[发明专利]一种区域互联电网交换功率的预测方法及系统

权利要求书

1.一种区域互联电网交换功率的预测方法，其特征在于，包括：

获取目标边缘特征，所述目标边缘特征包括待预测区域的节点电压幅值、节点电压相角、节点有功功率和节点无功功率；

将所述目标边缘特征输入预训练的局部模型，得到待预测区域互联电网交换功率；所述预训练的局部模型是以区域的样本边缘特征数据为输入，以样本边缘特征数据对应的交换功率为标签，基于联邦学习对局部模型进行训练得到的。

2.根据权利要求1所述的方法，其特征在于，所述局部模型的训练方法，具体包括：

接收云服务器发送的全局模型参数；

所述局部模型基于所述全局模型参数、边缘服务器所属区域的样本边缘特征以及所述样本边缘特征的标签对所述局部模型中的参数进行迭代训练，得到局部模型参数；

将所述局部模型参数发送至所述云服务器；所述云服务器用于对各所述边缘服务器发送的局部模型参数进行加权处理，采用加权处理结果更新所述全局模型参数，并判断更新后的全局模型是否收敛，若否，将更新后的全局模型参数发送至各边缘服务器，若是，则结束训练。

3.根据权利要求1所述的方法，其特征在于，所述局部模型的训练方法，具体包括：

向所述边缘服务器发送所述全局模型参数；

接收所述边缘服务器发送的所述局部模型参数；所述局部模型参数为所述边缘服务器根据所述全局模型参数、所述边缘服务器所属区域的样本边缘特征以及所述样本边缘特征的标签对所述局部模型中的参数进行迭代训练得到；

对各所述边缘服务器发送的所述局部模型参数进行加权处理，并采用加权处理结果更新所述全局模型参数；

判断更新后的全局模型参数是否收敛，若否，将所述更新后的全局模型参数发送至各所述边缘服务器，若是，则结束训练。

4.根据权利要求3所述的方法，其特征在于，所述加权处理采用的加权公式为：

其中，ω为全局模型参数，ω_k为第k个局部模型参数，N为边缘服务器数量；D_k为第k个边缘服务器中局部模型的数据集数量；D为各所述边缘服务器局部模型的数据集数量之和。

5.根据权利要求1-3任一项所述的方法，其特征在于，所述局部模型包括图注意力网络和长短期记忆网络；

所述图注意力网络用于对输入的边缘特征进行加权聚合，得到新特征；所述新特征作为所述长短期记忆网络的输入，所述长短期记忆网络的输出为所述区域交换功率。

6.根据权利要求5所述的方法，其特征在于，所述图注意力网络通过节点间注意力系数对所述边缘特征进行加权聚合，得到所述新特征；

所述节点间注意力系数为：

其中，α_ic为节点间注意力系数，c为节点i的邻居节点，X_i、X_c、X_d分别为节点i、c、d的特征向量，D(i)为节点i的邻居节点集合，||表示拼接操作，为单层的前馈神经网络，W为注意力网络权重矩阵，LeakyReLU函数为计算节点i和其邻居节点c之间的注意力权重；

所述加权聚合公式为：

其中，eLU为激活函数；X′_i为节点i的新特征；

所述新特征为：

7.一种区域互联电网交换功率的预测系统，其特征在于，包括：

目标边缘特征获取模块，用于获取目标边缘特征，所述目标边缘特征包括待预测区域的节点电压幅值、节点电压相角、节点有功功率和节点无功功率；

互联电网交换功率预测模块，用于将所述目标边缘特征输入预训练的局部模型，得到待预测区域互联电网交换功率；所述预训练的局部模型是以区域的样本边缘特征数据为输入，以样本边缘特征数据对应的交换功率为标签，基于联邦学习对局部模型进行训练得到的。

8.根据权利要求7所述的系统，其特征在于，所述局部模型包括图注意力网络和长短期记忆网络；

所述图注意力网络用于对所述边缘特征进行加权聚合，得到新特征；所述新特征作为所述长短期记忆网络的输入，所述长短期记忆网络的输出为所述区域交换功率。