面向数据隐私保护的分布式多风电场短期功率预测

作     者：郑杰 牛哲文 韩肖清 陈武晖 武宇翔 ZHENG Jie;NIU Zhewen;HAN Xiaoqing;CHEN Wuhui;WU Yuxiang

作者机构：太原理工大学电气与动力工程学院太原030024 

出 版 物：《太原理工大学学报》 (Journal of Taiyuan University of Technology)

年 卷 期：2024年第55卷第1期

页      面：102-110页

学科分类：08[工学] 0807[工学-动力工程及工程热物理] 

基　　金：新疆维吾尔自治区重大科技专项(2022A01007-2) 山西省自然科学青年基金资助项目(202203021212296) 

主　　题：数据隐私 横向联邦学习 长短期记忆网络 时序模式注意力 功率预测 

摘      要：【目的】基于集中式数据的深度学习可以有效提高风功率的预测精度,但数据泄露带来的严重后果令各风电场不断重视自身数据的保密,对数据驱动的风功率预测方法造成阻碍。【方法】针对上述问题,提出一种面向数据隐私保护的分布式多风电场短期功率预测方法,利用横向联邦学习(federated learning,FL)框架完成对风电场的功率预测任务。首先,多个风电场采用分布训练方式,利用时序模式注意力(temporal pattern attention,TPA)机制和长短期记忆(long short-term memory,LSTM)网络组合成TPA-LSTM本地模型完成本地数据训练;再将这些本地模型的参数进行聚合处理,同时引入模型上传权重值,提高拟合效果好的本地模型的贡献率;最后实现全局模型参数的更新。【结果】实验结果证明,提出的方法在保证风电场数据隐私的前提下,获得的全局模型在多场景下具有良好的预测性能和泛化能力。