[发明专利]一种基于多户电力消耗预测模型的预测方法及装置

说明书

本申请提供一种基于多户电力消耗预测模型的预测方法及装置，其中，该方法包括：采集多个用电主体的电力消耗序列数据；对电力消耗数据进行采样，并对采样数据进行预处理，基于预处理后的数据确定训练集和测试集；用训练集和测试集对电力消耗预测模型进行本地训练得到通用模型，通过通用模型对待预测用户的用电情况进行预测，通过本申请，解决了电力消耗预测模型的训练效率低和数据易泄露的问题，在保证预测精度和数据隐私的前提下，仅用一个通用模型就能实现对各种家庭电力数据的预测，具有强大的泛化能力。

技术领域

本申请涉及计算机技术领域，具体而言，涉及一种基于多户电力消耗预测模型的预测方法及装置。

背景技术

准确预测高波动性家庭用电量(HEC)在当代社会中具有重要作用。使政府能够及时响应需求，制定更加合理的可持续发展战略。此外，也有利于智能电网的发展，使智能电网能够毫不延迟地传输电能，满足用户的需求。然而，在家庭用电量预测的研究中也存在一些障碍。

首先，传统的HEC预测研究方法表明，我们需要使用一个模型来预测一组数据，这使得不同数据的训练需要使用不同的模型。当对一组数据进行训练时，将丢弃之前的模型，需要对下一个模型进行初始化，然后重新开始训练。经过训练的模型在完成当前预测任务后就失去了使用价值。在实际应用中，在数据量或者模型规模非常大的情况下，需要花大量时间进行模型训练。

其次，技术的发展提高了分析用户数据的能力。人们有能力从用户行为数据推断出用户信息。如果用户的行为数据流入不法人士手中，将会给用户带来很多麻烦。因此，近年来，人们越来越重视对个人隐私的保护。然而，目前流行的深度学习模型需要大量的数据来获得更好的性能。海量用户数据的采集已经成为深度学习进一步发展的障碍。

因此，在保证数据隐私的前提下，使用模型对多个HEC数据集进行准确预测具有重要意义。减少模型的训练时间和保护数据隐私是当前研究中的两个最重要的问题。

发明内容

本申请实施例的目的在于提供一种基于多户电力消耗预测模型的预测方法及装置，用以减少模型训练时间和保护数据隐私。

第一方面，本申请实施例提供了一种基于多户电力消耗预测模型的预测方法，所述方法包括：

采集多个用电主体的电力消耗数据，所述电力消耗数据为按照时间顺序记录的各个时段数据；

对所述电力消耗数据进行采样，并对采样数据进行预处理，基于预处理后的数据确定训练集和测试集；

基于所述训练集和所述测试集，对电力消耗预测模型进行训练得到通用模型；

通过所述通用模型对待预测用户的用电情况进行预测。

在其中一些实施例中，基于所述训练集和所述测试集，对电力消耗预测模型进行训练得到通用模型包括：

基于所述训练集和所述测试集，对每个用电主体的电力消耗预测模型进行训练，并将训练好的模型参数传递给中央服务器；

所述中央服务器对所述模型参数进行融合，将融合数据下发到各个所述电力消耗预测模型中进行循环训练，直到生成通用模型。

在其中一些实施例中，基于预处理后的数据确定训练集和测试集包括：

将预处理后的数据划分为87％训练集和13％测试集。

在其中一些实施例中，基于所述训练集和所述测试集，对每个用电主体的电力消耗预测模型进行训练包括：

所述电力消耗预测模型为联邦学习和BiLSTM结合的模型，即Fed_BiLSTM模型，所述联邦学习和BiLSTM结合的模型包括五个并行任务模块和一个中心模块，其中，每个所述任务模块由一个BiLSTM神经网络层和一个全连接层组成；