基于数据清洗与个性化联邦学习的风电功率预测研究

摘要

针对风电数据的波动性及数据质量问题，提出了一种基于数据清洗与串联门控循环单元（Gated recurrent unit, GRU）及注意力机制（Attention, Att）的风电功率预测模型，并通过联邦学习实现区域模型参数传递。引入Moreau信封作为联邦学习的正则化损失函数，提出了个性化联邦学习框架（Personalized fderated larning with Moreau evelopes, PFedMe）。兼顾数据安全和预测性能的双重需求，为新建电厂在数据缺失条件下预测风电功率提供了方案。最后，采用百度动态空间风电功率预测挑战赛数据集进行实验验证，结果表明：所提方案在满足隐私安全约束下实现了高效模型训练与预测性能提升。

关键词

风电功率预测 / 门控循环单元 / 联邦学习 / Moreau信封