您当前的位置： 首页 > 论文 > 2024, 55(01) > 电气与动力工程(能源互联网专题)
基金项目:
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)
分类号:
TM614
DOI:
10.16355/j.tyut.1007-9432.20230392
期刊号:
2024, 55(01)
收稿日期:
2023-05-22
修回日期:
2023-07-03
| 通讯作者 | 单位 |
| 牛哲文 | 太原理工大学 电气与动力工程学院 |
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。
关键字:
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