面向数据隐私保护的分布式多风电场短期功率预测

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。

关键词

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