基于联邦学习和DAL策略的电力负荷预测

摘要

针对传统电力负荷预测方法依赖单一区域数据训练模型，导致跨区域预测时泛化能力显著下降的问题，设计了一种基于时序卷积网络(Temporal Convolutional Network,TCN )、长短期记忆(Long Short-Term Memory,LSTM)网络和注意力机制的混合模型(TCN-LSTMs-Attention)，并结合去中心化聚合学习(Decentralized Aggregation Learning,DAL)策略，通过在同一服务器上顺序训练来自不同区域的数据，构建多个子模型，最终得到可进行区域预测的全局模型．同时，结合动态学习率减半与参数重置机制，进一步加速模型收敛．基于第九届“中国电机工程杯”竞赛数据集的实验结果表明，相较于独立区域训练模型，所提方法在跨区域预测任务中均方误差、平均绝对误差、均方根误差和平均绝对百分比误差分别提升43.0%、29.5%、24.4%和35.4%，验证了其在高异质性负荷场景下的鲁棒性与工程实用性．

关键词

电力负荷预测 / 长短期记忆网络 / 去中心化聚合学习 / 跨区域预测

基金资助

重庆市自然科学基金(CSTB2022N SCQ-MSX1231); 重庆市高等教育教学改革研究项目(243400); 国网重庆信通公司项目(SGCQXT00JSJS2400122)