基于纵向联邦学习的短期风电功率协同预测方法
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.
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
47
F273;TM614;TM734
国家自然科学基金;陕西省自然科学基础研究计划资助项目
2023-09-05(万方平台首次上网日期,不代表论文的发表时间)
共10页
44-53