基于纵向联邦学习的短期风电功率协同预测方法.pdfVIP

第 47 卷 第 16 期 2023 年 8 月 25 日 Vol . 47 No . 16 Aug . 25 ,2023 DOI ： 10. 7500/AEPS20221229004 基于纵向联邦学习的短期风电功率协同预测方法 1 1 1 1 2 2 赵寒亭 ，张 耀 ，霍 巍 ，王建学 ，吴 峰 ，张 衡 （1. 西安交通大学电气工程学院，陕西省西安市 710049 ；2 . 大航有能电气有限公司，江苏省扬中市 212211 ） 摘要 ：由于风力资源具有时空相关性，使用邻近场站的相关数据可以提高待预测场站的预测精 度。然而不同场站通常分属不同发电集团，由于商业竞争和数据安全考量，彼此难以获得对方的隐 私数据。针对上述问题，首先，提出了基于改进k 近邻算法的岭回归预测模型；然后,在纵向联邦学 习的机制下，采用同步梯度下降算法对所提预测模型进行迭代求解；利用梯度向量可拆分计算的特 点，推导了风电预测模型的分布式训练过程和分布式预测过程，将原本的大规模预测问题分解为大 量的小规模子问题，且每个子问题由相应的风电场站在本地进行计算。在保证各参与方数据隐私 安全的基础上，可以有效利用邻近场站的数据信息，从而提高风电功率预测精度。最后，以实际算 例验证了所提方法的有效性。 关键词 ：风电预测；岭回归；k 近邻算法；梯度下降；纵向联邦学习；分布式优化 0 引言 时空相关性的风电功率预测研究主要集中在两个方 面。一是分析和论证了同一地区的风电场站之间存 风电对改善能源结构及减少温室气体排放的意 在潜在的时空相关性，提出了针对性的建模预测方 义重大，但风电功率的波动性、间歇性和随机性却会 ［9-10 ］ 法 。二是证实和量化了利用相邻场站数据可以 对电力系统的可靠性及电能质量造成不可忽视的影 ［1 ］ 提高风电功率预测精度，特别是在具有特定主导风 响 。开发一种先进的风电功率预测方法，以提高 型和风向的地区，此效益将更为显著［11-12 ］。上述工 风电功率的预测精度是减少风电波动性、间歇性和 作为合理利用风力资源的时空相关性、提高风电功 随机性对电力系统运行影响，增强电网消纳风电能 ［2 ］ 率预测精度做出了重要贡献。 力的一种较为有效的解决方案 。 上述研究都是基于一个假设，即待预测场站可 近年来，国内外学者做了大量工作，开发了许多 以完全获得邻近场站的相关数据信息。从技术上 基于时间序列分析、机器学习和深度学习方法的风 ［3 ］ 看，通过先进量测技术和通信技术，可以实现从邻近 电功率预测模型。典型代表有支持向量机 、随机 ［4 ］ ［4-5 ］ 场站到待预测场站的数据采集和传输工作。然而在 森林 、XGBoost 模型 、多层感知机（multi-layer 现实情况中，同一地区的不同场站可能分属不同的 perceptron ，MLP ）、门控循环单元（gated recurrent 发电集团。由于商业竞争关系和数据安全方面的考