计算节点、聚合中心、DLT平台等几个模块。配电台区是负荷数据的主体，在底层配电台区产生的负荷数据在边缘计算节点处存储、计算，聚合节点是顶层负责管理若干配电台区的具有计算能力的管理中心。负荷数据的聚合基于分布式账本(DLT,Distributed LedgerTechnology)平台进行，并且可以随时查看存储于DLT平台的节点数据信息，确保聚合过程的可信性。

现代配电台区新的元素不断涌现，电动汽车、用户侧电源等新的设备不断涌现，改变了配电台区中负荷特性。考虑一个现代配电台区场景，由于用户侧电源的存在，需要对用电端、发电端分别构建模型进行预测，但这种方式会耗费较多的时间与计算资源。为了简化计算过程，提出负荷净值的概念：

y

其中，y

考虑一个具有管理中心的多台区网格，如何提高具有多个对象的负荷预测准确度是一个有待研究的问题。配电网中，不同电压层级具有层级化结构的特征。对于层级化结构，需要在各个层级分别进行负荷预测研究，以形成完整的层级负荷预测结构。对于分层预测问题，可以将其看作以总误差最小为目标的分布式优化问题。

如图2所示，图2是本发明配电网多层负荷预测架构图，图中配电台区层共有n个节点，其中

综合上述分析，n个配电台区可以构建n个负荷预测模型，总体负荷预测目标函数可表示为：

其中，

将配电台区负荷预测结果聚合时，可以得到次级变电站层约束条件：

···

其中，

将次级变电站层负荷预测结果聚合时，可以得到高压变电站层约束条件：

其中，

由此，本节将分层负荷预测问题表示为共m+1个约束条件的分布式优化问题。对于式(1)、式(2)、式(3)中所表示的分布式优化问题，本发明采用ADMM算法进行求解。ADMM即alternating direction method of multipliers交替方向乘子法。在处理分布式优化问题时，ADMM算法具有较好的性能，有较好的收敛速度。配电网环境中，对于通信效率较为敏感，提高通信效率的直接方法是加速收敛，减少通信次数，因此本发明提出了基于排序的ADMM算法(sort-based ADMM,SADMM)，在求得满足式(1)中模型最小化的参数θ的同时，减少节点间的通信次数。

考虑一个基础无向图

为了求解式(1)，对于每一轮迭代k，节点m会向邻接节点广播本地参数

上式中，

本地对偶变量

在传统的ADMM算法下，每一轮迭代都需要

其中，α为步长，N

上式中，τ表示取一个尽量小的正数，c

广播完毕后，节点m更新自身状态参数

上式中：

基于以上系统模型，本发明基于分布式账本设计了负荷预测可信联邦学习算法，主要包括参数可信传递、差分隐私、协同联邦学习等方面。

本发明将分布式账本作为中间参数存取平台，整体流程如下：

步骤1.注册流程。各节点将自身信息注册在区块链上。每个节点生成一个唯一标识符(如公钥)，并将其与节点信息关联。已注册的节点可以使用区块链作为分布式存储来上传和下载中间参数。节点将中间参数进行加密并发布到区块链上，其他节点可以通过相应的授权和访问机制获取这些参数。

步骤2.当本地节点完成计算，并得到状态参数和对偶变量时，它可以创建一个交易并将这些结果存储在区块链上。这个交易包含节点标识符、计算结果以及相应的验证信息。该交易会被广播到网络中的其他节点。

步骤3.区块打包和共识机制：交易将被打包进区块，形成一个区块链上的新区块。网络中的节点通过运行共识机制来验证交易和区块的有效性。一旦达成共识，新区块将被广播到其他节点并加入到链上。

分布式账本记录各节点状态参数与对偶变量，并通过智能合约的执行实现联邦学习模型参数的传递，大大降低了传统中心化联邦学习的可信性风险。这种方式可以实现安全可靠的数据处理，但是将这些数据放在公开的分布式账本中，可能会导致出现规避隐私保护机制的问题。因此，本发明引入差分隐私技术，将随机噪声添加到参数中，以此解决分布式账本中的隐私保护问题。

定义1：

(ε,δ)-差分隐私，对于两个相邻数据集D和D'，给定一种随机化算法F作用于D和D'，有：

Pr[F(D)∈S]≤e

其中，S表示F所有可能的输出结果集合，ε表示差分隐私预算，差分隐私预算越小说明隐私保护性越好，但精度损失越大。

定义2：

敏感度，对任意查询函数f:D→R

其中，两个相邻数据集为D和D'，||·||

定义3：

高斯机制，可以通过向函数f的输出添加高斯噪声来提供(ε,δ)-差分隐私保护。

A(D)＝f(D)+N(0,(Δfσ)

其中，N(0,(Δfσ)

算法1：结合差分隐私的训练流程；

输入：参与节点数量N，本地训练轮数L；

输出：本地更新后参数

1：在云端服务器利用D

2：FOR round＝1,2,…,r DO；

3:FOR n＝1,2,…,N DO；

4:FOR l＝1,2,…,L DO；

5:训练本地参数

6:进行梯度裁剪

7:END FOR；

8:添加噪声，生成加噪参数

9:END FOR；

10:

11:END。

为了应对RNN中经常出现的梯度消亡的问题，Hochreiter等基于RNN提出了长短期记忆(long short term memory,LSTM)神经网络。这是一种有效的非线性循环神经网络，可以照顾到数据的时序性以及非线性关系，在负荷预测方面已经崭露头角。为了防止出现和RNN类似的梯度消亡问题，LSTM采用门结构来加强各个神经元之间的信息传递，由输入门、输出门、遗忘门三个门结构组成，分别负责控制细胞的输入、输出和历史依赖，共同作用，实现对负荷数据的负荷预测。

如图3所示，图3是本发明LSTM神经网络图，为了防止出现和RNN类似的梯度消亡问题，通用的LSTM采用门结构来加强各个神经元之间的信息传递，由输入门、输出门、遗忘门三个门结构组成，分别负责控制细胞的输入、输出和历史依赖，共同作用，实现对电力数据的负荷预测。LSTM的具体运算过程如下：

f

i

o

h

上述各式中，f

式(3-1)控制当前神经元在上一神经元所遗忘的信息，由遗忘门的Sigmoid层实现。通过读取前一神经元的输出h

式(3-2)与(3-3)共同控制神经元的输入。式(3-2)由输入门的sigmoid层实现。输入门读取前一神经元的输出h

式(3-6)得到的是最终输出。通过计算得到上一神经元留存的信息以及该神经元的信息后，输出门的sigmoid层会得出最终输出。神经元状态c

实施例2

本发明又提供了一个实施例，是一种配电网分层负荷预测方法。如图3所示，图3是本发明基于ADMM的负荷预测协同联邦学习算法训练流程图，该流程包括以下步骤：

步骤1.各节点本地搭建LSTM模型，并进行独立预训练。每个节点在本地独立地搭建LSTM模型，并使用本地数据进行预训练。这样可以使每个节点的模型在初始状态下达到比较高的准确度，可以显著减少联邦学习迭代次数；

步骤2.利用联邦学习架构进行模型训练。采用梯度下降法，按照ADMM迭代的方式在联邦学习架构下进行模型训练。节点之间交替地训练模型，使用构造好的本地参数和对偶变量计算式来更新参数。这个过程可以通过共享模型参数和梯度的方式实现，确保模型在不暴露敏感数据的情况下进行协作训练。

步骤3.迭代各节点模型参数并保存结果。在联邦学习的过程中，不断迭代各节点模型参数，直到达到一定的收敛条件。每个节点将得到相应的负荷预测结果和各个层级的聚合一致性。在训练完成后，最终得到相应节点的负荷预测结果以及各个层级的聚合一致性，保存参数并结束训练；

步骤4.聚合预测结果至上层节点：将下层节点的负荷预测结果逐级聚合至上层节点，以获得全部节点的预测结果。这可以通过将预测结果发送到上层节点进行聚合和整合来实现，确保整个系统的负荷预测结果得到汇总。

实施例3

本发明又提供了一个实施例，是一种配电网分层负荷预测装置，其中基于ADMM的负荷预测协同联邦学习装置包括：

模型搭建模块，用于利用各节点本地搭建LSTM模型，并进行独立预训练，这样可以使本地模型达到准确度比较高的初始状态，可以显著减少联邦学习迭代次数；

更新模块，用于利用联邦学习架构，采用梯度下降法，按照ADMM迭代的方式交替训练模型，采用构造好的本地参数与对偶变量计算式更新参数；

训练模块，用于不断迭代各节点模型参数，最终得到相应节点的负荷预测结果以及各个层级的聚合一致性，保存参数并结束训练；

预测模块，用于将下层负荷预测结果逐级聚合至上层，得到全部节点预测结果。

实施例4

本发明又提供了一个实施例，是一种配电网分层负荷预测装置，包括：

构建模块，用于构建配电网负荷预测架构；

引入区块链模块，用于在配电网负荷预测架构中引入区块链，以实现对模型参数信息的存储和信任；

构建多级负荷预测模块，用于在配电网负荷预测架构中，针对配电网的层级结构，构建多级负荷预测模型；

分布式优化模块，用于基于多级负荷预测模型，结合基于排序的ADMM方法的联邦学习方法，通过分布式联邦训练，打破数据孤岛并进行分布式优化。

实施例5

基于同一发明构思，本发明实施例还提供了一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序。所述处理器执行所述计算机程序时实现实施例1或2或3所述的任意一种配电网分层负荷预测方法或装置的步骤。

实施例6

基于同一发明构思，本发明实施例还提供了一种计算机存储介质，所述计算机存储介质上存有计算机程序，所述计算机程序被处理器执行时实现实施例1或2或3所述的任意一种配电网分层负荷预测方法或装置的步骤。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。