针对电力负荷数据中存在的不平衡小类样本导致负荷预测精度不高问题,提出一种基于K-means-SyMProD-PCA数据预处理及NPMA-LSSVM模型的电力负荷预测方法。通过改进的K均值(K-means)方法根据电力负荷特性对其进行预分类,并构建分类标签作...针对电力负荷数据中存在的不平衡小类样本导致负荷预测精度不高问题,提出一种基于K-means-SyMProD-PCA数据预处理及NPMA-LSSVM模型的电力负荷预测方法。通过改进的K均值(K-means)方法根据电力负荷特性对其进行预分类,并构建分类标签作为输入特征;针对电力负荷分类后的样本类别不平衡问题,采用基于概率分布合成小类样本(synthetic minority based on probabilistic distribution,SyMProD)方法扩充小类样本数据以平衡样本类别;为了消除具有重复信息的特征,基于主成分分析(principal component analysis,PCA)方法提取电力负荷主要特征;最后建立最小二乘支持向量机(least square support vector machine,LSSVM)电力负荷预测模型,采用非线性惯性因子和多项式变异的蜉蝣算法对模型参数进行优化,以提高负荷预测精度。分别采用第9届电工杯建模大赛数据和扬中市2015年1443家企业的用电量数据作为验证数据,结果表明,结合K-means-SyMProD-PCA负荷数据预处理,NPMA-LSSVM预测模型有效降低了电力负荷预测误差,能够较好地解决不平衡小类样本情况下的中短期电力负荷预测问题,具有一定的适用性。展开更多
对于用能数据不足的综合能源系统,借助相似系统的丰富数据可以为其建立高精度的多元负荷预测模型,然而,受数据安全等因素的限制,很多系统并不愿意共享自身数据。联邦学习为处理隐私保护下的少数据综合能源多元负荷预测问题提供了一个重...对于用能数据不足的综合能源系统,借助相似系统的丰富数据可以为其建立高精度的多元负荷预测模型,然而,受数据安全等因素的限制,很多系统并不愿意共享自身数据。联邦学习为处理隐私保护下的少数据综合能源多元负荷预测问题提供了一个重要的思路,但是现有方法依然存在相似参与方识别精度不高等不足。鉴于此,本文提出一种融合联邦学习和长短期记忆网络(long short-term memory,LSTM)的少数据综合能源多元负荷预测方法(multitask learning based on shared dot product confidentiality under federated learning,MT-SDPFL)。首先,给出一种基于共享向量点积保密协议的相似参与方识别方法,用来从诸多可用的综合能源系统中选出最为相似的参与方;接着,使用参数共享联邦学习算法对选中的各参与方联合训练,结合LSTM和finetune技术建立每个参与方的多元负荷预测模型。将所提方法应用于多个实际能源系统,实验结果表明,该方法可以在数据稀疏的情况下取得高精度的多源负荷预测结果。展开更多
文摘针对电力负荷数据中存在的不平衡小类样本导致负荷预测精度不高问题,提出一种基于K-means-SyMProD-PCA数据预处理及NPMA-LSSVM模型的电力负荷预测方法。通过改进的K均值(K-means)方法根据电力负荷特性对其进行预分类,并构建分类标签作为输入特征;针对电力负荷分类后的样本类别不平衡问题,采用基于概率分布合成小类样本(synthetic minority based on probabilistic distribution,SyMProD)方法扩充小类样本数据以平衡样本类别;为了消除具有重复信息的特征,基于主成分分析(principal component analysis,PCA)方法提取电力负荷主要特征;最后建立最小二乘支持向量机(least square support vector machine,LSSVM)电力负荷预测模型,采用非线性惯性因子和多项式变异的蜉蝣算法对模型参数进行优化,以提高负荷预测精度。分别采用第9届电工杯建模大赛数据和扬中市2015年1443家企业的用电量数据作为验证数据,结果表明,结合K-means-SyMProD-PCA负荷数据预处理,NPMA-LSSVM预测模型有效降低了电力负荷预测误差,能够较好地解决不平衡小类样本情况下的中短期电力负荷预测问题,具有一定的适用性。
文摘对于用能数据不足的综合能源系统,借助相似系统的丰富数据可以为其建立高精度的多元负荷预测模型,然而,受数据安全等因素的限制,很多系统并不愿意共享自身数据。联邦学习为处理隐私保护下的少数据综合能源多元负荷预测问题提供了一个重要的思路,但是现有方法依然存在相似参与方识别精度不高等不足。鉴于此,本文提出一种融合联邦学习和长短期记忆网络(long short-term memory,LSTM)的少数据综合能源多元负荷预测方法(multitask learning based on shared dot product confidentiality under federated learning,MT-SDPFL)。首先,给出一种基于共享向量点积保密协议的相似参与方识别方法,用来从诸多可用的综合能源系统中选出最为相似的参与方;接着,使用参数共享联邦学习算法对选中的各参与方联合训练,结合LSTM和finetune技术建立每个参与方的多元负荷预测模型。将所提方法应用于多个实际能源系统,实验结果表明,该方法可以在数据稀疏的情况下取得高精度的多源负荷预测结果。
