基于纵向联邦学习的短期风电功率协同预测方法

赵寒亭; 张耀; 霍巍; 王建学; 吴峰; 张衡

doi:10.7500/AEPS20221229004

您当前的位置：

首页 >

文章列表页 >

基于纵向联邦学习的短期风电功率协同预测方法

学术研究 | 更新时间：2025-06-16

- 基于纵向联邦学习的短期风电功率协同预测方法
- Collaborative Forecasting Method for Short-term Wind Power Based on Vertical Federated Learning
- 电力系统自动化 2023年47卷第16期页码：44-53
- 作者机构：
  
  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
- 作者简介：
  
  赵寒亭(1999—)，男，硕士研究生，主要研究方向：可再生能源发电预测与并网消纳。E-mail：zht1845844200@stu.xjtu.edu.cn
  张耀(1988—)，男，通信作者，副教授，博士生导师，主要研究方向：可再生能源预测与并网消纳、电力大数据与人工智能等。E-mail：yaozhang_ee@xjtu.edu.cn
  霍巍(2000—)，男，硕士研究生，主要研究方向：电力大数据与人工智能、新能源发电功率预测技术。E-mail：liuxi26@stu.xjtu.edu.cn
- 基金信息：
  
  国家自然科学基金资助项目(51907151);陕西省自然科学基础研究计划资助项目(2023-JC-QN-0391)
- DOI：10.7500/AEPS20221229004
  中图分类号：
- 收稿：2022-12-29，
  
  修回：2023-03-23，
  
  网络出版：2023-06-20，
  
  纸质出版：2023-08-25
- 稿件说明：
移动端阅览
赵寒亭,张耀,霍巍等.基于纵向联邦学习的短期风电功率协同预测方法[J].电力系统自动化,2023,47(16):44-53.

ZHAO Hanting,ZHANG Yao,HUO Wei,et al.Collaborative Forecasting Method for Short-term Wind Power Based on Vertical Federated Learning[J].Automation of Electric Power Systems,2023,47(16):44-53.
赵寒亭,张耀,霍巍等.基于纵向联邦学习的短期风电功率协同预测方法[J].电力系统自动化,2023,47(16):44-53. DOI： 10.7500/AEPS20221229004.

ZHAO Hanting,ZHANG Yao,HUO Wei,et al.Collaborative Forecasting Method for Short-term Wind Power Based on Vertical Federated Learning[J].Automation of Electric Power Systems,2023,47(16):44-53. DOI： 10.7500/AEPS20221229004.

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

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。

Abstract

Because of the spatio-temporal correlation of wind resources

the forecasting accuracy of the forecasted wind farm can be improved by using the relevant data of adjacent wind farms. However

different wind farms are often owned by different power generation groups

which do not have access to private data of each other due to commercial competition and data security concerns. To solve these problems

first

a ridge regression forecasting model based on the improved

-nearest neighbor algorithm is proposed in this paper. Then

under the mechanism of vertical federated learning

the synchronous gradient descent algorithm is used to solve the proposed forecasting model iteratively. The distributed training process and the distributed forecasting process of wind power forecasting model are derived by utilizing the separable characteristic of gradient vector calculation. The original large-scale forecasting problem is decomposed into a large number of small-scale subproblems

and each subproblem is calculated locally by the corresponding wind farm. On the basis of ensuring the data privacy and security of all participants

the data information of adjacent wind farms can be effectively used to improve the accuracy of wind power forecasting. Finally

the results of case studies are given to demonstrate the effectiveness of the proposed method

关键词

Keywords

references

薛禹胜，雷兴，薛峰，等 . 关于风电不确定性对电力系统影响的评述［J］. 中国电机工程学报， 2014 ， 34 （ 29 ）： 5029 - 5040 .

XUE Yusheng ， LEI Xing ， XUE Feng ， et al . A review on impacts of wind power uncertainties on power systems ［J］. Proceedings of the CSEE ， 2014 ， 34 （ 29 ）： 5029 - 5040 .

万灿，宋永华 . 新能源电力系统概率预测理论与方法及其应用［J］. 电力系统自动化， 2021 ， 45 （ 1 ）： 2 - 16 .

WAN Can ， SONG Yonghua . Theories， methodologies and applications of probabilistic forecasting for power systems with renewable energy sources ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 1 ）： 2 - 16 .

叶林，刘鹏 . 基于经验模态分解和支持向量机的短期风电功率组合预测模型［J］. 中国电机工程学报， 2011 ， 31 （ 31 ）： 102 - 108 .

YE Lin ， LIU Peng . Combined model based on EMD-SVM for short-term wind power prediction ［J］. Proceedings of the CSEE ， 2011 ， 31 （ 31 ）： 102 - 108 .

丁婷婷，杨明，于一潇，等 . 基于误差修正的短期风电功率集成预测方法［J］. 高电压技术， 2022 ， 48 （ 2 ）： 488 - 496 .

DING Tingting ， YANG Ming ， YU Yixiao ， et al . Short-term wind power integration prediction method based on error correction ［J］. High Voltage Engineering ， 2022 ， 48 （ 2 ）： 488 - 496 .

周勇良，余光正，刘建锋，等 . 基于改进长期循环卷积神经网络的海上风电功率预测［J］. 电力系统自动化， 2021 ， 45 （ 3 ）： 183 - 191 .

ZHOU Yongliang ， YU Guangzheng ， LIU Jianfeng ， et al . Offshore wind power prediction based on improved long-term recurrent convolutional neural network ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 3 ）： 183 - 191 .

苏向敬，周汶鑫，李超杰，等 . 基于双重注意力LSTM神经网络的可解释海上风电出力预测［J］. 电力系统自动化， 2022 ， 46 （ 7 ）： 141 - 151 .

SU Xiangjing ， ZHOU Wenxin ， LI Chaojie ， et al . Interpretable offshore wind power output forecasting based on long short-term memory neural network with dual-stage attention ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 7 ）： 141 - 151 .

TASTU J ， PINSON P ， KOTWA E ， et al . Spatio-temporal analysis and modeling of short-term wind power forecast errors ［J］. Wind Energy ， 2011 ， 14 （ 1 ）： 43 - 60 .

DOWELL J ， WEISS S ， HILL D ， et al . Short-term spatio-temporal prediction of wind speed and direction ［J］. Wind Energy ， 2014 ， 17 （ 12 ）： 1945 - 1955 .

胡帅，向月，沈晓东，等 . 计及气象因素和风速空间相关性的风电功率预测模型［J］. 电力系统自动化， 2021 ， 45 （ 7 ）： 28 - 36 .

HU Shuai ， XIANG Yue ， SHEN Xiaodong ， et al . Wind power prediction model considering meteorological factor and spatial correlation of wind speed ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 7 ）： 28 - 36 .

ZHAO Y N ， YE L ， PINSON P ， et al . Correlation-constrained and sparsity-controlled vector autoregressive model for spatio-temporal wind power forecasting ［J］. IEEE Transactions on Power Systems ， 2018 ， 33 （ 5 ）： 5029 - 5040 .

DAMOUSIS I G ， ALEXIADIS M C ， THEOCHARIS J B ， et al . A fuzzy model for wind speed prediction and power generation in wind parks using spatial correlation ［J］. IEEE Transactions on Energy Conversion ， 2004 ， 19 （ 2 ）： 352 - 361 .

LARSON K A ， WESTRICK K . Short-term wind forecasting using off-site observations ［J］. Wind Energy ， 2006 ， 9 （ 1/2 ）： 55 - 62 .

TASCIKARAOGLU A . Evaluation of spatio-temporal forecasting methods in various smart city applications ［J］. Renewable and Sustainable Energy Reviews ， 2018 ， 82 ： 424 - 435 .

YANG Q ， LIU Y ， CHEN T J ， et al . Federated machine learning： concept and applications ［J］. ACM Transactions on Intelligent Systems and Technology ， 2019 ， 10 （ 2 ）： 1 - 19 .

舒娜，刘波，林伟伟，等 . 分布式机器学习平台与算法综述［J］. 计算机科学， 2019 ， 46 （ 3 ）： 9 - 18 .

SHU Na ， LIU Bo ， LIN Weiwei ， et al . Survey of distributed machine learning platforms and algorithms ［J］. Computer Science ， 2019 ， 46 （ 3 ）： 9 - 18 .

王蓓蓓，朱竞，王嘉乐，等 . 电表数据隐私保护下的行业电力负荷联邦学习预测框架［J/OL］. 电力系统自动化［ 2023-03-23 ］. http：//kns.cnki.net/kcms/detail/32.1180.TP.20221207.1108.002.html http://kns.cnki.net/kcms/detail/32.1180.TP.20221207.1108.002.html .

WANG Beibei ， ZHU Jing ， WANG Jiale ， et al . Federal learning forecasting framework for industry power load under meter data privacy protection ［J/OL］. Automation of Electric Power Systems ［ 2023-03-23 ］. http：//kns.cnki.net/kcms/detail/32.1180.TP.20221207.1108.002.html http://kns.cnki.net/kcms/detail/32.1180.TP.20221207.1108.002.html .

郑楷洪，肖勇，王鑫，等 . 一个面向电力计量系统的联邦学习框架［J］. 中国电机工程学报， 2020 ， 40 （增刊1 ）： 122 - 133 .

ZHENG Kaihong ， XIAO Yong ， WANG Xin ， et al . A federated learning framework for power grid metering system ［J］. Proceedings of the CSEE ， 2020 ， 40 （ Supplement 1 ）： 122 - 133 .

ZHANG X N ， FANG F ， WANG J Q . Probabilistic solar irradiation forecasting based on variational Bayesian inference with secure federated learning ［J］. IEEE Transactions on Industrial Informatics ， 2021 ， 17 （ 11 ）： 7849 - 7859 .

LI Y ， WANG R ， LI Y ， et al . Wind power forecasting considering data privacy protection： a federated deep reinforcement learning approach ［J］. Applied Energy ， 2023 ， 329 ： 120291 .

AHMADI A ， TALAEI M ， SADIPOUR M ， et al . Deep federated learning-based privacy-preserving wind power forecasting ［J/OL］. IEEE Access ［ 2022-12-26 ］. https：//ieeexplore.ieee.org/document/9999359 https://ieeexplore.ieee.org/document/9999359 .

周志华，王珏 . 机器学习及其应用［M］. 北京：清华大学出版社， 2009 .

ZHOU Zhihua ， WANG Jue . Machine learning and its application ［M］. Beijing ： Tsinghua University Press ， 2009 .

李航 . 统计学习方法［M］. 北京：清华大学出版社， 2012 .

LI Hang . Statistical learning method ［M］. Beijing ： Tsinghua University Press ， 2012 .

HONG T ， PINSON P ， FAN S ， et al . Probabilistic energy forecasting： global energy forecasting competition 2014 and beyond ［J］. International Journal of Forecasting ， 2016 ， 32 （ 3 ）： 896 - 913 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

分布式优化在互联电网中的应用分析及展望

考虑隐私保护的虚拟电厂内部交易决策优化

面向规模化分布式可再生能源并网的群网协同互动优化方法

考虑电化学模型的配电网侧光储系统分布式优化调度